据外媒报道，由中国计量大学的Zhe Li、Kun Cheng、Hanyue Mo、Jintao Lu、Ziwen Kuang以及Jianwen Ye领导的创新研究团队，在防止商用车辆误触发紧急制动方面取得了重大进展。他们的研究着重解决车辆通信网络数据不可靠（尤其是在低速行驶时）导致的“零速制动”问题。

图片来源：https://arxiv.org/abs/2512.18597

该团队开发出一种基于视觉的系统，通过分析盲点摄像头拍摄的视频，能够准确识别车辆的运动状态（静止、振动或移动）。该方法利用增强的特征跟踪和稳健的统计分析，有效抑制了环境干扰，显著降低了误触发次数，现场测试结果显示误触发次数减少了89%，紧急制动场景下的成功率更是达到了100%，这代表着商用车辆安全系统的一项重大改进。

视觉-雷达融合技术助力稳健紧急制动

本研究致力于开发一种稳健可靠的自动紧急制动（AEB）系统，旨在应对各种严苛的驾驶环境。该系统融合了计算机视觉和雷达技术，并结合先进的数据处理技术，以提升安全性并降低碰撞风险。其主要目标是最大限度地减少误报，提高检测精度，尤其是在恶劣天气和复杂驾驶场景下，而这些场景正是现有系统难以应对的。研究强调构建全面的数据集和采用严格的评估方法，凸显了在日益自动化的驾驶系统开发过程中进行全面测试和验证的重要性，从而超越仿真，实现对实际驾驶性能的评估。

该系统利用计算机视觉技术，特别是尺度不变特征变换（SIFT）进行稳健的特征提取，并将其与雷达数据相结合，以提高整体鲁棒性，尤其是在能见度较差的情况下，例如暴雨、浓雾或夜间行驶。包含提供多样化城市驾驶场景的Ithaca365数据集和以其高分辨率地图和传感器数据而闻名的ApolloScape数据集在内的综合数据集对于训练和评估系统性能至关重要。

该研究着重解决在恶劣天气下提高自动紧急制动（AEB）性能的挑战，因为在恶劣天气下传感器性能下降会显著影响可靠性，同时最大限度地减少误报，以维护驾驶员的信任并防止不必要的干预。误报会导致驾驶员失去对系统的信任，甚至拒绝使用该技术，从而阻碍其广泛应用。

基于摄像头数据的车辆运动分析

科学家们设计了一种基于视觉的系统，旨在解决商用车辆自动紧急制动（AEB）系统中常见的速度读数不准确问题，尤其是在低速行驶时，精确的运动检测至关重要。该系统处理来自盲点摄像头的视频片段，采用增强的特征提取和匹配技术，将车辆运动精确分类为静止、振动或移动。这种精细的分类能够更细致地了解车辆状态，从而提高AEB启动的准确性并防止不必要的制动。

该方法取得了卓越的性能，系统在静止状态检测中达到了99.96%的F1分数，在移动状态识别中达到了97.78%的F1分数，这表明其在区分不同运动状态方面具有很高的准确性。F1分数是精确率和召回率的调和平均值，可以平衡地衡量系统的性能。

该系统采用先进的特征提取技术，结合了对比度受限自适应直方图均衡化（CLAHE）和尺度不变特征变换（SIFT）。CLAHE通过局部调整直方图来增强低对比度条件下的图像质量，从而提高特征的可见性；而SIFT则识别并描述对尺度、旋转和光照变化无响应的局部特征。利用五帧滑动窗口的多帧轨迹分析，通过跟踪特征随时间的变化并滤除虚假检测结果，评估时间一致性并最大限度地减少误差。

此外，该系统还集成了车载诊断（OBD-II）数据，以动态配置感兴趣区域（ROI），将处理能力集中在视频流的相关区域，减少不必要的计算，从而优化资源利用率并提高实时性能。这种动态ROI调整确保系统优先处理最可能发生运动的区域。