自动驾驶中,被严重低估的算法...

控制模块才是自动驾驶从“能用”到“好用”的关键

在自动驾驶快速发展的今天，大多数人的目光都聚焦在感知、决策、规划这些“高大上”的模块上。诚然，深度学习、强化学习在这些领域的应用确实带来了突破性进展，但真正决定一辆自动驾驶汽车能否平稳、安全、舒适地行驶的，却是那个常常被低估的“幕后英雄”——控制算法。

控制算法：被上层模块低估的“老黄牛”

最近看到一个观点：“不要用规划及其上层的视角看控制算法。”

规划算法大多可以复用机器人的算法，通过几何学和凸优化解决。但自动驾驶的被控对象是车辆——这是一个有着复杂动力学特性的系统，涉及轮胎与地面的非线性摩擦、悬架系统的振动、传动系统的延迟等一系列机器人领域不常遇到的问题。

车辆控制发展多年，积累了大量的专属经验和算法。慢工出细活在控制模块发挥的淋漓尽致。控制算法的最优解基本可以确定，其性能的提升靠的是理解和知识面的深度。反观上游模块，还在不断尝试新技术、新方法。

这种“偏见”导致了一个有趣的现象：上层模块总是会低估控制模块的复杂性，认为只要规划出一条合理的轨迹，控制层就应该能够“照做”。殊不知，车辆不是理想化的质点，它的响应有延迟，它的运动受限于物理定律，它的状态受环境影响巨大。

从ESP到自动驾驶：控制算法的演进

用有限的传感器信号估算各种车辆状态，判断车辆是否在失稳临界范围——这种对车辆物理极限的理解，恰恰是当前自动驾驶所欠缺的。

现在的自动驾驶系统，大多还是关注“有没有能力通过空间层面”，很少关注天气对路面的影响会不会导致车辆失稳。一切都是基于完美附着系数路面的假设，所有的横纵向加速值都是基于完美路面的最保守值。

这种差距，在自动驾驶从“0到1”（实现基本功能）到“1到100”（提升性能和可靠性）的演进过程中，将会变得尤为突出。

算法选择：没有银弹，只有最适合

几种控制算法的特点：

PID控制：简单实用，但不适合需要复杂前馈的场景。模型预测控制（MPC）：能够处理约束，预测未来状态，但计算量大。神经网络MPC（NNMPC）：用神经网络替代传统模型，需要数据训练，计算耗时巨大，适合延迟大的系统。

横向控制（转向）和纵向控制（速度）应该分开处理。车辆纵向建模复杂，传动效率损失难以精确建模；但横向模型是可以建立的，从2DOF到3DOF再到6DOF，精度逐渐提升，复杂度也相应增加。

调参没有“玄学”，只有理解不足

一个很扎心的观点：“不存在玄学调参的情况。”

每个算法的输入和输出都有确定的关系，如果出现“玄学调参”，只可能是两种情况：算法逻辑出错，或者对算法的理解不足。

这让我想起很多工程领域的“神秘主义”倾向——当我们不理解一个系统时，往往会用“经验”“直觉”来掩盖知识的缺失。而真正的高手，能够清晰地解释每个参数的作用，每个调整背后的原理。

车辆物理：被忽视的关键变量

控制算法不能只面对规划，还要面对车辆和道路。这意味着控制算法需要处理的不仅仅是“跟踪规划轨迹”这一个任务，还包括：

• 方向盘零偏的补偿

• 斜坡路面的影响

• 车身传感器零偏的校准

更深入一层，车辆本身的特性也会影响控制算法的表现。大型SUV往往比C级车操控性能更稳，对激励扰动的稳定性也更好。这意味着在SUV上运行良好的控制算法，在轿车上可能出现蛇形等各种性能问题。

纵向控制：扭矩是最好的接口

在电动汽车的加速控制上，扭矩是最好的接口，速度接口最差。

很多控制系统喜欢用速度作为控制目标，因为直观、容易理解。但从车辆动力学的角度来看，扭矩才是更底层的控制量，能够更直接、更精确地控制车辆的运动状态。

同样，在减速控制上，由于Bosch等供应商的限制，可能无法直接调用ESP的主缸压力接口，只能使用速度或距离接口——这显然不是最优解。这就引出了一个更深层的问题：控制算法的性能，不仅取决于算法本身，还受限于执行器的开放程度。

结语：承认问题，才能根本解决问题

承认自己模块有问题，才有契机去探究根因，才能找出解决问题的最佳模块。

这不仅是技术问题的解决之道，也是一种值得尊敬的工程态度。在复杂的系统中，问题往往是耦合的，感知的问题可能是规划的问题，规划的问题可能是控制的问题，控制的问题可能是执行器的问题。只有在团队内部建立起“先向内看”的文化，才能真正找到问题的根源，而不是把问题推到上游或下游。

对于自动驾驶行业而言，当大家都在追逐“高级别自动驾驶”“端到端”“大模型”这些热点时，那些深耕控制算法、研究车辆动力学、理解执行器特性的工程师们，正在默默支撑着系统的最后一公里。

真正决定自动驾驶体验的，从来不是酷炫的算法名称，而是对物理世界深刻理解后，做出的每一个精准控制。