编者语：后台回复“入群”，加入「智驾最前沿」微信交流群
在自动驾驶的技术架构中，如果将感知系统比作车辆的眼睛，将规划决策比作大脑，那么控制模块则毫无疑问是车辆的“手脚”。这一模块的职责是将大脑生成的驾驶指令转化为具体的物理动作，确保车辆在复杂的物理世界中能够精准、平稳、安全地按照预定轨迹行驶。控制模块的工作其实可以拆解为纵向控制和横向控制两个核心维度，纵向控制负责管理车辆的行驶速度和前后距离，而横向控制则负责掌控方向盘的转向角度。这两个维度并不是孤立存在的，它们在执行层的紧密配合，直接决定了自动驾驶汽车的驾驶质感和安全上限。
纵向控制的作用
纵向控制的最基本任务是实现对车辆速度的精确调节，这涵盖了从静止启动、巡航行驶到紧急制动的全过程。在自动驾驶的日常场景中，纵向控制模块需要实时接收规划层下发的期望速度和期望加速度，并通过算法调节驱动系统的扭矩输出以及制动系统的压力分配。为了实现稳定的跟车，控制系统会引入时距（THW）和碰撞时间（TTC）作为安全约束指标，确保在本车与前车之间维持一个动态的安全缓冲区。
图片源自：网络
纵向控制面临的最大挑战在于车辆动力学特性的非线性，不同车速下的空气阻力、坡道带来的重力分量、甚至轮胎气压的细微变化，都会改变车辆对控制指令的响应。为了解决这一问题，现在的控制算法会采用前馈控制与反馈控制相结合的策略。前馈控制基于预先建立的车辆动力学模型，根据期望加速度计算出一个理论上的驱动力；而反馈控制（通常采用比例-积分-微分，即PID算法及其变种）则根据实际车速与目标车速的偏差进行实时微调，以消除模型不精确带来的误差。此外，针对制动系统存在的物理响应滞后，控制模块需要引入延时补偿策略，通过状态预测提前下达压力指令，从而缩短刹车距离。
乘坐舒适性是纵向控制的另一个重要考量维度。在自动驾驶中，衡量舒适性的关键指标是加加速度，即加速度的变化率。如果控制模块输出的加速度指令过于突兀，乘客就会感到明显的顿挫或“点头”现象。为了模拟老司机的风格，百度Apollo等主流自动驾驶框架会在速度规划中加入非线性优化算法，通过惩罚加加速度的剧烈波动来实现平滑的动力切换。在制动阶段，系统还会配合防抱死制动系统（ABS），将轮胎的滑移率严格控制在20%左右的理想区间，以保证在获得最大制动力的同时，依然维持车辆的纵向稳定性。
纵向控制关键任务 | 核心实现目标 | 关联传感器与执行器 |
巡航速度控制 | 维持恒定车速，消除路面阻力干扰 | 电机控制器、发动机ECU |
跟车距离管理 | 动态调节车间距，平衡效率与安全性 | 毫米波雷达、激光雷达 |
平顺性优化 | 限制加加速度，提供拟人化驾驶感受 | 惯性测量单元（IMU） |
紧急制动（AEB） | 在危急情况下迅速建立制动压力 | 线控制动系统（iBooster/EMB） |
横向控制的作用
横向控制的职责是引导车辆沿着规划的几何路径行驶，其本质是消除车辆当前位姿与参考路径之间的偏差。这种偏差由横向距离误差和航向角误差两部分组成。横向控制模块需要根据当前的车辆速度、航向和位置，计算出最合适的转向指令，并发送给电子动力转向系统（EPS）。在算法演进的过程中，横向控制经历了几何模型到动力学模型的转变，以适应从低速园区到高速公路的全场景需求。
图片源自：网络
低速工况下，车辆被简化为运动学自行车模型，这种模型假设车辆没有侧滑，转向完全由几何关系决定。纯追踪（Pure Pursuit）算法便是其中的代表，它在参考路径上寻找一个前视点，通过计算圆弧路径来实现路径跟随。然而，当车速升高时，轮胎侧偏特性的影响变得不可忽略。此时，Stanley算法或基于二自由度动力学模型的控制策略则表现更优，它们能够补偿由于高速过弯产生的离心力导致的路径偏移。对于更高精度的需求，线性二次型调节器（LQR）和模型预测控制（MPC）则通过建立复杂的状态空间方程，不仅最小化当前的跟踪误差，还兼顾转向能量消耗和未来的偏差走势。
横向控制的性能表现受到执行器物理特性的制约。像是转向电机的响应频率、转向柱的摩擦力以及传感器的测量抖动，都可能导致方向盘在行驶中出现高频摆动。为了应对这些问题，控制模块需要引入高确定性的时间同步协议，将指令执行的抖动控制在微秒级。同时，算法还需要具备对路面附着系数的估计能力，在湿滑或冰雪路面上主动减小转向增益，防止车辆发生侧滑失控。在自动驾驶系统中，横向控制不再是机械地跟随线条，而是需要根据环境曲率的变化，动态调整转向的“柔顺度”，从而在弯道中提供稳健的循迹感。
横向控制算法 | 主要特点 | 典型应用场景 |
纯追踪算法 | 逻辑简单，依赖前视距离，低速稳定 | 自动泊车、低速物流车 |
Stanley算法 | 考虑前轮偏差，高速鲁棒性较好 | 车道保持辅助（LKA） |
LQR算法 | 综合多状态变量，优化全局偏差代价 | 高速公路领航驾驶 |
MPC算法 | 具备前瞻性，支持复杂约束优化 | 紧急避障、极限过弯 |
横纵向耦合与物理极限下的底盘执行冗余
在真实的交通场景中，车辆的横向运动和纵向运动是通过轮胎与地面的摩擦力耦合在一起的。根据摩擦圆理论，一个轮胎能够提供的总附着力是恒定的，这意味着如果纵向驱动力占据了过多的抓地力，车辆在转向时能够利用的侧向力就会相应减少。因此，高阶自动驾驶控制模块必须具备横纵向耦合控制的能力。如在高速进入大曲率弯道时，控制系统需要主动降低纵向速度，为横向转向留出足够的附着力裕量，避免车辆因推头而偏离轨迹。这种耦合不仅体现在算法层面，也体现在规划模块传递给控制模块的多维轨迹信息中，这些信息会包含每个时间点的坐标、航向、车速以及期望曲率。
图片源自：网络
线控底盘技术（X-by-Wire）是实现这些复杂控制策略的物质基础。线控转向（SBW）和线控制动（iBooster/EPB）取消了传统的机械连接，代之以电信号传输，这使得控制模块能够以更快的响应速度直接干预底盘动作。线控转向系统还可以实现传动比的动态调节，在低速时减少转向圈数，在高速时增加转向稳定性，甚至能通过模拟回正力矩为算法提供更细腻的反馈。为了确保系统在执行端万无一失，线控底盘会配备冗余的控制器和电源。在自动驾驶L3级及以上标准中，系统必须满足极高的失效率要求（如FIT10标准），即在极长时间运行中仅允许极低概率的故障发生。
最后的话
随着自动驾驶技术的发展，自动驾驶控制模块正朝着更加集成化和拟人化的方向发展。底盘域控制器的出现，横向、纵向以及垂向控制（主动悬架）将深度融合，通过统一的算力平台实时优化车辆的姿态。数据驱动的方法也正被引入控制领域，通过学习人类驾驶员在复杂路况下的处理方式，使自动驾驶车辆在极端工况下也能表现出更加从容、自然的驾驶风格。
-- END --
