商用车端到端自动驾驶详解(下):控制、换挡与执行闭环

上篇讲到，端到端模型最终不应该只吐出一个模糊的“往前开”，而应输出未来几秒的轨迹、速度、行为意图或代价。下篇进入更硬的部分：控制层如何把这条轨迹兑现成真实车辆动作。对商用车来说，控制不是“油门、刹车、方向盘”三个滑块，而是一整套闭环：轮端力怎么算，动力和制动怎么分配，转向角怎么限速，转向灯什么时候开关，挡位什么时候提前切换，TCU 回报什么才算成功，失败时如何降级。

为了把这件事讲透，我们用一个贯穿案例：一辆 40 吨牵引车带挂车在 80km/h 高速巡航，前方 1.5% 上坡且有慢车，需要提前判断是否并线、是否维持速度、是否降挡、是否打开转向灯、是否能在目标车道稳定居中。这个场景看起来很日常，却足以把感知、决策、规划、控制、换挡和执行反馈全部串起来。

图 1：Arnold NextG 的 Drive-by-Wire 测试车辆资料图：自动驾驶算法必须通过线控执行层才能真正控制油门、制动和转向。 图片来源：https://www.arnoldnextg.com/company/blog/the-symbiosis-why-drive-by-wire-and-autonomy-are-inseparable

一、控制层的位置：它是自动驾驶的肌肉和反射弧

控制层收到的不是原始图像，而是规划层输出的轨迹。轨迹一般包含未来每个时刻的 x、y、航向、曲率、速度、加速度，有时还带目标车道、行为状态、让行关系、停止线、转向灯请求和换挡建议。控制层要做的第一件事，是比较“我现在在哪里”和“轨迹希望我在哪里”。横向误差 e_y、航向误差 e_ψ、速度误差 e_v、加速度误差 e_a，是控制器最常看的量。

然后控制层会分成纵向和横向两条主线。纵向负责速度、加速度、驱动力、制动力、挡位和能量回收；横向负责方向盘角、前轮角、横摆率、横向位置和车道居中。商用车还要加一层“执行协调”：同一个减速度可以来自发动机制动、缓速器、EBS 服务制动和挂车制动；同一个加速度可以来自发动机扭矩、电机扭矩或挡位变化；同一个并线动作既要转向，又要提前打转向灯，还要保证挂车扫掠空间。

所以控制层不是模型的附属品。它是把神经网络输出变成机械动作的翻译器，也是最后一道快速反射弧。模型慢一点可以容忍，控制闭环不能慢；模型偶尔不确定可以降级，制动命令必须明确；规划可以表达意图，执行器只认有限、带单位、带超时的命令。

二、纵向控制：先算轮端力，再决定油门还是制动

纵向控制最朴素的目标，是让车速跟上规划速度。但工程上不能只做 PID 调速，因为车要面对坡度、风阻、滚阻、质量变化、挡位变化、制动滞后和发动机/电机扭矩边界。更好的做法是先估算目标轮端力，再把轮端力分配给驱动、制动和挡位。

这两个公式的意思很直白：你想让车产生某个加速度，就要克服车辆惯性、坡度、滚阻和空气阻力；需要的轮端力乘以轮胎半径，就是轮端扭矩。端到端规划如果希望车在上坡还继续加速，控制层必须检查当前动力总成能不能提供这么多轮端扭矩。提供不了，就不能硬跟踪；要么提前降挡，要么降低加速度目标，要么拉大跟车距离。

图 2：纵向控制先把规划加速度转换成轮端力和轮端扭矩，再决定驱动、制动和换挡。

实际控制器会在前馈和反馈之间做组合。前馈来自上面这种车辆模型，它提前补偿坡度、风阻和滚阻；反馈来自速度误差和加速度误差，用 PID、LQR 或 MPC 修正模型误差。商用车常见做法是前馈给出基础驱动/制动需求，反馈慢慢修，限幅器保证踏板、扭矩、制动压力变化率不会让车辆顿挫。

三、油门怎么给：不是踏板百分比，而是驱动扭矩请求

在传统车上，驾驶员踩油门，发动机 ECU 根据踏板位置、转速、负荷、排放和变速箱状态决定喷油或电机扭矩。自动驾驶系统接管后，最理想的接口不是“模拟一个脚去踩踏板”，而是通过车辆接口请求目标扭矩、目标加速度或虚拟踏板。不同平台开放程度不同：有的通过 J1939 或专用 CAN 请求发动机扭矩，有的通过线控套件转成踏板传感器信号，有的新能源平台直接给 VCU 目标轮端扭矩。

控制层给油门时通常遵循四个约束。第一，不能超过轮胎附着和舒适性限制；第二，不能超过发动机/电机当前转速下可用扭矩；第三，不能与换挡过程冲突，换挡时要先卸载扭矩；第四，不能与制动同时打架，除非是特定的坡道保持或扭矩填充策略。

油门是否到位，不是看命令发出去了没有，而是看反馈是否收敛。典型反馈包括发动机实际扭矩百分比、发动机转速、电机实际扭矩、车速、纵向加速度、驱动轴扭矩估计。控制器会判断：目标加速度和实际加速度误差是否小于阈值，扭矩响应是否在允许时间内到达，车速是否按预期变化，是否有发动机限扭、热保护、牵引力控制介入或通信超时。

图 3：Knorr-Bremse 电子制动控制产品图。EBS 能把制动意图转成轴/轮侧压力控制，并向自动驾驶提供可控的制动执行路径。 图片来源：https://truck.knorr-bremse.com/en/de/products/brake-control/electronic-braking-control/

四、制动怎么给：EBS、气压滞后和挂车协调

商用车制动控制的难点在于，它不是一个理想的“刹车百分比”。许多重卡使用电控气压制动，EBS 接收制动意图后计算各轴压力，再通过电控气压调制器建立压力。挂车还要通过牵引车-挂车接口协调制动力。也就是说，从制动命令到车轮产生制动力之间，有电控延迟、阀体延迟、气压建立、制动器热状态、轮胎附着和 ABS/ESP 介入。

规划层如果要求很急的减速度，控制层要先判断是否可实现。低附着路面、大质量、长下坡、制动热衰退、挂车负载变化都会改变可用减速度。控制器通常会把目标减速度分解为缓速器/再生制动、发动机制动、服务制动和挂车制动。目标是既要安全减速，又要减少制动磨损和挂车推头。

制动到位的判定通常看三类反馈。第一是运动反馈：实际减速度、车速下降率、轮速一致性。第二是系统反馈：制动压力、EBS 状态、ABS/ESP 是否介入、气压是否足够。第三是安全反馈：轮胎是否接近抱死、横摆率是否异常、挂车是否出现不稳定迹象。如果命令给了但减速度不上来，控制层不能继续假设车会按轨迹停下，必须立刻重规划或触发降级。

图 4：Bendix 电控气压制动系统资料图。商用车制动仍然有气压、阀体、管路和挂车耦合，控制层必须考虑响应滞后和冗余。 图片来源：https://www.bendix.com/en/products/vehicle-dynamics/electropneumatic-braking-systems-ebs/

五、横向控制：从轨迹曲率到前轮角

横向控制负责让车辆沿着规划轨迹走。经典方法包括 Pure Pursuit、Stanley、LQR 和 MPC。Pure Pursuit 像“追前方一个预瞄点”，实现简单、鲁棒性好；Stanley 同时考虑横向误差和航向误差，曾用于高速越野自动驾驶；MPC 则在预测窗口内优化未来一串控制量，可以同时考虑转向角、转向角速率、横向加速度和车辆稳定性约束。商用车高速场景常更偏向带约束的 MPC 或“前馈曲率 + 反馈修正”的组合。

第一条公式是曲率前馈：如果轨迹曲率是 κ，轴距是 L，车辆大致需要一个前轮角 δ_ff。第二条公式是反馈修正：横向偏了就修横向误差，车头方向不对就修航向误差。实际系统还会加上转向角限幅、角速度限幅、轮胎侧偏限制、横向加速度限制和执行器滞后补偿。

图 5：Bosch 商用车电动助力转向/转向执行器资料图。转向控制不是只给一个角度，还要处理速率、力矩、回正和故障降级。 图片来源：https://www.bosch-presse.de/pressportal/de/en/bosch-kompakt-268227.html

转向到位的判定也不是看方向盘角等于命令。更可靠的判据包括：前轮角或方向盘角是否跟踪目标，横摆率是否接近期望，横向误差 e_y 是否收敛，航向误差 e_ψ 是否收敛，转向角速度是否没有饱和，轮胎侧偏估计是否在安全范围。高速重卡如果只追求快速消除横向误差，容易造成横向加速度突变和挂车摆动；所以控制器宁愿慢一点，也要可预测、可恢复。

六、转向灯怎么给：行为状态机，而不是规划图上的装饰

转向灯是一个很小的执行器，却是自动驾驶系统与外部交通交流的重要信号。典型并线流程里，行为决策先进入“准备并线”状态，确认目标车道间隙、速度差、后车风险和法规允许；随后控制层向 BCM 发出左/右转向灯命令，并记录开始时间、闪烁次数和行为状态。许多策略会要求转向灯至少开启一段时间后才真正越线，具体阈值取决于法规、场景和公司策略。

取消转向灯也要靠状态判定。车辆中心越过车道线不代表并线完成，挂车尾部可能还在原车道。更稳妥的取消条件是：自车与挂车都在目标车道安全范围内，横向误差和航向误差收敛，行为状态从 LaneChange 退出到 LaneKeeping，且最短闪烁时间满足。如果 BCM 提供灯光反馈，系统应确认反馈状态；如果只提供命令接口，也至少要有命令回显和超时监控。

七、换挡为什么要提前做：挡位是纵向控制的一部分

很多人以为自动驾驶只控制油门、刹车和方向，挡位交给变速箱自己管就行。对乘用车低速城市场景，这种想法有时还能凑合；对商用车，尤其是柴油重卡或 AMT 重卡，挡位会直接决定轮端力、发动机转速、换挡中断时间、油耗和舒适性。自动驾驶规划层如果看见前方上坡、汇入、超车、限速变化，就应该把未来速度需求传给换挡策略，而不是等车已经掉速再被动降挡。

挡位选择本质上是一个约束优化问题：在未来几秒速度曲线和道路坡度已知的情况下，选择当前挡位、目标挡位和换挡时刻，使发动机/电机工作在合理转速区间，轮端力满足需求，换挡次数不要太多，换挡时的扭矩中断不会破坏安全距离。

这里 g 是挡位，i_g 是该挡位速比，i_0 是主减速比，η 是传动效率，T_eng 是发动机在当前转速下可提供的扭矩。控制器会对每个候选挡位计算发动机转速是否在允许范围、可用轮端力是否大于需求、换挡是否会导致速度掉得过多。

图 6：自动换挡是一个带条件、反馈和超时的状态机。换挡成功必须由 TCU 和车辆运动反馈共同确认。

八、换挡过程怎么执行：从请求到成功确认

以 AMT 或自动变速箱为例，一个安全的自动换挡过程通常包含六步。第一，触发条件：控制层发现未来轮端力不足、发动机转速不合适、燃油经济性更优或规划动作需要更大扭矩。第二，安全检查：当前速度、坡度、跟车距离、横向动作、制动状态和发动机转速是否允许换挡。第三，扭矩卸载：控制层降低驱动扭矩，必要时请求发动机降扭，避免带载强行换挡。第四，发送目标挡位或目标范围请求。第五，监控 TCU 状态：Shift in Process、Selected Gear、Current Gear、输入轴/输出轴转速、离合器滑差或变矩器状态。第六，确认成功后按斜率恢复驱动扭矩，并把新的动力能力反馈给规划层。

成功判定不能只看 Selected Gear。Selected Gear 表示变速箱打算达到的目标档，Current Gear 才表示当前已经结合或上一已结合档。更稳妥的判据是：Current Gear 等于目标档，Shift in Process 为 0，输入轴/输出轴转速关系符合目标速比，离合器滑差下降到阈值以下，发动机转速没有越界，纵向加速度没有异常跳变。若超过时间还没满足，系统要进入换挡失败处理：保持安全距离、限制加速、必要时降级到最小风险动作。

九、J1939/CAN 反馈：自动驾驶不是单向发命令

商用车底盘通信常见 SAE J1939。J1939 用 PGN 表示一组报文，用 SPN 表示具体信号。变速箱、发动机、制动、车速、踏板、故障码都会在不同 PGN/SPN 中出现。自动驾驶控制器不能只往外发命令，还要持续读取底盘反馈，形成闭环。

一个成熟系统会给每条关键报文加 freshness 检查：时间戳是否新鲜，序号是否连续，信号是否在物理范围内，是否出现 J1939 的无效值或错误值，通信周期是否超时。因为对于自动驾驶来说，旧的 Current Gear、旧的制动压力、旧的转向角都可能比没有数据更危险。

图 7：JTEKT 线控转向与备份电源系统资料图。真正的自动驾驶执行层需要控制器、执行器、通信和备份供电一起成立。 图片来源：https://www.jtekt.co.jp/e/news/2025/004779.html

十、执行器闭环：什么叫油门、刹车、转向灯“给到了”

“命令发出”不是“执行到位”。油门到位，意味着实际扭矩和纵向加速度在允许时间内接近目标；制动到位，意味着减速度和压力响应满足目标且稳定系统没有异常；转向到位，意味着前轮角、横摆率、横向误差和航向误差共同收敛；转向灯到位，意味着 BCM 接收并反馈灯光状态，且行为状态满足打开和取消条件；换挡到位，意味着目标档真实结合并且动力链恢复。

因此控制层每次下发命令都应该带着“期望响应”。例如 100ms 内扭矩应该开始变化，300ms 内加速度方向应该正确，1s 内速度误差应该下降；制动压力应该在某个延迟后建立，横向误差应该在预测窗口内下降，换挡应该在允许时间内结束。到位判定不是固定一个阈值，而是由执行器类型、车速、载荷、坡度和当前状态共同决定。

图 8：控制层必须为每类执行器建立命令、反馈、到位判定和超时降级。

十一、一个可执行的小计算：为什么 80km/h 上坡前要提前降挡

下面这个接近可执行的 Python 例子，把上文的轮端力和挡位选择串起来。它不是完整量产算法，但能帮助理解控制层如何把“上坡保持速度”翻译成“当前挡位是否够用”。

import math

m = 40000          # kg, 牵引车+挂车
v = 80 / 3.6       # m/s
a = 0.10           # m/s^2, 目标轻微加速
grade = 0.015      # 1.5% 上坡
Crr = 0.006
rho, CdA = 1.2, 7.0
rw = 0.50
T_eng = 1900       # Nm, 当前可用发动机扭矩
eta, i0 = 0.92, 2.64
gears = {11: 1.00, 10: 1.25, 9: 1.55, 8: 1.96}

F_req = m*a + m*9.81*grade + Crr*m*9.81 + 0.5*rho*CdA*v*v
wheel_rpm = v / (2*math.pi*rw) * 60
for g, ig in gears.items():
    rpm = wheel_rpm * i0 * ig
    F_avail = T_eng * ig * i0 * eta / rw
    print(g, round(rpm), round(F_avail), F_avail > F_req)

print(round(F_req))

示例结果可以这样理解：当前 11 挡轮端力不足，10 挡接近但裕度不够，9 挡能基本覆盖 1.5% 上坡和 0.10m/s² 目标加速度，同时发动机转速还在可接受范围；8 挡虽然轮端力更大，但可能让发动机转速过高。于是换挡策略会倾向提前降到 9 挡，或者在 9 挡仍无足够裕度时降低目标加速度。

注意，这个决策发生在车真正掉速之前。端到端世界模型看到前方坡道和交通流，规划层知道未来速度目标，控制层知道当前挡位和动力能力，于是系统可以提前换挡。等速度已经掉下来再降挡，跟车距离、汇入窗口和乘坐舒适性都可能变差。

图 9：PlusAI 与 International / TRATON 体系合作的工厂集成自动驾驶重卡展示图，说明 L4 商用车正在从改装样车走向主机厂集成。 图片来源：https://www.plus.ai/solutions/superdrive

十二、安全外壳：当模型和执行器意见不一致时，谁说了算

端到端系统必须有安全外壳。安全外壳不是反对模型，而是为模型定义边界：这条轨迹是否碰撞，是否超速，是否超过横向加速度，是否在 ODD 内，是否需要转向灯，制动是否可实现，当前执行器是否健康，通信是否正常。如果模型给出一个看似漂亮但不可执行的动作，安全外壳要拒绝或修正。

常见安全机制包括轨迹碰撞检查、控制命令限幅、互斥逻辑、双通道计算、状态机守卫、故障诊断、心跳监控和最小风险动作。比如油门和制动不能长期互相打架；换挡未完成时不能突然恢复大扭矩；转向执行器故障时不能继续执行激烈并线；制动压力不足时要扩大安全距离；定位不可信时要退出自动驾驶。

最小风险动作 MRM 是商用车必须认真设计的能力。它不是简单停车，而是根据场景选择安全降速、保持车道、打开双闪、靠右、进入应急停车、请求远程协助或停在安全区域。对重卡来说，随便停在高速主线并不一定安全，所以 MRM 也需要规划、控制和运营策略配合。

十三、调试一辆端到端商用车，看哪些日志字段

真正调车时，工程师不会只看一段视频。他会同时看模型输出、规划轨迹、控制误差、底盘反馈和故障码。尤其是控制问题，很多时候视频看起来只是“顿了一下”，日志里才知道是换挡扭矩卸载太早、EBS 压力建立慢、转向角速率饱和、目标轨迹曲率突变，还是 J1939 报文超时。

一个好用的自动驾驶系统，调试日志应该能复盘“为什么下了这个命令、执行器怎么响应、系统如何判断成功或失败”。这也是端到端工程落地的关键：模型可以复杂，但每一次危险动作都必须能被解释到足够工程层级。

十四、下篇小结：端到端的最后一公里是控制工程

商用车端到端自动驾驶的上半场，是让模型理解世界并给出合理轨迹；下半场，是让控制工程把轨迹兑现成油门、制动、转向、灯光和挡位。没有上半场，车辆不知道该往哪里开；没有下半场，车辆知道得再多也开不稳。真正可商用的系统，必须把端到端模型、车辆动力学、线控执行、J1939/CAN 反馈、安全状态机和数据闭环放在同一张图里。

如果只记住一个判断标准，可以这样问：系统是否知道自己想做什么，是否知道车辆能不能做到，是否能通过反馈证明已经做到，做不到时是否知道怎样安全退出。能回答这四个问题，端到端自动驾驶才从算法演示进入商用车工程。

参考资料

[1] Arnold NextG: Why Drive-by-Wire and Autonomy Are Inseparablehttps://www.arnoldnextg.com/company/blog/the-symbiosis-why-drive-by-wire-and-autonomy-are-inseparable

[2] New Eagle Autonomous Machines / Drive-by-Wire Kitshttps://neweagle.net/autonomous-machines/

[3] Robotics Knowledgebase: Drive-by-wire Conversion for Autonomous Vehiclehttps://roboticsknowledgebase.com/wiki/actuation/drive-by-wire/

[4] Knorr-Bremse Electronic Braking Controlhttps://truck.knorr-bremse.com/en/de/products/brake-control/electronic-braking-control/

[5] Bendix Electropneumatic Braking Systemshttps://www.bendix.com/en/products/vehicle-dynamics/electropneumatic-braking-systems-ebs/

[6] Bosch commercial vehicle solutionshttps://www.bosch-presse.de/pressportal/de/en/bosch-kompakt-268227.html

[7] JTEKT Steer-by-Wire System and Backup Power Supplyhttps://www.jtekt.co.jp/e/news/2025/004779.html

[8] PCS J1939 Communication for Automatic Transmission Controllerhttps://powertraincontrolsolutions.com/download/Released/Public/Developer_Files/PCS%20J1939%20Messages%20v2_1.pdf

[9] CSS Electronics: J1939 Explainedhttps://www.csselectronics.com/pages/j1939-explained-simple-intro-tutorial

[10] Testing and Assessment of a Full-Scale J1939 Network Modelhttps://rosap.ntl.bts.gov/view/dot/145/dot_145_DS1.pdf

[11] Pure Pursuit implementation technical report, CMUhttps://publications.ri.cmu.edu/storage/publications/pub_files/pub3/coulter_r_craig_1992_1/coulter_r_craig_1992_1.pdf

[12] Stanley trajectory tracking control paperhttps://ai.stanford.edu/~gabeh/papers/hoffmann_stanley_control07.pdf

[13] PlusAI SuperDrive 官方页面https://www.plus.ai/solutions/superdrive