引用格式
英文：Huang X, Xu S, Cao Y, Li S, Wang J, Li K. Artificial Intelligence-Empowered Trajectory Tracking Control for Autonomous Vehicles: A Survey on Applications, Frameworks, and Future Trends[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2026, early access. DOI: 10.1109/TSMC.2026.3699694.
主要贡献
本文系统综述了人工智能赋能的自动驾驶车辆轨迹跟踪控制方法。与传统综述将模型控制和学习控制分成两个相互独立类别不同，文章重点关注二者之间的混合区域，即如何把车辆动力学知识、经典控制框架与数据驱动学习能力结合起来。作者认为，轨迹跟踪已经不再只是一个单纯的控制器设计问题，而逐渐演变为同时涉及动力学建模、优化、学习和硬件部署的系统工程问题。
文章将现有AI赋能轨迹跟踪方法概括为三种主要模式。第一类是AI增强动力学学习，利用神经网络、高斯过程、物理信息机器学习、Koopman算子以及在线残差学习等方法提高预测模型精度，重点解决传统车辆模型难以描述轮胎非线性、参数变化、复杂地形和未建模动力学的问题。该路线通常仍然保留MPC等经典控制结构，只让AI承担模型辨识、关键参数估计或不确定性补偿任务，因此能够较好地兼顾数据驱动适应性与传统控制理论。
其中又可以进一步分为整车动力学学习、模块化关键参数辨识、Koopman高维线性化和在线不确定性补偿。相比直接让神经网络完全替代车辆模型，作者比较重视“只学习传统模型不知道的部分”这一思路。例如，可以保留名义动力学模型，只利用网络学习模型残差；也可以仅辨识轮胎侧偏刚度、非线性轮胎力等高不确定性参数。这种部分学习方法具有更好的数据效率和物理可解释性。
第二类是模仿学习引导的策略生成。这一路线开始从传统的“先建模、再控制”转向直接利用专家数据生成控制策略。一种方法直接学习状态到转向、驱动或制动指令之间的映射，例如利用神经网络蒸馏MPC，将原本需要在线求解的优化控制律转化为快速神经网络推理；另一种方法则不直接学习控制动作，而是通过逆最优控制或逆强化学习从专家驾驶轨迹中反推出控制目标和代价函数，使MPC等控制器自动获得兼顾跟踪精度、舒适性和驾驶风险的权重。
第三类是强化学习增强的自适应控制。文章并没有把重点只放在端到端RL直接输出转向指令，而是特别强调RL与经典控制器形成的混合架构。RL既可以作为残差控制器，与MPC等基准控制器并联，只负责补偿模型无法描述的部分；也可以作为上层参数调节器，在线改变观测器带宽、控制器增益、MPC终端代价或者多个控制器之间的权重。这样既利用RL的在线适应能力，又让传统控制器提供基本的稳定性和安全边界。
文章还专门讨论了AI控制真正上车以后面临的问题。首先是计算平台。作者统计发现，目前相关实车验证仍然大量依赖工业PC，而桌面GPU受功耗和安装空间限制并不适合量产车辆，因此研究正在向Jetson等边缘AI平台迁移。相应的算法路线包括把大量计算从在线阶段转移到离线训练阶段、利用物理先验减少神经网络需要学习的维度，以及让AI只以较低频率调节传统控制器参数，把高频控制仍然交给确定性算法。
其次是安全性和Sim2Real问题。学习控制器在仿真中表现很好，并不意味着能够直接用于真实车辆，因为真实系统还存在传感器噪声、执行器死区和饱和、通信与执行时滞以及无法完全覆盖的外部扰动。文章总结了在线辨识、混合控制、状态空间对齐、领域随机化和数字孪生等解决路线，并认为较现实的方式仍然是让知识驱动控制器提供稳定基线，再由学习模块处理剩余的不确定性。
另一个很值得注意的问题是上游不确定性。实际轨迹跟踪控制器接收到的参考轨迹并不是绝对准确的，感知噪声、定位误差和规划轨迹不连续都会传递到底层。作者因此提出，未来轨迹跟踪不能只研究控制器怎样对已有误差进行被动补偿，而要把风险感知、概率约束和安全过滤机制进一步纳入控制过程，从“被动容忍上游误差”转向主动风险管理。
在未来趋势方面，文章最终提出的目标相当明确，即推动车辆轨迹跟踪从被动、反应式执行任务向主动认知控制转变。具体方向包括统一的跨平台测试基准、复杂动力学与多任务适应、考虑真实车辆动力学的多车协同，以及大模型和具身智能与低层控制的结合。
其中大模型部分尤其有意思。作者并不认为LLM或VLA模型目前适合直接输出安全关键的高频车辆控制量，因为其推理延迟可超过100 ms，而且存在语义幻觉风险。更现实的架构是让大模型作为1–5 Hz左右的低频“认知监督器”，理解环境、调整控制目标、代价权重和约束，而由100 Hz左右的低层控制器负责真正的车辆动力学执行。这样，高层AI负责“理解应该怎样开”，低层控制负责“保证物理上确实能够这样开”。
引用角度
首先，在AI与传统车辆控制融合方面，这篇论文非常适合作为总述性引用。它没有简单把模型控制和学习控制对立起来，而是提出AI增强动力学模型、模仿学习生成策略和RL增强自适应控制三类融合模式，可以用于建立AI赋能轨迹跟踪控制的总体分类框架。
其次，在数据驱动车辆动力学建模方面，可以引用其Mode 1。尤其适合讨论神经网络残差模型、高斯过程、轮胎参数在线辨识、Physics-Informed Machine Learning以及Koopman模型如何与MPC等传统控制方法结合。它很适合作为“AI不是替代车辆模型，而是修正和增强车辆模型”这一技术路线的综述依据。
第三，在利用学习方法降低MPC在线计算负担方面，可以引用Mode 2中MPC策略蒸馏和神经网络优化求解器相关内容。前者把离线求解得到的MPC策略学习成网络，在线阶段只进行前向推理；后者则保留MPC优化框架，让神经网络加速求解。这两种方法可以很好地区分“用AI替代控制器”和“用AI加速控制器”。这个方面也可以顺手引一下我们的工作：Bai G, Meng Y, Liu L, et al. Path tracking for car-like robots based on neural networks with NMPC as learning samples[J]. Electronics, 2022, 11(24): 4232.
第四，在强化学习与MPC、PID、Pure Pursuit等传统控制器融合方面，这篇综述也很有价值。特别是它总结了残差RL和间接RL两条路线，一种让RL负责模型之外的补偿量，另一种只让RL调整控制参数、代价函数或多个控制器权重，可以用于说明当前研究已经逐渐从完全端到端RL转向具有安全基线的混合控制。
第五，在复杂工况与车辆物理极限方面，这篇也很适合引用。文章不仅讨论普通结构化道路，还专门涉及自动驾驶赛车和非结构化越野环境，并把轮胎饱和、车辆—地形相互作用、横向稳定性和侧翻风险等因素看作AI轨迹跟踪必须处理的问题。作者还特别指出，只考虑高层规划而忽略真实车辆动力学可能产生“策略上最优但物理上无法执行”的轨迹。 这个和你最近写“附着极限”“前轮转角速度约束”的思路其实很搭。
第六，在Sim2Real和实车部署方面，可以用它作为比较新的综述依据。论文系统讨论了硬件算力、执行器和传感器非理想特性、领域随机化、数字孪生、在线辨识和安全基线控制器等问题，适合用于说明AI轨迹跟踪从仿真走向实车时真正需要解决的并不只是网络精度问题。
最后，在大模型是否能够直接参与车辆底层控制方面，这篇的判断很适合引用：现阶段大模型更适合作为低频认知和决策层，通过调整控制目标、权重和约束影响底层，而不是直接以高频率输出转向和驱制动指令。这个观点对于讨论未来“AI+MPC”“大模型+控制”的系统架构尤其有价值。
