论文解读——自动驾驶车辆轨迹跟踪控制:模型与策略的系统性PRISMA综述

引用格式

英文：Albhaisi M S, Prauzek M, Minh T T H, Ozana S, Konecny J. Trajectory tracking control for autonomous vehicles: A systematic PRISMA review of models and strategies[J]. Annual Reviews in Control, 2026, 61: 101047. DOI: 10.1016/j.arcontrol.2026.101047.

主要贡献

本文是一篇面向无人驾驶车辆轨迹跟踪控制的系统综述，按照PRISMA系统综述框架，对近年来车辆模型、传统控制、自适应控制以及机器学习和神经网络方法进行了分类整理。作者将轨迹跟踪方法总体划分为规则驱动方法、自适应方法和学习驱动方法，并从控制精度、计算复杂度、鲁棒性、实时适应能力以及工程实现等角度比较不同技术路线的特点。文章同时讨论了车辆模型选择、硬件约束、嵌入式计算以及传感器融合等问题，试图将算法研究与真实车辆部署联系起来。

在文献筛选方面，文章检索Web of Science和IEEE Xplore，时间范围为2020—2024年，纳入英文同行评议期刊论文和会议论文，并排除非无人驾驶车辆应用、无关控制方法、预印本和摘要等文献。论文按照PRISMA流程共筛选1313篇文献，经过标题摘要筛选和全文评估后，最终纳入137篇研究进行分析。 这种处理使本文不仅是一般性的技术罗列，而是试图以较为明确的检索和筛选流程建立无人驾驶车辆轨迹跟踪控制的近期研究图谱。

文章首先对路径跟踪和轨迹跟踪进行了区分。作者将路径跟踪理解为使车辆沿给定空间路径运行，主要关注横向位置误差和航向误差，而轨迹跟踪还包含时间维度，需要同时考虑位置、航向和速度等状态。因此，本文重点讨论轨迹跟踪，同时也纳入已经被用于轨迹跟踪的MPC、PID、LQR等方法，而仅用于路径跟踪、尚未展示轨迹跟踪应用的方法则原则上不纳入综述范围。

在车辆模型方面，文章比较了运动学模型、动力学模型、混合模型、Ackermann模型、线控转向模型以及四轮独立转向、四轮独立驱动车辆模型。运动学模型结构简单、计算量较小，更适合低速工况，但难以描述轮胎侧滑和高速动力学；动力学模型能够考虑轮胎力、惯性及侧滑特性，更适合高速和极限工况，但计算量和参数标定要求更高。作者因此强调，车辆模型的选择本质上也是模型精度与计算成本之间的折中。

在控制方法分类方面，规则驱动方法又被进一步划分为基于模型的反馈控制、非模型反馈控制和几何控制。其中，基于模型的方法主要包括LQR、MPC和反步控制，非模型方法主要包括PID、滑模控制和模糊控制，几何方法则包括Pure Pursuit和Stanley。与此对应，自适应与学习方法包括遗传算法、粒子群等优化算法，以及机器学习、强化学习、深度学习和神经网络等方法。文章通过这一分类框架展示了轨迹跟踪控制从简单几何控制、传统反馈控制，到模型预测控制，再到自适应与人工智能增强控制的发展趋势。

MPC是文章重点梳理的模型控制方法之一。作者认为MPC能够利用滚动预测处理车辆动力学和控制约束，具有多变量优化以及预瞄能力，在复杂、高速工况中具有较高的控制精度，但其主要问题仍然是计算复杂度和对模型精度的依赖。文章进一步梳理了线性MPC、NMPC、LPV-MPC、鲁棒MPC、自适应MPC以及分层MPC等多种发展路线，同时讨论了神经网络增强MPC、强化学习调节预测时域、ADMM加速求解和曲率前馈MPC等近期工作。

文章还试图对不同类型控制方法进行横向比较。其表9将规则驱动、自适应和学习驱动方法分别从平均横向误差、实时性、鲁棒性、适应能力和计算成本等方面进行概括。按照作者的总结，规则驱动方法通常具有较低计算成本和较高实时可行性，但适应性相对不足；自适应方法能够提高对扰动和参数变化的鲁棒性，计算成本处于中间水平；学习驱动方法在复杂非线性环境中的适应性和潜在精度较高，但计算成本和工程实现难度也相应增加。需要注意的是，表中的误差范围并不是对137篇文献进行统计后得到的统一结果，而主要来自Hossain等人和Xie等人的具体比较实验，因此更适合作为定性趋势参考，而不能理解为不同控制技术总体性能的严格统计排名。

相比许多主要停留在算法分类层面的综述，本文还专门讨论了轨迹跟踪控制的工程实现问题。作者认为，从仿真走向真实无人驾驶车辆以后，控制器还需要面对执行器饱和、传感器噪声、故障以及嵌入式处理器计算能力有限等约束。尤其对于MPC和深度学习方法，较高的计算负担可能超过车载嵌入式平台的实时处理能力，因此求解器加速、轻量化学习模型以及传统控制与智能算法的混合架构具有较大的工程意义。

在未来研究方向方面，作者将主要挑战归纳为算法与部署、车辆模型与真实环境约束以及可持续性三个方面。算法层面需要进一步解决学习方法的泛化能力、鲁棒性、计算成本以及多传感器信息融合问题；车辆模型方面则需要提高复杂路面、轮胎动力学和载荷变化条件下的预测精度，并探索物理模型与数据驱动方法相结合的混合建模；与此同时，能量消耗也被纳入轨迹跟踪控制研究，需要通过能量感知MPC、强化学习优化、再生制动和低功耗计算硬件等手段，在控制性能与能源效率之间进行协调。

文章最终认为，传统控制方法仍然具有结构简单、计算效率较高的优势，但在复杂动态环境中的实时适应能力有限；学习方法能够提高复杂环境下的适应性，却会带来更高的计算复杂度和工程部署难度。因此，未来比较值得关注的方向并不是简单用人工智能替代经典控制，而是利用混合控制架构，将传统控制方法的可解释性、稳定性和实时性优势，与人工智能方法的自适应能力结合起来。作者同时指出，传感器融合、能源管理和真实环境验证仍然是无人驾驶车辆轨迹跟踪进一步发展的关键问题。.

主要局限

本文首先值得商榷的是对路径跟踪与轨迹跟踪的划分。作者认为，路径跟踪主要关注车辆沿给定空间路径运行，而轨迹跟踪还包含时间维度，需要同时满足位置、航向和速度等随时间变化的参考要求。就概念定义而言，这种区分本身没有问题。但对于一篇控制方法综述而言，把这种任务层面的差异直接作为控制方法和文献筛选的边界，多少显得过于死板。

Pure Pursuit和Stanley等几何方法就是最典型的例子，它们主要根据车辆与参考路径之间的几何关系产生转向控制量，本身并没有足够的控制维度去严格区分路径跟踪和轨迹跟踪。同一个Pure Pursuit控制器，在恒速条件下可以被称为路径跟踪，与一个独立的速度控制器组合以后又可以被整个系统称为轨迹跟踪，但负责横向控制的算法本身并没有本质变化。

即便对于MPC，路径跟踪与轨迹跟踪在方法层面也未必存在明显分界。很多所谓轨迹跟踪研究，无非是在既定空间路径上再给定一个随时间变化的速度，而速度本身甚至并不是控制器直接求解的控制量。车辆仍然主要根据横向误差、航向误差等信息计算转向，只不过参考速度从常数变成了时变量。对于这种研究，把它称为路径跟踪还是轨迹跟踪，更多是任务描述上的区别，而不是控制方法发生了本质变化。MPC虽然可以把速度纳入状态和目标函数，但如果纵向与横向动力学之间没有形成实质耦合，速度变化也没有改变车辆的可行控制边界，那么增加一个速度参考并不足以构成一种方法学意义上明显不同的“轨迹跟踪控制”。

真正可能使二者出现实质区别的，是车辆进入需要同时考虑纵向与横向动力学约束的工况。例如高速转弯、紧急避障或者接近操纵稳定性极限时，纵向加减速会占用轮胎附着能力，进而改变可获得的侧向力，此时速度跟踪、路径跟踪和车辆稳定性不再能够彼此独立。若控制器明确考虑摩擦圆或摩擦椭圆、轮胎力约束、质心侧偏角、横摆稳定性以及纵横向控制量之间的耦合，那么给定的速度轨迹就会真正改变路径跟踪问题本身，轨迹跟踪才表现出相对于普通路径跟踪更明显的方法学差异。反过来说，大量只是在路径跟踪基础上加入变速参考、却没有涉及这些纵横向耦合与稳定性边界的所谓轨迹跟踪研究，本质上仍然可以看作变速条件下的路径跟踪。

因此，我认为本文把path tracking和trajectory tracking作为综述范围的重要划分依据，本身就有些过于拘泥于术语。两者在概念定义上当然可以区分，但对于大量车辆控制方法而言，这种概念差异并不会自然转化为算法层面的差异。尤其当速度并非直接控制量、纵横向控制基本解耦、车辆又远离附着极限时，将二者作为两类明显不同的控制问题来筛选文献，反而容易人为割裂本来属于同一技术脉络的研究。

其次，本文虽然在标题和摘要中明确称自己为systematic PRISMA review，并声明遵循PRISMA框架，但其方法学完整性仍有值得讨论之处。作者确实给出了数据库、检索时间范围、检索式、基本纳入排除条件和PRISMA筛选流程图，并报告了从1313篇初始记录最终筛选出137篇研究的过程，因此不能说PRISMA完全只是一个标题标签。 但从全文公开的信息来看，文章对于系统综述中一些很重要的过程交代得并不充分，例如没有明确说明文献筛选由多少研究者完成、是否独立筛选以及分歧如何解决，也没有系统介绍数据提取流程和不同指标如何统一编码。全文同样没有看到对纳入研究进行明确的质量评价或偏倚风险评价，也没有找到protocol或registration相关说明。 因而，我更愿意把本文理解为一篇采用了PRISMA文献检索和筛选框架的控制方法综述，而对于其是否已经在报告和证据综合层面充分达到PRISMA系统综述的完整要求，则仍存一定疑问。

这一问题会进一步影响后面的横向比较。文章将不同控制方法从精度、实时性、鲁棒性、适应性和计算成本等维度进行总结，这种比较很直观，但部分定量结果并不是137篇文献经过统一评价和统计综合以后得到的。例如表9中的平均横向误差范围主要来自Hossain等人和Xie等人的特定比较实验，而不是对规则驱动、自适应和学习驱动方法进行统一条件下的meta分析。 在车辆模型、速度、路径、控制周期、仿真平台和误差定义都可能不同的情况下，把少数论文的实验结果进一步概括为不同技术类别的整体性能，容易给读者造成比实际证据更强的比较印象。因此，本文关于“哪一类方法更准确、更鲁棒或者更具适应性”的总结，更适合作为定性趋势判断，而不宜理解为严格意义上的横向性能排名。

此外，本文的检索范围本身也比较有限。作者主要检索Web of Science和IEEE Xplore，限定2020—2024年英文同行评议文献，并明确排除预印本和非英文研究。 对于希望总结“近期研究现状”的综述，这种范围当然可以理解，但如果文章进一步讨论轨迹跟踪控制方法的发展脉络，这一时间窗口和数据库范围就可能遗漏相当一部分更早的基础工作以及未被两大数据库充分覆盖的研究。作者在结论中也承认，主要关注2020—2024年的研究可能排除更早但仍然重要的方法，从而限制历史比较。 因此，这篇综述比较适合作为近几年无人驾驶轨迹跟踪控制研究的分类性参考，但不宜被视为对整个路径跟踪与轨迹跟踪控制发展脉络的完整梳理。

引用角度

首先，在无人驾驶车辆轨迹跟踪控制综述和技术分类研究方面，本文对2020—2024年的相关研究进行了系统检索，并将现有控制策略整理为规则驱动、自适应和学习驱动三类，同时进一步细分MPC、LQR、PID、滑模控制、Pure Pursuit、机器学习和神经网络等技术路线。相关论文在梳理轨迹跟踪控制研究现状、说明不同控制方法之间的技术关系时，可以引用本文的分类框架。

其次，在车辆模型选择方面，本文系统比较了运动学模型、动力学模型和更复杂车辆模型在计算量、模型精度以及适用工况上的差异。针对低速路径跟踪、高速车辆控制、极限工况控制或者模型精度与实时性折中等研究，可以引用本文关于不同车辆模型优缺点和应用范围的总结。

再次，在不同轨迹跟踪控制方法的性能特点和发展趋势研究方面，本文对规则驱动、自适应和学习驱动方法在实时性、鲁棒性、适应能力和计算复杂度上的特点进行了比较，并认为混合式控制逐渐成为重要发展方向。对于讨论传统MPC与人工智能、自适应优化、强化学习以及神经网络结合的研究，可以利用本文论证经典控制与学习方法之间的互补关系。

最后，在轨迹跟踪工程实现和未来研究方向方面，本文专门讨论了执行器饱和、传感器噪声、故障、嵌入式算力、多传感器融合、模型精度和能源效率等问题。对于研究MPC实时性、控制算法工程部署、学习控制泛化能力、仿真到实车迁移以及智能控制与传统控制融合的论文，这篇综述都可以作为较新的背景文献使用。

整体来看，这篇文章的价值不在于提出某一种新的轨迹跟踪算法，而在于把近年来无人驾驶车辆轨迹跟踪中的车辆模型、经典控制、自适应算法、机器学习以及工程部署问题放到同一个体系中进行整理。对于需要快速了解近几年无人驾驶轨迹跟踪控制研究版图，或者需要为MPC、人工智能控制、车辆模型选择和工程实现寻找综述性引文的研究者，这篇文章具有较高的参考价值。