发布日期：2025-12-30 浏览：223
随着电动汽车日益依赖软件系统保持稳定、高效与安全，如何在复杂路况下实现比人类驾驶员更快的环境解析能力，已成为自动驾驶技术演进的关键挑战。这一需求正推动工程师重新思考车辆理解自身运动状态的方式。
现代控制系统依赖于对车辆瞬时运动的精确掌握，微小误差便可能影响制动、转向与稳定性，而在自动驾驶系统中这类误差会快速累积。因此，车辆状态估计被工程师视为未来出行的核心基础。然而研究表明，仅靠传统建模方法已难以应对现实道路中的不可预测因素——轮胎形变、路面变化及紧急机动等常超出经典车辆模型的预设范畴。
突破传统：物理模型与AI的融合
由韩国大邱庆北科学技术院（DGIST）南康贤教授领衔，联合上海交通大学、东京大学组成的研究团队，开发出一套基于实体AI的车辆状态估计系统，能实时追踪电动汽车行为动态。该系统聚焦于估计传感器无法直接测量的车辆运动状态，其中最重要的参数之一是侧偏角——该数值反映车辆在转弯或低摩擦路面上侧向滑移的程度，对车辆稳定性具有决定性影响。若驾驶员或自动驾驶系统未能及时检测侧偏角，控制系统可能反应滞后。
传统估计方法因轮胎行为的持续变化而受限，不同路面与速度更增加计算复杂度。为此，研究团队设计出融合物理车辆模型与人工智能的混合估计框架。该系统并非取代物理模型，而是通过数据驱动学习增强其效能，将物理轮胎模型与基于AI的回归方法相结合，通过持续输入测量轮胎横向力的传感器数据，使模型能自适应非线性轮胎行为与环境变化。
核心技术：卡尔曼滤波器与高斯过程回归
该系统的核心是集成无迹卡尔曼滤波器与高斯过程回归的观测器。卡尔曼滤波器保障物理一致性，AI组件则赋予灵活性与学习能力，二者协同实现比传统方法更快、更精确的状态估计。
研究团队在实际电动汽车平台上验证了该系统，测试覆盖多种路面、速度及转弯场景。结果显示，系统在所有条件下均保持高精度，这种稳定性被视为实际部署的关键前提。精确的车辆状态估计支持多项核心功能：包括稳定性控制、自动驾驶安全与能效优化。更精准的估计可使控制系统更早、更精确地介入干预。
南康贤教授指出，这项工作的长期潜力在于通过结合物理与人工智能，弥补传统模型的不足。他表示："通过融合物理模型与AI的新方法，我们能以更高精度和可靠性估计电动汽车的行驶状态。" 研究人员认为，该方案有望塑造未来车辆控制架构，在保障可靠性的前提下开辟AI辅助物理控制的新路径。
粤公网安备44190002007368号
