編者語：后臺回復“入群”，加入「智駕最前沿」微信交流群
在自動駕駛的技術架構中，如果將感知系統比作車輛的眼睛，將規劃決策比作大腦，那么控制模塊則毫無疑問是車輛的“手腳”。這一模塊的職責是將大腦生成的駕駛指令轉化為具體的物理動作，確保車輛在復雜的物理世界中能夠精準、平穩、安全地按照預定軌跡行駛。控制模塊的工作其實可以拆解為縱向控制和橫向控制兩個核心維度，縱向控制負責管理車輛的行駛速度和前后距離，而橫向控制則負責掌控方向盤的轉向角度。這兩個維度并不是孤立存在的，它們在執行層的緊密配合，直接決定了自動駕駛汽車的駕駛質感和安全上限。
縱向控制的作用
縱向控制的最基本任務是實現對車輛速度的精確調節，這涵蓋了從靜止啟動、巡航行駛到緊急制動的全過程。在自動駕駛的日常場景中，縱向控制模塊需要實時接收規劃層下發的期望速度和期望加速度，并通過算法調節驅動系統的扭矩輸出以及制動系統的壓力分配。為了實現穩定的跟車，控制系統會引入時距（THW）和碰撞時間（TTC）作為安全約束指標，確保在本車與前車之間維持一個動態的安全緩沖區。
圖片源自：網絡
縱向控制面臨的最大挑戰在于車輛動力學特性的非線性，不同車速下的空氣阻力、坡道帶來的重力分量、甚至輪胎氣壓的細微變化，都會改變車輛對控制指令的響應。為了解決這一問題，現在的控制算法會采用前饋控制與反饋控制相結合的策略。前饋控制基于預先建立的車輛動力學模型，根據期望加速度計算出一個理論上的驅動力；而反饋控制（通常采用比例-積分-微分，即PID算法及其變種）則根據實際車速與目標車速的偏差進行實時微調，以消除模型不精確帶來的誤差。此外，針對制動系統存在的物理響應滯后，控制模塊需要引入延時補償策略，通過狀態預測提前下達壓力指令，從而縮短剎車距離。
乘坐舒適性是縱向控制的另一個重要考量維度。在自動駕駛中，衡量舒適性的關鍵指標是加加速度，即加速度的變化率。如果控制模塊輸出的加速度指令過于突兀，乘客就會感到明顯的頓挫或“點頭”現象。為了模擬老司機的風格，百度Apollo等主流自動駕駛框架會在速度規劃中加入非線性優化算法，通過懲罰加加速度的劇烈波動來實現平滑的動力切換。在制動階段，系統還會配合防抱死制動系統（ABS），將輪胎的滑移率嚴格控制在20%左右的理想區間，以保證在獲得最大制動力的同時，依然維持車輛的縱向穩定性。
縱向控制關鍵任務 | 核心實現目標 | 關聯傳感器與執行器 |
巡航速度控制 | 維持恒定車速，消除路面阻力干擾 | 電機控制器、發動機ECU |
跟車距離管理 | 動態調節車間距，平衡效率與安全性 | 毫米波雷達、激光雷達 |
平順性優化 | 限制加加速度，提供擬人化駕駛感受 | 慣性測量單元（IMU） |
緊急制動（AEB） | 在危急情況下迅速建立制動壓力 | 線控制動系統（iBooster/EMB） |
橫向控制的作用
橫向控制的職責是引導車輛沿著規劃的幾何路徑行駛，其本質是消除車輛當前位姿與參考路徑之間的偏差。這種偏差由橫向距離誤差和航向角誤差兩部分組成。橫向控制模塊需要根據當前的車輛速度、航向和位置，計算出最合適的轉向指令，并發送給電子動力轉向系統（EPS）。在算法演進的過程中，橫向控制經歷了幾何模型到動力學模型的轉變，以適應從低速園區到高速公路的全場景需求。
圖片源自：網絡
低速工況下，車輛被簡化為運動學自行車模型，這種模型假設車輛沒有側滑，轉向完全由幾何關系決定。純追蹤（Pure Pursuit）算法便是其中的代表，它在參考路徑上尋找一個前視點，通過計算圓弧路徑來實現路徑跟隨。然而，當車速升高時，輪胎側偏特性的影響變得不可忽略。此時，Stanley算法或基于二自由度動力學模型的控制策略則表現更優，它們能夠補償由于高速過彎產生的離心力導致的路徑偏移。對于更高精度的需求，線性二次型調節器（LQR）和模型預測控制（MPC）則通過建立復雜的狀態空間方程，不僅最小化當前的跟蹤誤差，還兼顧轉向能量消耗和未來的偏差走勢。
橫向控制的性能表現受到執行器物理特性的制約。像是轉向電機的響應頻率、轉向柱的摩擦力以及傳感器的測量抖動，都可能導致方向盤在行駛中出現高頻擺動。為了應對這些問題，控制模塊需要引入高確定性的時間同步協議，將指令執行的抖動控制在微秒級。同時，算法還需要具備對路面附著系數的估計能力，在濕滑或冰雪路面上主動減小轉向增益，防止車輛發生側滑失控。在自動駕駛系統中，橫向控制不再是機械地跟隨線條，而是需要根據環境曲率的變化，動態調整轉向的“柔順度”，從而在彎道中提供穩健的循跡感。
橫向控制算法 | 主要特點 | 典型應用場景 |
純追蹤算法 | 邏輯簡單，依賴前視距離，低速穩定 | 自動泊車、低速物流車 |
Stanley算法 | 考慮前輪偏差，高速魯棒性較好 | 車道保持輔助（LKA） |
LQR算法 | 綜合多狀態變量，優化全局偏差代價 | 高速公路領航駕駛 |
MPC算法 | 具備前瞻性，支持復雜約束優化 | 緊急避障、極限過彎 |
橫縱向耦合與物理極限下的底盤執行冗余
在真實的交通場景中，車輛的橫向運動和縱向運動是通過輪胎與地面的摩擦力耦合在一起的。根據摩擦圓理論，一個輪胎能夠提供的總附著力是恒定的，這意味著如果縱向驅動力占據了過多的抓地力，車輛在轉向時能夠利用的側向力就會相應減少。因此，高階自動駕駛控制模塊必須具備橫縱向耦合控制的能力。如在高速進入大曲率彎道時，控制系統需要主動降低縱向速度，為橫向轉向留出足夠的附著力裕量，避免車輛因推頭而偏離軌跡。這種耦合不僅體現在算法層面，也體現在規劃模塊傳遞給控制模塊的多維軌跡信息中，這些信息會包含每個時間點的坐標、航向、車速以及期望曲率。
圖片源自：網絡
線控底盤技術（X-by-Wire）是實現這些復雜控制策略的物質基礎。線控轉向（SBW）和線控制動（iBooster/EPB）取消了傳統的機械連接，代之以電信號傳輸，這使得控制模塊能夠以更快的響應速度直接干預底盤動作。線控轉向系統還可以實現傳動比的動態調節，在低速時減少轉向圈數，在高速時增加轉向穩定性，甚至能通過模擬回正力矩為算法提供更細膩的反饋。為了確保系統在執行端萬無一失，線控底盤會配備冗余的控制器和電源。在自動駕駛L3級及以上標準中，系統必須滿足極高的失效率要求（如FIT10標準），即在極長時間運行中僅允許極低概率的故障發生。
最后的話
隨著自動駕駛技術的發展，自動駕駛控制模塊正朝著更加集成化和擬人化的方向發展。底盤域控制器的出現，橫向、縱向以及垂向控制（主動懸架）將深度融合，通過統一的算力平臺實時優化車輛的姿態。數據驅動的方法也正被引入控制領域，通過學習人類駕駛員在復雜路況下的處理方式，使自動駕駛車輛在極端工況下也能表現出更加從容、自然的駕駛風格。
-- END --
