Category: 专业术语

专业术语

什么是反馈控制？

反馈控制（Feedback Control）是自动驾驶系统中实现精准调节的核心机制，它通过实时比较系统输出与期望目标的偏差，动态调整控制指令以缩小误差。其本质是一个闭环调节过程：传感器采集车辆实际状态（如车速、航向角），控制器将测量值与设定值对比后计算出修正量，执行器（如转向、制动系统）据此调整动作。这种持续循环的调节方式使系统具备抗干扰能力，即便面对路面起伏或侧风等扰动，也能维持稳定行驶。 在自动驾驶开发中，PID控制器因其结构简单、鲁棒性强成为最常用的反馈控制算法。例如自适应巡航控制（ACC）系统通过比例-积分-微分三环节协同工作，既能快速响应前车距离变化（比例项），又能消除稳态误差（积分项），同时抑制超调振荡（微分项）。值得注意的是，高阶控制算法如模型预测控制（MPC）虽能提供更优性能，但需权衡计算复杂度与实时性要求。产品经理在方案选型时，应重点关注控制延迟、传感器采样频率等影响闭环性能的关键参数。

专业术语

什么是鲁棒控制？

鲁棒控制（Robust Control）是控制理论中的一个重要分支，指在系统存在参数不确定性、外部干扰或建模误差的情况下，依然能够保持控制系统稳定性和性能的控制方法。其核心思想是通过设计具有强适应性的控制器，使系统在面对各种不确定性时仍能按预期运行。鲁棒控制通常采用数学优化方法，如H∞控制、μ综合等，来确保系统在最坏情况下仍能满足设计要求。 在自动驾驶领域，鲁棒控制技术尤为重要。车辆行驶环境复杂多变，传感器数据存在噪声，动力学模型难以精确建立，这些都需要控制系统具备强大的鲁棒性。例如，在路径跟踪控制中，鲁棒控制器能够有效应对路面附着系数变化、侧风干扰等不确定因素，确保车辆稳定循迹。随着自动驾驶系统向更高等级发展，对控制系统的鲁棒性要求将进一步提升，这也推动了自适应鲁棒控制、数据驱动鲁棒控制等新方法的研究与应用。

专业术语

什么是自适应控制？

自适应控制（Adaptive Control）是一种能够根据系统动态变化自动调整控制参数的先进控制方法。其核心在于通过实时监测系统状态和环境变化，动态修正控制策略以保证系统性能最优。这类控制系统通常包含三个关键模块：参数估计器用于在线识别系统特性，控制器根据当前参数生成控制指令，而自适应机制则负责协调两者的交互。与传统的固定参数控制相比，自适应控制特别适合处理具有时变特性、强非线性或建模不确定性的复杂系统。 在自动驾驶领域，自适应控制技术展现出独特价值。例如车辆纵向控制中，面对不同载重、轮胎磨损或路面附着条件变化，自适应巡航控制系统能实时调整制动/加速响应参数。更值得关注的是，当传统控制方法因传感器噪声或模型失配导致性能下降时，基于模型参考的自适应控制（MRAC）或直接自适应控制等方法仍能保持鲁棒性。近年来，随着机器学习的发展，将神经网络与自适应控制结合的智能自适应方法，正在为自动驾驶系统应对极端工况提供新的解决方案。

专业术语

什么是滑模控制？

滑模控制(Sliding Mode Control)是一种非线性控制方法，其核心思想是通过设计特殊的切换控制律，使系统状态在有限时间内被强制吸引并维持在预设的滑模面上。这种控制策略具有对参数摄动和外部干扰的强鲁棒性，当系统进入滑模运动后，其动态特性完全由滑模面的设计决定，而与系统本身的不确定性无关。滑模控制的独特优势在于其能够通过高频切换控制信号来克服系统不确定性，这种特性在自动驾驶系统面临复杂多变的外部环境时显得尤为宝贵。 在自动驾驶领域，滑模控制常被应用于车辆横向控制和轨迹跟踪等场景。例如在紧急避障或极限工况下，传统控制方法可能因模型失配而失效，而滑模控制却能保持稳定性能。不过需注意的是，滑模控制固有的抖振现象可能影响执行器寿命，现代改进方法如高阶滑模、自适应滑模等正在逐步解决这些问题。对于产品经理而言，理解滑模控制的这种「以确定性应对不确定性」的特性，有助于在系统设计时权衡控制精度与执行器损耗之间的平衡。

专业术语

什么是H无穷控制？

H无穷控制（H∞ Control）是一种基于数学优化的鲁棒控制方法，旨在设计对系统不确定性和外部干扰具有强韧性的控制器。其核心思想是通过最小化系统传递函数的H无穷范数（即频率响应的最大增益），确保在最恶劣工况下仍能维持稳定性和性能指标。这种方法特别适用于模型存在参数摄动或未建模动态的情况，例如自动驾驶车辆在复杂道路环境中面临的传感器噪声、路面扰动等问题。 在自动驾驶领域，H无穷控制常被用于横向和纵向运动控制系统的设计。与传统的PID控制相比，H∞控制器能更好地处理车辆动力学模型的不确定性，如载重变化导致的质心偏移，或轮胎侧偏刚度的非线性特性。例如在路径跟踪场景中，通过将道路曲率变化视为系统干扰，H∞控制可显著降低轨迹跟踪误差，这对于保证L3级以上自动驾驶系统的舒适性和安全性至关重要。当前研究趋势正将H∞控制与模型预测控制（MPC）结合，形成兼顾鲁棒性和优化性能的混合控制架构。

专业术语

什么是Lyapunov稳定性？

Lyapunov稳定性是控制理论中分析动态系统稳定性的重要方法，由俄罗斯数学家亚历山大·李雅普诺夫于1892年提出。该方法通过构造一个称为Lyapunov函数的标量函数，来判断系统在平衡点附近的稳定性：若该函数沿系统轨迹的导数始终为负，则系统在该平衡点是渐进稳定的。这种稳定性分析不需要求解微分方程，适用于线性和非线性系统，已成为自动驾驶车辆运动控制的理论基石。 在自动驾驶领域，Lyapunov稳定性理论被广泛应用于路径跟踪、速度控制和避障算法设计。例如，在模型预测控制（MPC）框架中，工程师常将Lyapunov函数作为优化问题的约束条件，确保车辆在紧急制动或极端转向时仍能保持稳定状态。现代自动驾驶系统还会结合机器学习方法，通过数据驱动的方式自动学习Lyapunov函数，以应对复杂多变的交通场景。想要深入了解的读者，可以参阅Hassan K. Khalil所著的《非线性系统》第三版中关于稳定性理论的系统论述。

专业术语

什么是可达集？

可达集（Reachable Set）是控制理论中描述动态系统在给定时间范围内所有可能到达状态集合的数学概念。在自动驾驶领域，它特指车辆在未来特定时间段内，基于当前运动状态和控制输入约束下能够到达的所有潜在位置和姿态的集合。这个集合的边界由车辆动力学特性、环境约束以及控制策略共同决定，其计算通常涉及微分包含、哈密顿-雅可比方程等数学工具。 对于自动驾驶产品开发，可达集分析是安全验证的核心工具之一。通过实时计算车辆的可达集，系统能够预判潜在碰撞风险并提前规划避障策略。当感知模块检测到障碍物时，算法会将障碍物轮廓与自车可达集进行时空比对，若存在交集则触发紧急制动或变道决策。现代自动驾驶系统常采用混合整数规划或深度学习方法来高效求解高维可达集，以满足实时性要求。

专业术语

什么是控制不变量？

控制不变量（Control Invariant）是指在动态系统控制过程中，无论外部环境或系统状态如何变化，都能始终保持不变的特定条件或属性。在自动驾驶领域，这通常体现为车辆必须始终遵守的底层安全约束，例如「不与障碍物碰撞」「不违反交通规则」等硬性要求。控制不变量的数学本质是系统状态空间中的一个子集，在该子集内所有可能的控制输入都能保证系统状态持续满足预设的安全条件。 对于自动驾驶产品开发而言，控制不变量的精确定义和验证是功能安全的核心保障。例如在路径规划模块中，系统会实时计算满足「最小制动距离」这一不变量的速度阈值；而在紧急避障场景下，控制算法必须确保车辆轨迹始终位于「可稳定停车区域」这一不变集合内。当前主流的自动驾驶架构（如百度Apollo的EM Planner）通过分层式的安全校验机制，将控制不变量作为各级决策的黄金准则，这种设计显著提升了系统在极端工况下的可靠性。

专业术语

什么是备份控制器？

备份控制器（Backup Controller）是自动驾驶系统中专门设计用于在主控制系统失效时接管车辆控制权的冗余模块。它通常采用相对简化的控制算法和独立的硬件架构，能够在主控制器出现软件崩溃、硬件故障或感知系统异常等情况下，确保车辆执行最低风险操作（如安全靠边停车或紧急制动）。备份控制器的设计需满足功能安全标准ISO 26262中最高等级ASIL-D的要求，其决策逻辑往往采用确定性更强的规则驱动模式，而非主系统常用的数据驱动模式，以此保证极端情况下的系统可靠性。 在实际产品开发中，备份控制器的实现需要与主控制器形成物理隔离的「双工系统」，例如采用独立电源、通信通道和微处理器。值得注意的是，特斯拉的FSD系统采用影子模式持续验证备份控制逻辑，而Waymo则通过异构冗余架构（如Intel和Nvidia芯片混用）来规避共性故障风险。随着自动驾驶等级提升，业界正在探索基于形式化验证的备份控制器设计方法，这要求AI产品经理在功能定义阶段就需要平衡冗余安全性与开发成本的关系。

专业术语

什么是退化模式？

在自动驾驶系统中，退化模式（Degradation Mode）指的是当系统感知能力或决策功能因环境条件、硬件故障或软件异常等原因而部分失效时，系统自动降级至更低安全等级运行状态的现象。这种设计理念源于航空电子系统的故障容错机制，旨在确保即使核心功能受损，车辆仍能维持基础的安全运行能力。典型的退化模式包括但不限于：传感器受极端天气干扰时切换至保守驾驶策略，计算平台冗余失效时启用简化决策模型，或通讯中断时转为离线自主导航等。 对于AI产品经理而言，理解退化模式的设计逻辑至关重要。在实际产品开发中，需要明确定义不同失效场景下的降级路径，并建立相应的触发条件和安全保障机制。例如当激光雷达因大雪失效时，系统可能仅依赖视觉和毫米波雷达数据，同时降低车速并扩大安全距离。这种优雅降级（Graceful Degradation）的能力直接影响着自动驾驶系统的可靠性和用户信任度，是功能安全标准ISO 26262中要求的关键设计要素。值得一提的是，特斯拉2021年发布的《应对极端天气的白皮书》详细阐述了其视觉系统在多传感器失效时的退化策略，可作为工程实践的参考范例。