Category: 专业术语

专业术语

什么是转向模型？

转向模型是自动驾驶系统中负责控制车辆转向行为的核心算法模块，其本质是一个将感知输入映射为转向决策的数学函数。该模型通过实时处理车辆状态（如速度、航向角）、环境感知数据（如车道线识别结果）和路径规划指令，计算出最优的转向角度或扭矩输出。在技术实现上，转向模型常采用PID控制、模型预测控制（MPC）或基于深度学习的端到端方法，需兼顾响应速度、平滑性和安全性三大核心指标。 对于AI产品经理而言，转向模型的开发需特别注意算法与硬件的协同设计。比如电动助力转向系统（EPS）的响应延迟会直接影响控制效果，而不同车型的转向传动比参数也需要在模型中动态适配。当前行业趋势是采用强化学习来构建自适应转向模型，特斯拉的「Occupancy Networks」技术就展示了如何通过海量驾驶数据让模型学习复杂场景下的转向策略。值得注意的是，转向模型往往需要与纵向控制模型进行联合优化，这也是自动驾驶「运动控制」模块设计的难点所在。

专业术语

什么是自行车模型？

自行车模型(Bicycle Model)是自动驾驶系统中用于描述车辆运动学特性的简化数学模型。它将四轮车辆简化为两轮自行车的形式，假设前后轮分别合并为单个车轮，通过前轮转向角和后轮速度来控制车辆运动。这种模型通过忽略轮胎侧滑、悬架系统等复杂因素，仅保留转向几何关系与速度关系，能够以较低的计算复杂度预测车辆在低速状态下的运动轨迹。其核心参数包括轴距(前后轮中心距离)、转向角及车速，常用于路径规划和控制算法的开发验证。 在自动驾驶产品开发中，自行车模型因其计算高效性成为底层控制的理想选择。工程师常在低速园区配送车或自动泊车等场景中优先采用该模型，其预测结果可为轨迹跟踪控制器提供参考输入。当车辆需要处理高速过弯或复杂地形时，则需升级为考虑轮胎力学的动力学模型。产品经理在评估不同场景的算法选型时，需平衡模型精度与实时性的关系，自行车模型恰好提供了二者折中的经典方案。

专业术语

什么是Ackermann转向几何？

Ackermann转向几何是描述传统车辆转向时内外轮转角差异关系的数学模型，由德国工程师Georg Lankensperger于1817年提出，后由Rudolf Ackermann获得专利。该原理指出：车辆转向时，内侧转向轮应比外侧转向轮转动更大的角度，使所有车轮的轴线延长线相交于同一点（即转向中心），从而确保轮胎纯滚动而无滑动摩擦。这种几何关系能显著减少轮胎磨损并提升转向稳定性，是现代汽车转向系统设计的理论基础。 在自动驾驶领域，Ackermann转向模型被广泛应用于轨迹规划和控制算法中。工程师们通过构建转向梯形机构或电子线控转向系统实现该原理，而自动驾驶算法则需精确计算不同车速下的理想转向角。值得注意的是，高速行驶时往往会适度偏离严格Ackermann几何以增强稳定性，这体现了理论模型与实际工程应用的动态平衡。对于AI产品经理而言，理解该原理有助于评估转向控制模块的设计合理性，特别是在低速自动泊车和高速弯道巡航等场景的算法适配性。

专业术语

什么是横向控制？

横向控制是自动驾驶系统中负责车辆横向运动（即转向控制）的核心技术模块，通过精确调节方向盘转角或力矩，使车辆沿着规划路径行驶。其本质是求解车辆动力学模型与路径跟踪之间的闭环控制问题，需要实时处理道路曲率、车辆速度、轮胎侧偏特性等多维变量。典型算法包括基于几何模型的纯追踪算法（Pure Pursuit）、考虑动力学的模型预测控制（MPC）以及自适应PID控制等，不同方案在计算效率与跟踪精度间存在显著差异。 在产品落地层面，横向控制的鲁棒性直接影响用户体验——城市道路场景要求控制器对突发切入车辆做出柔顺响应，而高速场景则更注重弯道跟踪的稳定性。当前技术趋势是融合学习类方法与传统控制理论，例如通过强化学习优化MPC的权重参数。值得延伸阅读的是《Vehicle Dynamics and Control》第4章（Rajamani著），该书系统阐述了横向控制的理论框架与工程实践。

专业术语

什么是纵向控制？

纵向控制是自动驾驶系统中负责车辆加速、减速和保持车速的核心技术模块，通过精确调节油门、刹车和档位来实现对车体运动方向的纵向动力学管理。其核心任务是使车辆按照规划轨迹保持安全跟车距离、实现舒适加减速以及准确达到目标速度，本质上是对车辆纵向运动的闭环控制。从控制理论角度看，纵向控制器需要处理包括车辆动力学延迟、执行机构响应滞后以及路面坡度变化等多重扰动因素。 在实际产品开发中，纵向控制的实现通常采用分层架构：上层根据感知系统提供的障碍物信息、导航系统给出的速度限制以及舒适性要求生成目标加速度，下层通过PID控制或模型预测控制（MPC）将加速度指令转化为具体的执行器操作。值得注意的是，优秀的纵向控制算法需要平衡响应速度与乘坐舒适性这对矛盾指标，这正是AI产品经理需要重点关注的技术权衡点。当前行业前沿正在探索融合深度学习的自适应控制策略，以应对复杂交通场景中传统控制方法的局限性。

专业术语

什么是PID控制器？

PID控制器（Proportional-Integral-Derivative Controller）是工业控制领域最经典的控制算法之一，它通过比例（P）、积分（I）和微分（D）三个环节的线性组合来调节系统输出，使其能够快速、稳定地跟踪目标值。比例环节根据当前误差大小产生控制量，积分环节消除稳态误差，微分环节则预测误差变化趋势以抑制系统振荡。这种结构简单、适应性强的特点，使其在自动驾驶车辆的横向控制和纵向控制中都有广泛应用。 在自动驾驶领域，PID控制器常被用于车辆的速度控制和轨迹跟踪。例如在自适应巡航系统中，PID算法能平滑调节油门和刹车，使车辆精确保持与前车的安全距离；在车道保持场景中，则通过方向盘转角控制让车辆始终沿车道中心线行驶。虽然现代控制理论发展出了更复杂的算法，但PID因其易实现、参数物理意义明确等优势，仍是多数自动驾驶系统的基础控制模块。工程师常会结合具体场景对PID进行改进，如加入模糊逻辑或自适应机制来应对非线性工况。

专业术语

什么是线性二次调节器？

线性二次调节器（Linear Quadratic Regulator, LQR）是控制理论中一种经典的最优控制方法，专门用于处理线性系统在二次型性能指标下的最优控制问题。其核心思想是通过设计状态反馈控制器，使得系统在满足动态方程约束的同时，能够最小化一个包含状态变量和控制输入的二次型代价函数。LQR的控制策略具有解析解，计算高效，且能保证闭环系统的稳定性，因此在工程实践中得到广泛应用。 在自动驾驶汽车开发中，LQR常被用于车辆横向控制（如车道保持）和纵向控制（如自适应巡航）。例如，在路径跟踪场景下，系统状态可定义为车辆与参考路径的横向偏差、航向角偏差等，控制输入则为方向盘转角。通过合理设计代价函数中的权重矩阵，工程师能够平衡跟踪精度与操控舒适性，实现平滑稳定的轨迹跟踪。LQR的优势在于其数学优雅性和实时性，但需注意其对线性模型的依赖性——实际应用中常配合反馈线性化或模型预测控制（MPC）使用以处理非线性动态。

专业术语

什么是RRT算法？

RRT算法（快速探索随机树，Rapidly-exploring Random Tree）是一种广泛应用于机器人路径规划和自动驾驶领域的采样型运动规划算法。该算法通过在构型空间中随机采样并逐步构建树状结构来实现对未知空间的高效探索，其核心思想是利用随机采样点引导树的生长方向，同时通过最近邻搜索和碰撞检测确保路径的可行性。RRT算法特别适合解决高维空间中的复杂路径规划问题，因其计算效率高且不需要预先构建完整的环境地图。 在自动驾驶领域，RRT算法常被用于局部路径规划和紧急避障场景。当车辆传感器检测到突发障碍物时，RRT能够快速生成多条可行路径供决策系统选择。与传统的A*、Dijkstra等算法相比，RRT不需要完整的全局地图信息，这种特性使其在动态环境中表现出显著优势。近年来，RRT的改进算法如RRT*、Informed-RRT*进一步通过渐进最优化和启发式采样提高了路径质量，这些变种算法已逐步应用于自动驾驶汽车的轨迹平滑和停车场自主泊车等实际场景。

专业术语

什么是纯追踪算法？

纯追踪算法(Pure Pursuit Algorithm)是一种广泛应用于自动驾驶车辆路径跟踪的几何控制方法。其核心思想是通过计算车辆当前位置与预瞄点之间的几何关系，动态调整前轮转向角，使车辆能够平滑地跟踪参考路径。该算法将车辆简化为自行车模型，基于车辆轴距和预瞄距离，利用简单的几何三角关系求解出所需的转向角。纯追踪算法因其实现简单、计算效率高且鲁棒性强，成为自动驾驶领域经典的控制算法之一。 在产品落地层面，纯追踪算法特别适合低速场景下的路径跟踪任务，如自动泊车、园区物流车等应用。工程师可以通过调整预瞄距离这一关键参数来平衡跟踪精度与行驶平顺性。值得注意的是，随着自动驾驶技术的发展，现代系统往往将纯追踪算法与其他控制方法（如模型预测控制）相结合，以应对更复杂的动态环境。若需深入了解，推荐阅读《Autonomous Mobile Robots》中关于几何路径跟踪的章节。

专业术语

什么是斯坦利控制器？

斯坦利控制器（Stanley Controller）是自动驾驶领域经典的横向运动控制算法，其核心思想是通过航向角偏差和横向位置偏差的综合校正来实现路径跟踪。该算法得名于斯坦福大学开发的自动驾驶汽车「Stanley」，在2005年DARPA挑战赛中展现出卓越性能。其控制量由前轮转向角决定，包含两项关键补偿：一是与路径切线方向的角度误差成比例的项，二是与横向位置误差成比例且随车速动态调节的项，这种非线性设计使其在高速场景下仍能保持稳定性。 在自动驾驶产品开发中，斯坦利控制器因其简洁的参数体系和可靠的跟踪效果，常被用于低速园区车或结构化道路的横向控制模块。相较于纯追踪算法，它能更有效地处理曲率突变路径，且参数调优过程具有明确的物理意义——如横向误差补偿系数与车辆轴距的关联性。现代自动驾驶系统常将其作为基础控制器，与MPC等先进算法形成分层控制架构，在保证实时性的同时提升复杂场景下的控制精度。