⚡ electrical engineering

Post-Collision Trajectory Restoration for a Single-track Ackermann Vehicle using Heuristic Steering and Tractive Force Functions

本文提出了一种针对广义单轨阿克曼车辆模型的启发式恢复控制律，通过联合控制转向与牵引力，在考虑纵向速度时变及非线性耦合影响的情况下，实现了碰撞后的轨迹快速恢复。

原作者： Samsaptak Ghosh, M. Felix Orlando, Sohom Chakrabarty

发布于 2026-02-10

📖 1 分钟阅读☕ 轻松阅读

原作者： Samsaptak Ghosh, M. Felix Orlando, Sohom Chakrabarty

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这是一篇关于自动驾驶汽车“事故后自救”的研究论文。为了让你轻松理解，我们可以把这篇文章想象成在教一个“刚摔了一跤的孩子如何重新站稳并走回原定路线”。

核心主题：自动驾驶的“防摔跤”与“复位”技术

背景：
现在的自动驾驶汽车非常聪明，它们在平稳行驶时就像在轨道上滑行的列车，精准且优雅。但问题是：如果突然发生碰撞怎么办？ 就像一个正在走路的人突然被路人撞了一下，人不仅会踉跄（侧向移动），还会原地转圈（偏航），甚至完全偏离了原本要去的路。

目前的自动驾驶算法大多假设“世界是完美的，不会发生碰撞”。但这篇论文研究的是：如果撞了，车怎么在不紧急刹车的情况下，自己“稳住阵脚”并回到原来的车道上？

形象化的类比

1. 车辆模型：不仅仅是一个“小车”，而是一个“复杂的陀螺”

论文里提到了一个“广义阿克曼单轨模型”。

普通模型就像是一个简单的滑板，你推一下，它就直着走。
这个模型则像是一个高速旋转的陀螺。当你撞它时，它不仅会往旁边倒，还会因为旋转的力量产生复杂的、扭来扭去的动作（非线性耦合）。论文强调，他们考虑了这种“乱转”的复杂性，而不是简单地把它当成一个平移的小方块。

2. 控制策略：给车辆一套“组合拳”

论文提出了一种“启发式控制函数”，听起来很高大上，其实就是给车辆设计了两套**“肌肉记忆”**：

第一招：转向控制（Steering Function）——“找回方向感”
- 比喻： 就像你走路被撞歪了，你的大脑会立刻下令：“快，把身体扭回来！”
- 动作： 论文设计了一个像“波浪”一样的转向指令（ $\delta_s$ ）。它不是猛打方向盘，而是像波浪一样，先柔和地扭转方向，把车头摆正，然后再微调，让车稳稳地对准原来的路。
第二招：牵引力控制（Tractive Force Function）——“找回前进动力”
- 比喻： 就像你被撞后不仅站不稳，还差点停下了脚步。这时候你需要控制腿部的发力，既要稳住重心，又要重新迈步。
- 动作： 论文通过控制发动机的动力（ $F_{xt}$ ），在撞击后的混乱瞬间给一点“推力”，帮助车辆在调整方向的同时，维持住前进的速度，而不是直接熄火或乱窜。

论文做了什么？（实验结果）

研究人员在电脑里模拟了两种“倒霉”的情况：

情况 A（侧面撞击）： 就像有人从侧面推了你一下，你直接横着滑出去了。
情况 B（偏心撞击）： 就像有人撞了你的肩膀，你不仅横着滑，还会原地转圈圈。

结果显示：
如果没有这套“组合拳”，车子会像断了线的风筝，直接冲出车道；但用了这套“转向+动力”的组合拳，车辆就像拥有了**“本能反应”**一样，虽然中间有点晃动，但最终都能稳稳地回到原来的直线上。

总结：这篇论文的意义

如果把自动驾驶比作一个运动员，以前的研究都在教他如何“跑得快、跑得准”；而这篇论文是在教他：“如果你在比赛中被对手撞倒了，该如何优雅地起身，拍拍灰尘，继续跑回你的赛道上。”

这对于未来更安全的自动驾驶至关重要——因为真正的道路永远充满了不可预知的“碰撞”。

这是一篇关于自动驾驶车辆在发生碰撞后如何恢复预定行驶轨迹的研究论文。以下是该论文的详细技术总结：

1. 研究问题 (Problem Statement)

在自动驾驶领域，现有的路径跟踪和避障算法大多假设车辆行驶过程是“无碰撞”的。然而，在实际道路环境中，由于人工驾驶车辆的干扰或环境因素，自动驾驶车辆仍可能发生意外碰撞。
碰撞会产生以下问题：

动力学扰动： 碰撞会导致车辆产生剧烈的横向运动（Lateral motion）和偏航瞬态（Yaw transients）。
模型复杂性： 碰撞后的恢复过程涉及随时间变化的纵向速度（Longitudinal velocity）以及转向角与动力学之间的非线性耦合。
现有研究不足： 现有文献多假设纵向速度恒定，忽略了碰撞后速度波动对横向/偏航动力学的影响，且缺乏针对碰撞后轨迹恢复的具体控制策略。

2. 研究方法 (Methodology)

本文提出了一种基于**启发式（Heuristic）的控制律，通过联合控制转向角（Steering）和牵引力（Tractive Force）**来实现轨迹恢复。

A. 车辆模型

研究使用了两种模型进行验证：

广义单轨阿克曼车辆模型 (Generalized Single-track Ackermann Model)： 该模型考虑了非线性摩擦阻力、转向角相关的复杂非线性相互作用项以及随时间变化的纵向速度。
标准3自由度 (3DOF) 单轨参考模型： 用于对比验证。

B. 控制律设计 (核心贡献)

作者设计了一种开环的启发式函数，其核心思想是通过特定时段内的正弦波形输入来抵消碰撞带来的偏差。

转向控制函数 ( $\delta_s(t)$ ): 由两个分量组成： $\delta_1(t)$ 负责将车辆拉回目标轨迹， $\delta_2(t)$ 负责在回到轨迹后维持车辆方向。这两个分量均采用带单位阶跃函数的正弦函数形式，具有明确的起始时间 ( $\tau_0, \tau_2$ ) 和持续时间。
牵引力控制函数 ( $F_{xt}(t)$ ): 由碰撞时的初始力 $F_i(t)$ 和用于轨迹恢复的附加控制力 $F_c(t)$ 组成。控制力同样采用时域受限的正弦函数设计。

3. 关键贡献 (Key Contributions)

提出新型启发式控制函数： 设计了一种无需制动（不使用刹车）即可在高纵向速度下恢复轨迹的转向与牵引力联合控制策略。
考虑非线性耦合： 不同于以往简化模型，该方法显式考虑了纵向速度变化对横向-偏航动力学的影响，以及转向角带来的非线性相互作用。
多模型验证： 在复杂的广义阿克曼模型和标准的3DOF模型上均进行了验证，证明了该启发式方法的通用性。

4. 实验结果 (Results)

研究通过两种典型的碰撞场景进行了仿真验证：

场景 1 (质心侧向碰撞)： 碰撞作用于车辆质心，仅产生横向速度扰动。
场景 2 (非质心侧向碰撞)： 碰撞作用于非质心位置，同时产生横向速度和偏航角速度（导致车辆发生旋转）。

仿真结论：

轨迹恢复能力： 实验结果显示，在应用了提出的启发式控制函数后，无论是在广义模型还是参考模型中，车辆都能成功从碰撞后的偏离状态回到原始的直线路径。
参数适应性： 由于广义模型包含复杂的非线性项，实验发现需要针对不同模型调整不同的控制参数（如表2所示），这证明了该控制函数具有较强的适应能力。
对比效果： 相比于仅使用转向控制，联合使用转向和牵引力控制能更有效地减小偏航响应峰值和横向偏差。

5. 研究意义 (Significance)

安全性提升： 为自动驾驶系统在遭遇不可避免的碰撞时提供了一种“失效安全”（Fail-safe）的恢复机制，能够帮助车辆在碰撞后重新回到车道，避免二次事故。
算法演进： 该研究填补了自动驾驶算法在“碰撞后响应”这一研究空白，为未来将启发式控制与闭环反馈控制相结合开发更鲁棒的自动驾驶算法奠定了基础。
工程参考： 证明了在不依赖制动系统的情况下，通过策略性地调整动力输出和转向，可以有效应对高动态的碰撞瞬态。