基于物理-学习混合动力学建模的智能车辆横向控制研究

doi:10.3969/j.issn.1004-132X.2026.08.009

摘要/Abstract

摘要：

针对智能车辆横向控制中传统动力学模型在复杂工况下精度不足的问题，提出了一种物理-学习混合动力学建模方法，并结合学习型模型预测控制方法以提高横向控制的精度与鲁棒性。首先以单轨模型为基础物理模型，引入门控循环单元（GRU）补偿未建模动态，构建混合物理学习模型，兼具物理可解释性与数据驱动自适应性；然后将混合模型作为预测模型嵌入模型预测控制（MPC）框架，设计考虑轨迹跟踪误差与控制量约束的优化目标函数，实时求解最优前轮转向角指令。CarSim/Simulink联合仿真结果表明，在双移线与蛇形工况下，相较于对比方法，所提方法有效降低了横向跟踪误差均方根，同时减小了前轮转角幅值，有效抑制了单轨模型中的部分未建模动态的影响。所提方法实现了车辆在复杂工况下控制量的精确输出，同步提升了智能车辆的横向控制精度和稳定性，具有良好的横向控制效果。

关键词: 智能车辆, 混合模型, 模型预测控制, 横向控制

Abstract:

To address the insufficient accuracy of traditional dynamic models for intelligent vehicle lateral control under complex operating conditions， this paper proposes a physics-based learning hybrid dynamic modeling method combined with learning-based MPC to enhance lateral control precision and robustness. A single-track model is first adopted as the foundational physical model and augmented with a gated recurrent unit （GRU） network to compensate for unmodeled dynamics， thereby constructing a hybrid model that integrates physical interpretability with data-driven adaptability. The hybrid model is then embedded as the predictive model within an MPC framework， in which an optimization objective function incorporating trajectory tracking errors and control input constraints is designed to compute optimal front -wheel steering angle commands in real time. CarSim/Simulink co-simulation results under double-lane- change and serpentine maneuvers demonstrate that the proposed method reduces both the root-mean-square lateral tracking error and the front-wheel steering angle amplitude compared with benchmark methods， while effectively suppressing unmodeled dynamics inherent in the single-track model. The proposed approach achieves precise control output under complex conditions， improving both lateral control accuracy and stability， and thus demonstrates superior lateral control performance for intelligent vehicles.

Key words: intelligent vehicle, hybrid model, model predictive control （MPC）, lateral control

中图分类号:

U461.1

时培成, 孙雨辰, CHAKIR Chadia, 孙羽. 基于物理-学习混合动力学建模的智能车辆横向控制研究[J]. 中国机械工程, 2026, 37(8): 1900-1908.

SHI Peicheng, SUN Yuchen, CHAKIR Chadia, SUN Yu. Research on Lateral Control of Intelligent Vehicles Based on Physics-Learning Hybrid Dynamics Modeling[J]. China Mechanical Engineering, 2026, 37(8): 1900-1908.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2026.08.009

https://www.cmemo.org.cn/CN/Y2026/V37/I8/1900

图/表 15

图1 混合物理-数据驱动建模架构

Fig.1 Architecture of hybrid physics-data-driven modeling

图2 单轨模型

Fig.2 Single-track vehicle model

图3 基于GRU的数据驱动模型

Fig.3 GRU-based data-driven model

表1 智能车辆驾驶场景设计

Tab.1 Intelligent vehicle driving scenario design

场景类型	道路特征	车速范围/（km·h $- 1$ ）	附着系数 $μ$
城市道路	密集路口，启停工况	30～50	0.85/0.5/0.3
高速公路	长直道	90～120	0.85/0.5
公路	连续缓弯	50～70	0.85/0.5/0.3
赛道	S形急弯	70～90	0.85

表1 智能车辆驾驶场景设计

Tab.1 Intelligent vehicle driving scenario design

场景类型	道路特征	车速范围/（km·h $- 1$ ）	附着系数 $μ$
城市道路	密集路口，启停工况	30～50	0.85/0.5/0.3
高速公路	长直道	90～120	0.85/0.5
公路	连续缓弯	50～70	0.85/0.5/0.3
赛道	S形急弯	70～90	0.85

图4 仿真数据采集系统

Fig.4 Simulation data collection system

表2 混合模型与单轨模型测试结果对比

Tab.2 Comparison of test results between hybrid model and single-track model

变量	模型	平均绝对误差	均方根误差
$v y$	混合模型	0.0352	0.0437
$v y$	单轨模型	0.0673	0.0812
$ω$	混合模型	0.0239	0.0383
$ω$	单轨模型	0.0385	0.0576

表2 混合模型与单轨模型测试结果对比

Tab.2 Comparison of test results between hybrid model and single-track model

变量	模型	平均绝对误差	均方根误差
$v y$	混合模型	0.0352	0.0437
$v y$	单轨模型	0.0673	0.0812
$ω$	混合模型	0.0239	0.0383
$ω$	单轨模型	0.0385	0.0576

表3 仿真车辆参数

Tab.3 Vehicle parameters for simulation

整车质量m/kg	1270
轴距l/m	2.91
质心到前轴距离a/m	1.015
质心到后轴距离b/m	1.895
转动惯量 $I z$ /（ $k g ∙ m 2$ ）	1536
前轴侧偏刚度 $C f$ /（ $N ∙ r a d - 1$ ）	61 120
后轴侧偏刚度 $C r$ /（ $N ∙ r a d - 1$ ）	51 160

表3 仿真车辆参数

Tab.3 Vehicle parameters for simulation

整车质量m/kg	1270
轴距l/m	2.91
质心到前轴距离a/m	1.015
质心到后轴距离b/m	1.895
转动惯量 $I z$ /（ $k g ∙ m 2$ ）	1536
前轴侧偏刚度 $C f$ /（ $N ∙ r a d - 1$ ）	61 120
后轴侧偏刚度 $C r$ /（ $N ∙ r a d - 1$ ）	51 160

图5 双移线工况下轨迹跟踪效果对比

Fig.5 Trajectory tracking performance comparison under double lane change scenario

图6 双移线工况下横向误差

Fig.6 Lateral tracking error under double lane change scenario

图7 双移线工况前轮转角控制量

Fig.7 Front wheel steering angle control input under double lane change scenario

图8 双移线工况下车辆动力学状态响应

Fig.8 Vehicle dynamic state responses under double lane change scenario

图9 蛇形工况下轨迹跟踪效果对比

Fig.9 Trajectory tracking performance comparison under slalom scenario

图10 蛇形工况下横向误差

Fig.10 Lateral tracking error under slalom scenario

图11 蛇形工况下前轮转角控制量

Fig.11 Front wheel steering angle control input under slalom scenario

图12 蛇形工况下车辆动力学状态响应

Fig.12 Vehicle dynamic state responses under slalom scenario

参考文献 27

[1]	ZHANG Tantan， SUN Yueshuo， WANG Yazhou， et al. A Survey of Vehicle Dynamics Modeling Methods for Autonomous Racing： Theoretical Models， Physical/Virtual Platforms， and Perspectives［J］. IEEE Transactions on Intelligent Vehicles， 2024， 9（3）： 4312-4334.
[2]	LU Shengyang， XU Xiaojun， WANG Wenhao. Coupling Dynamic Model of Vehicle-wheel-ground for All-terrain Distributed Driving Unmanned Ground Vehicle［J］. Simulation Modelling Practice and Theory， 2023， 128： 102817.
[3]	XU Shaobing， PENG Huei. Design， Analysis， and Experiments of Preview Path Tracking Control for Autonomous Vehicles［J］. IEEE Transactions on Intelligent Transportation Systems， 2020， 21（1）： 48-58.
[4]	GUO Shuo， ZHAO Youqun， LIN Fen， et al. Steady-state Rolling Resistance Prediction Model of Non-pneumatic Tyres Considering Tread Temperature： Theory and Experiment［J］. Vehicle System Dynamics， 2025， 63（5）： 876-896.
[5]	YANG Shaopu， LU Yongjie， LI Shaohua. An Overview on Vehicle Dynamics［J］. International Journal of Dynamics and Control， 2013， 1（4）： 385-395.
[6]	KOUMURA S， OHKITA T. Ride Comfort Evaluation through Analysis of Roll and Lateral Vehicle Behaviors Due to Road Input［J］. SAE International Journal of Passenger Cars - Mechanical Systems， 2008， 1（1）： 472-479.
[7]	KAZEMI R， KESHAVARZ BAHAGHIGHAT M， PANAHI K. Yaw Moment Control of Four Wheel Steering Vehicle by Fuzzy Approach［C］//2008 IEEE International Conference on Industrial Technology. Chengdu， 2008： 1-7.
[8]	陈慧岩，陈舒平，龚建伟. 智能汽车横向控制方法研究综述［J］. 兵工学报， 2017， 38（6）： 1203-1214.
	CHEN Huiyan， CHEN Shuping， GONG Jianwei. A Review on the Research of Lateral Control for Intelligent Vehicles［J］. Acta Armamentarii， 2017， 38（6）： 1203-1214.
[9]	QIN Zhaobo， CHEN Liang， HU Manjiang， et al. A Lateral and Longitudinal Dynamics Control Framework of Autonomous Vehicles Based on Multi-parameter Joint Estimation［J］. IEEE Transactions on Vehicular Technology， 2022， 71（6）： 5837-5852.
[10]	VICENTE B A H， JAMES S S， ANDERSON S R. Linear System Identification versus Physical Modeling of Lateral–Longitudinal Vehicle Dynamics［J］. IEEE Transactions on Control Systems Technology， 2021， 29（3）： 1380-1387.
[11]	ARBABZADEH N， JAFARI M. A Data-driven Approach for Driving Safety Risk Prediction Using Driver Behavior and Roadway Information Data［J］. IEEE Transactions on Intelligent Transportation Systems， 2018， 19（2）： 446-460.
[12]	YUE Baifan， CHE Weiwei. Data-driven Dynamic Event-triggered Fault-tolerant Platooning Control［J］. IEEE Transactions on Industrial Informatics， 2023， 19（7）： 8418-8426.
[13]	DONG Jiachen， LI Jianqiu， GAO Qinhe， et al. Optimal Coordinated Control of Active Steering and Direct Yaw Moment for Distributed-driven Electric Vehicles［J］. Control Engineering Practice， 2023， 134： 105486.
[14]	JI Xuewu， HE Xiangkun， Chen LÜ， et al. Adaptive-neural-network-based Robust Lateral Motion Control for Autonomous Vehicle at Driving Limits［J］. Control Engineering Practice， 2018， 76： 41-53.
[15]	WU Jingda， HUANG Zhiyu， Chen LÜ. Uncertainty-aware Model-based Reinforcement Learning： Methodology and Application in Autonomous Driving［J］. IEEE Transactions on Intelligent Vehicles， 2023， 8（1）： 194-203.
[16]	Da LIO M， BORTOLUZZI D， ROSATI PAPINI G P. Modelling Longitudinal Vehicle Dynamics with Neural Networks［J］. Vehicle System Dynamics， 2020， 58（11）： 1675-1693.
[17]	RAI R， SAHU C K. Driven by Data or Derived through Physics？ A Review of Hybrid Physics Guided Machine Learning Techniques with Cyber-physical System （CPS） Focus［J］. IEEE Access， 2020， 8： 71050-71073.
[18]	GRÄBER T， LUPBERGER S， UNTERREINER M， et al. A Hybrid Approach to Side-slip Angle Estimation with Recurrent Neural Networks and Kinematic Vehicle Models［J］. IEEE Transactions on Intelligent Vehicles， 2019， 4（1）： 39-47.
[19]	YANG Da， ZHU Liling， LIU Yalong， et al. A Novel Car-following Control Model Combining Machine Learning and Kinematics Models for Automated Vehicles［J］. IEEE Transactions on Intelligent Transportation Systems， 2019， 20（6）： 1991-2000.
[20]	ZHOU Zhisong， WANG Yafei， ZHOU Guofeng， et al. Vehicle Lateral Dynamics-inspired Hybrid Model Using Neural Network for Parameter Identification and Error Characterization［J］. IEEE Transactions on Vehicular Technology， 2024， 73（11）： 16173-16186.
[21]	方培俊，蔡英凤，陈龙，等. 基于车辆动力学混合模型的智能汽车轨迹跟踪控制方法［J］. 汽车工程， 2022， 44（10）： 1469-1483.
	FANG Peijun， CAI Yingfeng， CHEN Long， et al. Trajectory Tracking Control Method Based on Vehicle Dynamics Hybrid Model for Intelligent Vehicle［J］. Automotive Engineering， 2022， 44（10）： 1469-1483.
[22]	WANG Jie， JIANG Zhihao， PANT Y V. Improving Safety in Mixed Traffic： a Learning-based Model Predictive Control for Autonomous and Human-driven Vehicle Platooning［J］. Knowledge-Based Systems， 2024， 293： 111673.
[23]	HUANG Keke， WEI Ke， LI Fanbiao， et al. LSTM-MPC： a Deep Learning Based Predictive Control Method for Multimode Process Control［J］. IEEE Transactions on Industrial Electronics， 2023， 70（11）： 11544-11554.
[24]	CHEN Jianwei， YU Chuanqiang， WANG Yafei， et al. Hybrid Modeling for Vehicle Lateral Dynamics via AGRU with a Dual-attention Mechanism under Limited Data［J］. Control Engineering Practice， 2024， 151： 106015.
[25]	SALZMANN T， KAUFMANN E， ARRIZABALAGA J， et al. Real-time Neural MPC： Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms［J］. IEEE Robotics and Automation Letters， 2023， 8（4）： 2397-2404.
[26]	韩陌，何洪文，石曼，等. 基于学习的无人驾驶车辆模型预测路径跟踪控制研究［J］. 汽车工程， 2024， 46（7）： 1197-1207.
	HAN Mo， HE Hongwen， SHI Man， et al. Research on Learning-based Model Predictive Path Tracking Control for Autonomous Vehicles［J］. Automotive Engineering， 2024， 46（7）： 1197-1207.
[27]	REN Lichuan， XI Zhimin. Bias-learning-based Model Predictive Controller Design for Reliable Path Tracking of Autonomous Vehicles under Model and Environmental Uncertainty［J］. Journal of Mechanical Design， 2022， 144（9）： 091706.