《Sensors》：Data-Driven Steering Dynamics Modeling and Steering Angle Tracking Control for Self-Driving Vehicles: Simulation and Experiments on 2025 Nissan Leaf Electric Vehicle
编辑推荐：
自动驾驶车辆（AVs）日益依赖精确的转向动力学模型和高精度转向角跟踪以实现安全可靠的控制。此外，来自汽车制造商和学术界的日益关注强调了AVs在提升交通安全、便利性、能效和乘坐舒适性方面的潜力。本文提出了一种数据驱动建模框架，使用从一辆2025款日产聆风SV P
自动驾驶车辆（AVs）日益依赖精确的转向动力学模型和高精度转向角跟踪以实现安全可靠的控制。此外，来自汽车制造商和学术界的日益关注强调了AVs在提升交通安全、便利性、能效和乘坐舒适性方面的潜力。本文提出了一种数据驱动建模框架，使用从一辆2025款日产聆风SV Plus（Nissan Leaf SV Plus）收集的仿真和真实驾驶数据。该测试车辆配备了研究人员内部开发的线控驱动（drive-by-wire）系统。除了数据驱动转向动力学模型，本文还提出了一种数据驱动转向角跟踪控制和一个比例-积分-微分（PID）控制。仿真和车载测试表明，所提出的数据驱动模型和控制器可部署于车辆：PID控制器在±450°全工作范围内实现稳态跟踪均方根误差（RMSE）为1.23°，而神经网络控制器在闭环中跟踪，并识别出方向不对称性以供未来改进。所提出的数据驱动转向动力学模型和控制因其准确性和简洁性，可用于下一代自动驾驶系统的开发。
**论文解读文章**
**研究背景与问题**
随着自动驾驶技术的快速发展，精确的转向动力学模型和高精度转向角跟踪是实现安全可靠控制的核心。传统转向系统（如液压助力、电动助力转向）受限于机械连接，在动态驾驶条件下适应性有限。线控驱动（drive-by-wire）系统为下一代自动驾驶车辆提供了有前景的解决方案，但物理模型需要全面了解车辆参数，开发耗时且参数可能随时间变化。数据驱动方法通过从仿真和真实驾驶数据中学习，能够捕捉非线性特性并适应不同工况，但现有研究在模型泛化性和实际部署验证方面仍存在不足。为此，研究人员基于2025款日产聆风（Nissan Leaf）电动汽车，开发并验证了数据驱动转向动力学模型及转向角跟踪控制，以提升自动驾驶系统的控制精度与鲁棒性。
**研究内容与结论**
研究人员构建了包含线控驱动接口的测试平台，采集了6.6分钟的静态转向数据（采样率100 Hz），并对五种转向动力学模型（线性回归、决策树、随机森林、多层感知器（MLP）和长短期记忆网络（LSTM））进行了比较。基于线性回归模型设计了PID控制器，并基于MLP模型训练了神经网络控制器。仿真与实车测试表明：PID控制器在±450°全范围内实现稳态跟踪RMSE为1.23°，且无电动助力转向故障；神经网络控制器能在闭环中跟踪转向角，但存在方向不对称性。研究结果证明，经典PID控制器经精心识别和调优后可作为稳健基线，而数据驱动神经网络控制器也可部署于实车，两者均可用于下一代自动驾驶系统开发。该论文发表在《Sensors》期刊。
**主要关键技术方法**
研究方法包括：（1）数据采集：使用2025款日产聆风SV Plus电动车辆，在静止旋转支撑台上采集转向角与驾驶员扭矩信号（通过CAN总线获取），解耦转向柱动力学与轮胎-路面相互作用；（2）模型开发：训练线性回归、决策树、随机森林、MLP和LSTM五种模型，预测下一时刻转向角，以均方根误差（RMSE）和平均绝对误差（MAE）评估；（3）控制器设计：基于线性回归模型调优PID控制器（比例增益1.2、积分增益1.5、微分增益0.3），基于MLP模型通过逆映射学习训练神经网络控制器（含积分反馈补偿）；（4）实车验证：在相同步进序列下测试两控制器，记录稳态跟踪误差。
**研究结果**
**3.1. 转向动力学模型**
- **3.1.1. 模型介绍**：研究人员定义了五种回归模型（线性回归、决策树、随机森林、MLP、LSTM），用于预测下一时刻转向角，输入包括当前转向角、驾驶员扭矩和角速度（通过有限差分计算）。
- **3.1.2. 模型实验验证**：基于时间分割（前85%训练，后15%验证）评估各模型。线性回归模型取得最低验证RMSE（0.162°）和MAE（0.066°）；决策树和随机森林因过拟合表现较差（RMSE分别为0.833°和0.637°）；MLP的MAE较低（0.134°）但RMSE较高（0.729°），因在剧烈振荡段出现大误差；LSTM因在高角度极限处饱和而表现最差（RMSE 4.788°）。线性回归被选为PID仿真模型，MLP被选为神经网络控制器训练模型。
**3.2. 转向角跟踪控制**
- **3.2.1. PID转向角跟踪控制**：基于线性回归模型在仿真中调优PID参数（最终增益kp=1.0, ki=1.0, kd=0.5），对真实驾驶参考信号跟踪RMSE为0.16°，对合成应力参考信号在尖锐过渡段有残差。
- **3.2.2. 数据驱动控制**：通过MLP正向模型生成10,000个合成数据点，训练逆映射MLP（测试R2=0.83），然后与积分反馈结合构成闭环控制器。在仿真中针对速度滞后模型（从车辆识别）测试，全范围步进跟踪RMSE约1°，但存在瞬态超调。
**4. 实验验证**
- **4.1. PID控制部署**：实车部署后调谐增益为kp=1.2, ki=1.5, kd=0.3，闭环稳定性验证通过。在15°至450°双向步进序列中，整体稳态跟踪RMSE为1.23°，各幅度误差控制在约3°以内，大部分在1°以内。
- **4.2. 神经网络控制部署**：实车部署后，神经网络控制器在稳态周期内跟踪正方向目标约1°，但负方向出现约8°-15°的超调，方向不对称性在仿真中未出现，表明与电动助力转向的特性交互。此外，控制器对CAN总线偶发错误帧敏感，需通过非锁存异常值滤波器缓解。
**总结与结论**
讨论部分指出，PID控制器经精心调优后提供了稳健的基线，而神经网络控制器虽能部署但需改进方向不对称性和CAN反馈完整性。研究结论部分翻译如下：
本研究开发并验证了2025款日产聆风自动驾驶测试平台上的转向动力学模型和转向角跟踪控制，从数据驱动动力学模型到控制器设计再到实车部署。从记录数据中以100Hz采样率识别了五种转向动力学模型，所得仿真器用于设计并调优PID控制器。实车部署后，PID在15°至450°双向全工作范围内跟踪指令转向角，整体稳态RMSE为1.23°，无电动助力转向故障；控制器增益需在实车上从仿真值适度调优，反映了识别模型与物理转向系统之间的差异。随后获得的数据驱动控制器（紧凑型修正线性网络）在实车闭环中运行并跟踪指令转向角。其局限性包括：方向依赖超调（实车出现但仿真未出现，表明与转向特性交互）以及残留的CAN反馈错误敏感性（非锁存滤波器缓解但未消除）。综上，经典控制器经识别和调优后为自动转向提供了稳健准确基线，而学习型神经网络控制器可在实车部署。未来工作包括改进神经网络控制器方向不对称性、提升CAN反馈完整性、通过设计激励实验扩展识别模型，以及比较一阶物理模型与MPC、滑模控制等先进控制器。
