《Vehicles》：Excitation Parameters Effect on Damper Performance Through Experimental Analysis
编辑推荐：
自动驾驶系统常常表现出与人类驾驶员显著不同的轨迹跟踪行为，这种现象被直观地描述为“机械性（mechanicalness）”。本研究超越了传统上对跟踪精度的关注，通过实车对比实验系统分析这些行为差异。使用搭载开源Autoware平台的线控转向（Steer-by-
自动驾驶系统常常表现出与人类驾驶员显著不同的轨迹跟踪行为，这种现象被直观地描述为“机械性（mechanicalness）”。本研究超越了传统上对跟踪精度的关注，通过实车对比实验系统分析这些行为差异。使用搭载开源Autoware平台的线控转向（Steer-by-Wire）车辆，在封闭校园道路的直线和弯道条件下收集轨迹数据。建立了一个五维评估框架，用以量化控制连续性、预测时域、误差响应模式、风格适应性和交互友好性。结果表明，Autoware表现出“高精度、低平滑、零容忍”的机械风格，其特征为高频微修正、反应式入弯、刚性速度跟踪和分段制动。相比之下，人类驾驶员采用有机模式，具有离散修正、弹性路径容差和预瞄协调的特点。机械性的技术根源被确定为四种算法范式：几何跟踪、解耦控制、误差驱动逻辑和有限预测时域。研究结果进一步揭示了机械控制固有的系统性安全与舒适性权衡，并提出了优化方向，包括自适应死区机制、扩展预测时域和横向-纵向协调。这些见解为开发更类人的自动驾驶控制策略提供了理论和工程基础。
随着自动驾驶技术发展，轨迹跟踪控制作为核心模块，负责执行规划层生成的参考路径并输出转向和速度指令。然而，实车体验中常出现一种现象：即便跟踪精度很高，乘客仍感到车辆行为僵硬、不自然，例如直线行驶中频繁小幅转向修正，以及“急刹-缓刹-停稳”的分段制动。现有研究分别在轨迹跟踪控制算法、Autoware平台评估和人类驾驶行为建模方面取得进展，但三者割裂，缺乏同一实车条件下算法控制与人类驾驶的直接对比，也缺乏量化描述这种“机械性”的框架。为此，本研究提出两个问题：同一实车
