[首發于智駕最前沿微信公眾號]在自動駕駛技術的快速演進中，車輛能否精準地遵循既定路徑行駛，是衡量系統成熟度的核心指標之一。然而，無論是實驗車型，還是已經在城市道路上投入運營的無人駕駛出租車，偶爾會出一種異常的駕駛行為，那就是軌跡漂移。這種現象通常表現為車輛在直線行駛時產生細微的蛇形擺動，或是在彎道處無法緊貼中心線，甚至在某些特定環境下出現顯著的橫向位移偏離。是什么原因導致自動駕駛汽車出現軌跡漂移？

傳感器固有特性與航位推算的累積誤差

自動駕駛汽車之所以能夠知道自己在哪里，主要依賴于一套由全球導航衛星系統與慣性測量單元構成的融合定位體系。這套體系在理想狀態下能夠提供厘米級的定位精度，但在復雜的物理世界中，誤差是不可避免的。衛星信號在穿過大氣層、被高樓反射或在隧道中被徹底阻斷時，會產生嚴重的精度波動。當衛星信號因環境遮擋而失效時，車輛必須切換到航位推算的模式。這種模式主要依靠慣性測量單元中的陀螺儀和加速度計來推算車輛的位姿變化。

然而，慣性傳感器本身就存在無法逾越的物理局限。以微機電系統為基礎的慣性測量單元，其輸出的數據中不可避免地包含著隨機噪聲和零點偏移。在數學邏輯上，車輛的位置信息是通過對加速度進行兩次時間積分得到的。這意味著，即使傳感器存在一個極小的、恒定的零點偏差，這個偏差在兩次積分的過程中也會隨時間呈平方量級迅速放大。這種現象在行業內被形象地稱為“溫漂”或“零漂”。對于中低成本的傳感器而言，在完全失去外部參考信號（如衛星信號）的情況下，行駛短短幾百米，縱向漂移就可能達到數米之多。

為了對沖這種累積誤差，自動駕駛系統引入了高精地圖與傳感器特征匹配技術。車輛利用激光雷達或攝像頭掃描路邊的電線桿、交通標志、車道線等特征，并將其與高精地圖中預存的精確坐標進行比對，從而像“找補”一樣修正航位推算的偏差。但這種方案在如空曠的戈壁路段或墻面平整的長隧道等環境特征極其單一的場景中，匹配算法會因為缺乏足夠的顯著特征而失效，導致車輛的航位推算再次失準。此外，如果高精地圖本身的測繪精度存在瑕疵，或者由于道路施工導致實地環境與地圖不符，這種匹配過程反而會引入新的干擾，誘發更顯著的軌跡漂移。

傳感器同步誤差與運動畸變的干擾

自動駕駛車輛全車分布著多個不同頻率、不同原理的傳感器。攝像頭可能以每秒三十幀的頻率拍攝圖像，而機械旋轉式激光雷達則以每秒十次的頻率掃描一周。如果這些傳感器捕捉到的信息在時間上沒有對齊，系統就會在錯誤的時間、錯誤的位置處理信息。舉個例子，當車輛以每小時六十公里的速度行駛時，僅僅十毫秒的時間偏差就會導致十六厘米的空間位置誤差。如果感知模塊將一幀過時的激光雷達點云與當前時刻的攝像頭圖像融合，系統就會誤判障礙物的實際位置，從而規劃出一條帶有偏差的軌跡。

為了確保所有傳感器都在同一個“時鐘脈沖”下工作，技術方案中引入了專門的時間同步協議。常見的做法是利用衛星提供的秒脈沖信號作為基準，通過專門的同步板卡，將全車傳感器的采集時刻控制在微秒級別的誤差內。

圖片源自：網絡

即便解決了傳感器之間的時間對齊，單一傳感器內部的運動畸變依然是一個棘手的問題。以機械旋轉式激光雷達為例，它生成一幀完整的點云數據大約需要一百毫秒。在這短短的時間里，車輛并非靜止不動，而是處于持續的位移和旋轉中。這意味著點云中第一束激光和最后一束激光掃描到的物體，實際上是在車輛處于不同姿態下獲取的。

如果不進行去畸變處理，車輛眼中的世界就是扭曲的，原本筆直的車道線可能變成弧線，路邊的路燈柱可能發生傾斜。這種由于自身運動導致的感知扭曲，會直接干擾定位算法對車輛真實位姿的估計。目前，主流的解決方案是結合慣性測量單元的高頻運動數據，對每一束激光的坐標進行補償，從而將扭曲的點云還原到真實的物理坐標系中。但補償算法本身依賴于運動模型的準確性，一旦車輛在顛簸路面發生劇烈抖動，殘余的運動畸變依然會導致軌跡預測的微小晃動。

輪胎力學特性與環境不確定性

在很多人的直觀理解中，自動駕駛車輛的行駛軌跡是由算法計算出的幾何曲線。然而，汽車并不是一個可以在冰面上隨意滑動的質點，它受到復雜的物理學約束，尤其是輪胎與路面之間的相互作用。軌跡漂移在很多場景下，本質上是車輛物理極限與算法簡化模型之間產生了矛盾。

輪胎在高速轉彎時，由于橡膠的彈性形變，其實際滾動方向與輪轂所指向的方向并不完全一致，這中間產生的夾角被稱為側偏角。當側偏角超過一定閾值時（通常在五到十五度之間），車輛就會進入滑移狀態。雖然自動駕駛系統會盡量避免極限漂移，但這種側偏現象是無處不在的。如果控制算法僅僅基于簡單的幾何運動學模型，即假設車輪指向哪里，車就往哪里開，而忽視了輪胎的受力特性，車輛在過彎時就會因為向心力不足而向彎道外側“外拋”。這種由于忽視動力學約束導致的誤差，在高速行駛和低附著路面（如雨雪天）下表現得尤為明顯。

除此之外，環境因素的波動也為軌跡跟蹤增加了難度。路面的摩擦系數、車輛載荷的分布、甚至輪胎氣壓的微小差異，都會改變車輛的轉向特性。當一輛滿載的自動駕駛汽車在過彎時，其轉動慣量遠大于空載狀態，轉向響應會變得更加遲鈍。如果控制算法無法實時感知這些參數的變化，并據此調整轉向力度，車輛就無法精準地壓在規劃的軌跡線上。

自動駕駛算法嘗試通過模型預測控制等手段，將這些物理約束納入優化框架，通過在每一個計算周期內模擬未來的運動趨勢，來預判并抵消側偏帶來的影響。但這種“未雨綢繆”的計算依賴于極高的模型精度，任何細微的模型失配都會在執行層面轉化為軌跡的細微漂移。

執行器延遲與通信時延的振蕩效應

軌跡漂移的最后一個深層原因，隱藏在電子指令轉化為機械動作的時間差里。自動駕駛系統從發現偏差到完成修正，需要傳感器數據采集、算法識別、路徑規劃、控制指令生成，最后通過總線傳達給轉向執行機構等一系列操作。

執行器的物理遲滯是這種延遲的主要來源。轉向系統中的電機需要時間克服摩擦力來建立扭矩，液壓機構需要時間建立壓力，這些機械層面的“拖泥帶水”意味著車輛在執行決策時，其所依據的傳感器信息已經是幾十甚至上百毫秒前的狀態了。這種延遲在控制理論中被稱為“滯后”。如果控制系統對延遲缺乏預判，就會陷入一種惡性循環，即當系統發現車輛向右偏離時，發出向左打方向的指令，但由于動作滯后，當車輪真正轉向左側時，車輛可能已經偏離得更多了。隨后，為了強力糾偏，系統又會給出一個更大的轉向角度，這又會導致車輛跨過中心線向左側擺動。這種反復的“過度修正”和“修正不足”，在視覺上就表現為車輛在車道內左右搖擺，無法形成平順的行駛軌跡。

自動駕駛系統通過采用狀態增廣和預測補償的技術路徑來克服這種時延干擾。在控制算法中不僅考慮當前的位姿，還將過去若干個周期發出的但尚未完全執行完畢的控制指令也納入計算范圍。模型預測控制在這里再次發揮了關鍵作用，它不僅著眼于當前的偏差，而是通過對未來一段時間內車輛狀態的持續預測，提前發出轉向指令，從而在物理執行的層面“填平”時間帶來的鴻溝。隨著計算平臺的升級和車載通信協議（如車載以太網）的應用，系統內部的數據傳輸延遲也在被不斷壓縮，但這依然無法完全消除機械執行件的物理瓶頸。

在軌跡漂移的問題解決上，行業內存在著不同的技術方案。以特斯拉為代表的方案傾向于利用大規模的端到端深度學習，通過海量的真實駕駛數據讓模型學習如何應對各種擾動。還有一些廠家更側重于高精地圖與多傳感器融合的嚴密推導，通過精細的物理模型和閉環檢測來抵消誤差。這兩種方案也體現出不同的技術追求，是相信數據驅動的直覺？還是依賴嚴謹的物理建模？

軌跡預測偏差與場景適應性的挑戰

除了感知、動力學和控制環節的誤差，軌跡漂移有時也源于規劃層面的決策。在復雜的城市交通中，自動駕駛車輛需必須不斷預測周圍行人和車輛的意圖。如果預測算法對側方車輛的變道意圖判斷失誤，或者在多個潛在避讓方案之間反復切換，就會導致規劃出的軌跡頻繁變更。

這種決策層的“猶豫不決”反饋到執行層，就是車輛在短時間內產生不自然的橫向擺動，這種現象雖然在物理上不同于傳感器的零漂，但對乘客而言同樣是一種危險的軌跡漂移。

特別是對于行人軌跡的預測，由于人類行為的多模態特征，同一個位置的行人可能加速跑過馬路，也可能突然停下等待，預測模型需要給出多個可能的概率分支。當不同的概率分支在極短時間內發生權重反轉時，車輛的路徑規劃器就會被迫重寫未來軌跡。

這種軌跡的劇烈跳變是導致自動駕駛系統出現“機械感”和“不確定感”的重要來源。為了緩解這一問題，交互感知算法被引入系統，它不僅觀察單一目標，還試圖理解交通參與者之間的相互依賴關系，從而提供更穩定、更符合人類預期的預測路徑。

最后的話

自動駕駛的軌跡漂移，可以說是各種系統誤差層層疊加的結果。它從傳感器本身的微小誤差開始，在時間與空間對齊的細小偏差里逐漸放大，又受到輪胎抓地力與地面摩擦的實際物理限制，最后在控制系統不可避免的延遲中被體現出來。隨著傳感器越來越準、車輛動力學模型越來越貼近真實，加上預測控制算法能看得更遠，這種漂移正在被一點點減小。但只要車還在真實世界里跑，克服漂移就始終是自動駕駛領域一個核心的技術難題。

審核編輯 黃宇