北京
电动汽车日益依赖软件保障稳定、高效与安全。随着车辆承担更多自动驾驶任务，需比人类更快解读复杂路况——这推动工程师重新思考车辆如何感知自身运动。
现代控制系统依赖车辆实时运动状态的精准认知，微小误差都可能影响制动、转向与稳定性，在自动驾驶系统中误差还会快速累积。因此，车辆状态估计被视为未来出行的核心基础之一。
传统建模方法已难以应对真实道路的不可预测因素（如轮胎变形、路面变化、突发操作），这些常超出经典车辆模型的假设范围。
韩国DGIST的Kanghyun Nam教授团队联合上海交通大学、东京大学，开发出基于物理AI的车辆状态估计系统，实时追踪电动车行为。系统聚焦传感器无法直接测量的运动状态，其中侧滑角（车辆转弯或低摩擦时的侧向滑动程度）是关键——侧滑角未及时检测会导致控制滞后，而传统方法因轮胎行为动态变化、路面与速度影响难以精准估计。
团队设计的混合框架融合物理车辆模型与AI：将物理轮胎模型与AI回归方法结合，持续输入侧向轮胎力传感器数据，适应非线性轮胎行为与环境变化。核心是无迹卡尔曼滤波观测器与高斯过程回归的集成——卡尔曼滤波保证物理一致性，AI提供灵活性与学习能力，比传统方法更快更准。
系统通过真实电动车平台验证，覆盖多种路面、速度与转弯场景，均保持高准确性。精准状态估计支撑稳定性控制、自动驾驶安全与能效优化，让控制系统更早更精准干预。Nam教授强调：“物理+AI的新方法，可更精准可靠地估计电动车行驶状态。”该框架有望塑造未来车辆控制架构，实现AI辅助物理控制且不牺牲可靠性。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
