自动驾驶汽车为什么会发生轨迹漂移？

[首发于智驾最前沿微信公众号]在自动驾驶技术的快速演进中，车辆能否精准地遵循既定路径行驶，是衡量系统成熟度的核心指标之一。然而，无论是实验车型，还是已经在城市道路上投入运营的无人驾驶出租车，偶尔会出一种异常的驾驶行为，那就是轨迹漂移。这种现象通常表现为车辆在直线行驶时产生细微的蛇形摆动，或是在弯道处无法紧贴中心线，甚至在某些特定环境下出现显著的横向位移偏离。是什么原因导致自动驾驶汽车出现轨迹漂移？

传感器固有特性与航位推算的累积误差

自动驾驶汽车之所以能够知道自己在哪里，主要依赖于一套由全球导航卫星系统与惯性测量单元构成的融合定位体系。这套体系在理想状态下能够提供厘米级的定位精度，但在复杂的物理世界中，误差是不可避免的。卫星信号在穿过大气层、被高楼反射或在隧道中被彻底阻断时，会产生严重的精度波动。当卫星信号因环境遮挡而失效时，车辆必须切换到航位推算的模式。这种模式主要依靠惯性测量单元中的陀螺仪和加速度计来推算车辆的位姿变化。

图片源自：网络

然而，惯性传感器本身就存在无法逾越的物理局限。以微机电系统为基础的惯性测量单元，其输出的数据中不可避免地包含着随机噪声和零点偏移。在数学逻辑上，车辆的位置信息是通过对加速度进行两次时间积分得到的。这意味着，即使传感器存在一个极小的、恒定的零点偏差，这个偏差在两次积分的过程中也会随时间呈平方量级迅速放大。这种现象在行业内被形象地称为“温漂”或“零漂”。对于中低成本的传感器而言，在完全失去外部参考信号（如卫星信号）的情况下，行驶短短几百米，纵向漂移就可能达到数米之多。

为了对冲这种累积误差，自动驾驶系统引入了高精地图与传感器特征匹配技术。车辆利用激光雷达或摄像头扫描路边的电线杆、交通标志、车道线等特征，并将其与高精地图中预存的精确坐标进行比对，从而像“找补”一样修正航位推算的偏差。但这种方案在如空旷的戈壁路段或墙面平整的长隧道等环境特征极其单一的场景中，匹配算法会因为缺乏足够的显著特征而失效，导致车辆的航位推算再次失准。此外，如果高精地图本身的测绘精度存在瑕疵，或者由于道路施工导致实地环境与地图不符，这种匹配过程反而会引入新的干扰，诱发更显著的轨迹漂移。

传感器同步误差与运动畸变的干扰

自动驾驶车辆全车分布着多个不同频率、不同原理的传感器。摄像头可能以每秒三十帧的频率拍摄图像，而机械旋转式激光雷达则以每秒十次的频率扫描一周。如果这些传感器捕捉到的信息在时间上没有对齐，系统就会在错误的时间、错误的位置处理信息。举个例子，当车辆以每小时六十公里的速度行驶时，仅仅十毫秒的时间偏差就会导致十六厘米的空间位置误差。如果感知模块将一帧过时的激光雷达点云与当前时刻的摄像头图像融合，系统就会误判障碍物的实际位置，从而规划出一条带有偏差的轨迹。

为了确保所有传感器都在同一个“时钟脉冲”下工作，技术方案中引入了专门的时间同步协议。常见的做法是利用卫星提供的秒脉冲信号作为基准，通过专门的同步板卡，将全车传感器的采集时刻控制在微秒级别的误差内。

图片源自：网络

即便解决了传感器之间的时间对齐，单一传感器内部的运动畸变依然是一个棘手的问题。以机械旋转式激光雷达为例，它生成一帧完整的点云数据大约需要一百毫秒。在这短短的时间里，车辆并非静止不动，而是处于持续的位移和旋转中。这意味着点云中第一束激光和最后一束激光扫描到的物体，实际上是在车辆处于不同姿态下获取的。

如果不进行去畸变处理，车辆眼中的世界就是扭曲的，原本笔直的车道线可能变成弧线，路边的路灯柱可能发生倾斜。这种由于自身运动导致的感知扭曲，会直接干扰定位算法对车辆真实位姿的估计。目前，主流的解决方案是结合惯性测量单元的高频运动数据，对每一束激光的坐标进行补偿，从而将扭曲的点云还原到真实的物理坐标系中。但补偿算法本身依赖于运动模型的准确性，一旦车辆在颠簸路面发生剧烈抖动，残余的运动畸变依然会导致轨迹预测的微小晃动。

轮胎力学特性与环境不确定性

在很多人的直观理解中，自动驾驶车辆的行驶轨迹是由算法计算出的几何曲线。然而，汽车并不是一个可以在冰面上随意滑动的质点，它受到复杂的物理学约束，尤其是轮胎与路面之间的相互作用。轨迹漂移在很多场景下，本质上是车辆物理极限与算法简化模型之间产生了矛盾。

轮胎在高速转弯时，由于橡胶的弹性形变，其实际滚动方向与轮毂所指向的方向并不完全一致，这中间产生的夹角被称为侧偏角。当侧偏角超过一定阈值时（通常在五到十五度之间），车辆就会进入滑移状态。虽然自动驾驶系统会尽量避免极限漂移，但这种侧偏现象是无处不在的。如果控制算法仅仅基于简单的几何运动学模型，即假设车轮指向哪里，车就往哪里开，而忽视了轮胎的受力特性，车辆在过弯时就会因为向心力不足而向弯道外侧“外抛”。这种由于忽视动力学约束导致的误差，在高速行驶和低附着路面（如雨雪天）下表现得尤为明显。

图片源自：网络

除此之外，环境因素的波动也为轨迹跟踪增加了难度。路面的摩擦系数、车辆载荷的分布、甚至轮胎气压的微小差异，都会改变车辆的转向特性。当一辆满载的自动驾驶汽车在过弯时，其转动惯量远大于空载状态，转向响应会变得更加迟钝。如果控制算法无法实时感知这些参数的变化，并据此调整转向力度，车辆就无法精准地压在规划的轨迹线上。

自动驾驶算法尝试通过模型预测控制等手段，将这些物理约束纳入优化框架，通过在每一个计算周期内模拟未来的运动趋势，来预判并抵消侧偏带来的影响。但这种“未雨绸缪”的计算依赖于极高的模型精度，任何细微的模型失配都会在执行层面转化为轨迹的细微漂移。

执行器延迟与通信时延的振荡效应

轨迹漂移的最后一个深层原因，隐藏在电子指令转化为机械动作的时间差里。自动驾驶系统从发现偏差到完成修正，需要传感器数据采集、算法识别、路径规划、控制指令生成，最后通过总线传达给转向执行机构等一系列操作。

执行器的物理迟滞是这种延迟的主要来源。转向系统中的电机需要时间克服摩擦力来建立扭矩，液压机构需要时间建立压力，这些机械层面的“拖泥带水”意味着车辆在执行决策时，其所依据的传感器信息已经是几十甚至上百毫秒前的状态了。这种延迟在控制理论中被称为“滞后”。如果控制系统对延迟缺乏预判，就会陷入一种恶性循环，即当系统发现车辆向右偏离时，发出向左打方向的指令，但由于动作滞后，当车轮真正转向左侧时，车辆可能已经偏离得更多了。随后，为了强力纠偏，系统又会给出一个更大的转向角度，这又会导致车辆跨过中心线向左侧摆动。这种反复的“过度修正”和“修正不足”，在视觉上就表现为车辆在车道内左右摇摆，无法形成平顺的行驶轨迹。

图片源自：网络

自动驾驶系统通过采用状态增广和预测补偿的技术路径来克服这种时延干扰。在控制算法中不仅考虑当前的位姿，还将过去若干个周期发出的但尚未完全执行完毕的控制指令也纳入计算范围。模型预测控制在这里再次发挥了关键作用，它不仅着眼于当前的偏差，而是通过对未来一段时间内车辆状态的持续预测，提前发出转向指令，从而在物理执行的层面“填平”时间带来的鸿沟。随着计算平台的升级和车载通信协议（如车载以太网）的应用，系统内部的数据传输延迟也在被不断压缩，但这依然无法完全消除机械执行件的物理瓶颈。

在轨迹漂移的问题解决上，行业内存在着不同的技术方案。以特斯拉为代表的方案倾向于利用大规模的端到端深度学习，通过海量的真实驾驶数据让模型学习如何应对各种扰动。还有一些厂家更侧重于高精地图与多传感器融合的严密推导，通过精细的物理模型和闭环检测来抵消误差。这两种方案也体现出不同的技术追求，是相信数据驱动的直觉？还是依赖严谨的物理建模？

轨迹预测偏差与场景适应性的挑战

除了感知、动力学和控制环节的误差，轨迹漂移有时也源于规划层面的决策。在复杂的城市交通中，自动驾驶车辆需必须不断预测周围行人和车辆的意图。如果预测算法对侧方车辆的变道意图判断失误，或者在多个潜在避让方案之间反复切换，就会导致规划出的轨迹频繁变更。

这种决策层的“犹豫不决”反馈到执行层，就是车辆在短时间内产生不自然的横向摆动，这种现象虽然在物理上不同于传感器的零漂，但对乘客而言同样是一种危险的轨迹漂移。

图片源自：网络

特别是对于行人轨迹的预测，由于人类行为的多模态特征，同一个位置的行人可能加速跑过马路，也可能突然停下等待，预测模型需要给出多个可能的概率分支。当不同的概率分支在极短时间内发生权重反转时，车辆的路径规划器就会被迫重写未来轨迹。

这种轨迹的剧烈跳变是导致自动驾驶系统出现“机械感”和“不确定感”的重要来源。为了缓解这一问题，交互感知算法被引入系统，它不仅观察单一目标，还试图理解交通参与者之间的相互依赖关系，从而提供更稳定、更符合人类预期的预测路径。

最后的话

自动驾驶的轨迹漂移，可以说是各种系统误差层层叠加的结果。它从传感器本身的微小误差开始，在时间与空间对齐的细小偏差里逐渐放大，又受到轮胎抓地力与地面摩擦的实际物理限制，最后在控制系统不可避免的延迟中被体现出来。随着传感器越来越准、车辆动力学模型越来越贴近真实，加上预测控制算法能看得更远，这种漂移正在被一点点减小。但只要车还在真实世界里跑，克服漂移就始终是自动驾驶领域一个核心的技术难题。