高速自动驾驶赛车要求控制器在车辆操控极限附近运行，以最大化圈速，因此精确的非线性动力学建模至关重要。传统基于模型的方法（如单轨模型）具有可解释性，但依赖简化假设，在极限工况下精度不足；纯学习模型（如深度神经网络）能捕捉非线性，却常缺乏物理一致性，泛化到新场景时表现不佳。为此，来自亚利桑那州立大学等机构的研究人员提出了LE-PAVD（Learning-Enhanced Physics-Aware Vehicle Dynamics），一种集成物理先验与学习组件的混合动力学模型。
LE-PAVD架构在基础动力学模型上增加了四个关键组件：负载敏感的Pacejka轮胎力模型、纵向载荷转移效应、侧向轮胎力效应以及带速率限制的致动器输入。这些组件分别捕捉了轮胎非线性、制动/加速时的载荷变化、转向时的横向力以及实际执行器的响应延迟。模型采用端到端训练，利用仿真和真实遥测数据（包括来自真实赛车的GPS和IMU数据）同时优化所有参数，在提高状态预测精度的同时，保证物理一致性。
在一条未见过的测试赛道上（包含高速弯和连续变向），LE-PAVD与纯深度动力学基线（基于LSTM的模型）相比，平均位移误差（ADE）降低了16.1%，最终位移误差（FDE）降低了20.6%，偏航角速率均方根误差（RMSE）更是惊人地降低了91.3%。更令人印象深刻的是，LE-PAVD在实现这些提升的同时，计算量减少了21.6%（FLOPs从2.3M降至1.8M），推理速度提高了约1.5倍（从30Hz提升至45Hz）。在闭环模拟（模型预测控制+LE-PAVD）中，LE-PAVD在训练赛道和测试赛道上分别实现了17.4%和9.5%的圈速提升，且全程未出现赛道边界违规，而基线模型在测试赛道上多次冲出赛道。
总的来说，LE-PAVD提供了一个紧凑、基于物理的动力学主干，不仅提升了预测保真度和闭环性能，还降低了推理成本，为高速自主导航中的车辆动力学建模树立了新的标杆。该成果已被提交至arXiv（论文ID：2605.08489），并有望推动自动驾驶赛车和极限工况下自主驾驶技术的进一步发展。论文作者包括Musabbir Ahmed Arrafi等四人，提交日期为2026年5月8日。