高速自動駕駛賽車要求控制器在車輛操控極限附近執行，以最大化圈速，因此精確的非線性動力學建模至關重要。傳統基於模型的方法（如單軌模型）具有可解釋性，但依賴簡化假設，在極限工況下精度不足；純學習模型（如深度神經網路）能捕捉非線性，卻常缺乏物理一致性，泛化到新場景時表現不佳。為此，來自亞利桑那州立大學等機構的研究人員提出了LE-PAVD（Learning-Enhanced Physics-Aware Vehicle Dynamics），一種整合物理先驗與學習元件的混合動力學模型。
LE-PAVD架構在基礎動力學模型上增加了四個關鍵元件：負載敏感的Pacejka輪胎力模型、縱向載荷轉移效應、側向輪胎力效應以及帶速率限制的致動器輸入。這些元件分別捕捉了輪胎非線性、制動/加速時的載荷變化、轉向時的橫向力以及實際執行器的響應延遲。模型採用端到端訓練，利用模擬和真實遙測資料（包括來自真實賽車的GPS和IMU資料）同時最佳化所有引數，在提高狀態預測精度的同時，保證物理一致性。
在一條未見過的測試賽道上（包含高速彎和連續變向），LE-PAVD與純深度動力學基線（基於LSTM的模型）相比，平均位移誤差（ADE）降低了16.1%，最終位移誤差（FDE）降低了20.6%，偏航角速率均方根誤差（RMSE）更是驚人地降低了91.3%。更令人印象深刻的是，LE-PAVD在實現這些提升的同時，計算量減少了21.6%（FLOPs從2.3M降至1.8M），推理速度提高了約1.5倍（從30Hz提升至45Hz）。在閉環模擬（模型預測控制+LE-PAVD）中，LE-PAVD在訓練賽道和測試賽道上分別實現了17.4%和9.5%的圈速提升，且全程未出現賽道邊界違規，而基線模型在測試賽道上多次衝出賽道。
總的來說，LE-PAVD提供了一個緊湊、基於物理的動力學主幹，不僅提升了預測保真度和閉環效能，還降低了推理成本，為高速自主導航中的車輛動力學建模樹立了新的標杆。該成果已被提交至arXiv（論文ID：2605.08489），並有望推動自動駕駛賽車和極限工況下自主駕駛技術的進一步發展。論文作者包括Musabbir Ahmed Arrafi等四人，提交日期為2026年5月8日。