随着自动驾驶车辆在日益复杂的动态交通环境中运行，横向控制必须在纵向速度和加速度不断变化的情况下保持可靠。然而，许多现有的横向控制方法依赖于恒速或工作点假设，在纵向瞬态机动时性能会显著下降。此外，大多数方法假设车辆参数精确已知，但实际中参数往往存在不确定性，例如轮胎刚度、质量和转动惯量等。这些问题限制了横向控制在真实动态场景中的应用。
针对这些挑战，一篇由Sixu Li等六位作者发表于arXiv（ID: 2607.02924）的论文提出了一种纵向运动感知的鲁棒非线性横向控制框架。该论文于2026年7月3日提交，属于机器人学（cs.RO）领域。
该框架的核心在于首先推导了一个跟踪误差模型，该模型明确依赖于变化的纵向速度和加速度，而不是像传统方法那样假设恒定速度。利用该模型，通过反馈线性化技术，将横向误差跟踪系统转换为线性输入输出关系，同时将纵向运动动态嵌入到控制律中。为了确保整个系统的稳定性，作者对反馈线性化后产生的内部动力学进行了详细分析，并提取了相关的稳定性条件。
针对参数不确定性，论文提出了两种具有不同实现权衡的鲁棒控制方案：第一种是受滑模控制启发的Lyapunov重设计（LR）方法，通过引入非线性阻尼项来抑制不确定性；第二种是增量非线性动态逆（INDI）方法，该方法利用增量控制增量来增强鲁棒性。两种方法都经过了严格的数学分析，证明了它们能够保证跟踪误差的最终有界性，并且明确了关键的鲁棒性调节参数，如Lyapunov重设计中的增益和INDI中的滤波时间常数。
仿真部分展示了该框架在多种速度和加速度场景下的性能。与基准方法相比，所提方法在跟踪精度上具有明显优势，且性能在不同纵向机动条件下保持一致。作者还系统地研究了鲁棒性参数对系统行为的影响，为实际调试提供了指导。在实车测试中，该控制器在真实的硬件平台上实现了实时运行，并成功完成了复杂的路径跟踪任务，进一步证实了其实际应用潜力。
该研究为自动驾驶车辆的横向控制提供了一种新的思路，解决了长期存在的动态条件下性能退化问题，具有重要的理论价值和工程意义。