隨着自動駕駛車輛在日益複雜的動態交通環境中運行，橫向控制必須在縱向速度和加速度不斷變化的情況下保持可靠。然而，許多現有的橫向控制方法依賴於恆速或工作點假設，在縱向瞬態機動時性能會顯著下降。此外，大多數方法假設車輛參數精確已知，但實際中參數往往存在不確定性，例如輪胎剛度、質量和轉動慣量等。這些問題限制了橫向控制在真實動態場景中的應用。
針對這些挑戰，一篇由Sixu Li等六位作者發表於arXiv（ID: 2607.02924）的論文提出了一種縱向運動感知的魯棒非線性橫向控制框架。該論文於2026年7月3日提交，屬於機器人學（cs.RO）領域。
該框架的核心在於首先推導了一個跟蹤誤差模型，該模型明確依賴於變化的縱向速度和加速度，而不是像傳統方法那樣假設恆定速度。利用該模型，通過反饋線性化技術，將橫向誤差跟蹤系統轉換為線性輸入輸出關係，同時將縱向運動動態嵌入到控制律中。為了確保整個系統的穩定性，作者對反饋線性化後產生的內部動力學進行了詳細分析，並提取了相關的穩定性條件。
針對參數不確定性，論文提出了兩種具有不同實現權衡的魯棒控制方案：第一種是受滑模控制啓發的Lyapunov重設計（LR）方法，通過引入非線性阻尼項來抑制不確定性；第二種是增量非線性動態逆（INDI）方法，該方法利用增量控制增量來增強魯棒性。兩種方法都經過了嚴格的數學分析，證明了它們能夠保證跟蹤誤差的最終有界性，並且明確了關鍵的魯棒性調節參數，如Lyapunov重設計中的增益和INDI中的濾波時間常數。
仿真部分展示了該框架在多種速度和加速度場景下的性能。與基準方法相比，所提方法在跟蹤精度上具有明顯優勢，且性能在不同縱向機動條件下保持一致。作者還系統地研究了魯棒性參數對系統行為的影響，為實際調試提供了指導。在實車測試中，該控制器在真實的硬件平台上實現了實時運行，併成功完成了複雜的路徑跟蹤任務，進一步證實了其實際應用潛力。
該研究為自動駕駛車輛的橫向控制提供了一種新的思路，解決了長期存在的動態條件下性能退化問題，具有重要的理論價值和工程意義。