不確定影響下智能車輛縱向干擾估計與運動控制

主題詞：智能車輛縱向運動控制外部干擾估計不確定影響模型預測控制中圖分類號：U471.15 文獻標志碼：A DOI： 10.19620/j.cnki.1000-3703.20241068

Longitudinal Disturbance Estimation and Motion Control of Intelligent Vehicles under Uncertain Influences

JingWei'，Zhao Wenqiang'，Wei Hongqian'，Lai Chenguang？，Zhang Youtong12 （1.School of MechanicalandVehicular Engineering，Beijing Instituteof Technology，Beijing1Oo081;2.YangtzeDelta RegionAcademyBeijing InstituteofTechnology，Jiaxing 314Ooo;3.International CooperationJointLaboratoryof IntellgentManufacturingand ControlofKeyComponentsofEnergy-SavingandNewEnergy Vehicles，Ministryof Education， Chongqing University of Technology， Chongqing ）

【Abstract】To mitigate the interferenceof external disturbancesand environmentaluncertaintiesand improve vehicle speedtrackingacuracy，thisstudyproposesalongitudinal motioncontrolerthatintegratesaHigh GainExtendedState Observer （HGESO）with odel PredictiveControl（MPC）.First，themulti-sourceexternaluncertaintiesareconsolidated ntoa stochastic time-varyingresistanceterm inthespeedcontrolframework，whichisestimatedusing the HGESO.Thisapproach is combinedwithanominal state-spacemodel toenhance thedescriptionof vehicle longitudinal dynamics.Subsequently，an incremental MPCcontrollerincorporatingtheestimateddisturbanceresistanceisemployed.Thiscontrollerdesignsamultiobjectiveoptimization function that simultaneouslyconsiders longitudinal speed tracking eror，ridecomfort，and energy consumption，ultimatelysolvingfortheoptimalcontrolinput.Finally，precisecalibrationof thelower-levelcontroler’s mappingtableisperformed toensureacurateoutputofthrotleandbrakecommands，therebyenhancingthecontroller'srealtimeexecution capability.Experimental resultsdemonstrate significantimprovements in speed trackingaccuracyunder challenging conditions： a 35% ＼～61.54% enhancement is achieved on steep slopes，and a 26.3%＼～80.8% improvement is observed during continuous steering maneuvers.The proposed controlstrategy efectively eliminates theimpactof external disturbances on vehicle longitudinal control.

Keywords：Intelligent vehicles，Longitudinal motioncontrol，External disturbance estimation， Jncertain influences，Model PredictiveControl （MPC）

【引用格式】荊威，趙文強，魏洪乾，等.不確定影響下智能車輛縱向干擾估計與運動控制[J].汽車技術，2025（5）：11-21.JINGW，ZHAOWQ，WEIHQ，etal.LongitudinalDisturbanceEstimationandMotionControlofIntellgentVehiclesundelUncertainInfluences[J].Automobile Technology，2025（5）： 11-21.

1前言

自動駕駛作為車輛智能化的體現，包含環境感知、自主決策以及控制執行等關鍵技術。其中，控制模塊可保證車輛精準、穩定地跟蹤目標軌跡?，F有研究多集中于車輛的橫向控制，但縱向速度控制對提升軌跡跟蹤精度同樣具有關鍵影響。在實際行駛中，車輛面臨多源不確定性干擾（如道路坡度、轉向等），且車輛傳動系統存在顯著的非線性特性，難以通過精確建模完整表征其實際物理行為。因此，復雜的內、外部不確定因素使高精度縱向速度控制面臨嚴峻挑戰。

對于提升車輛縱向速度控制精度，主要采用PI控制器2]、自適應控制器[3]、反步法控制器4等方法，但這些方法通過實時誤差反饋調節控制量，并未從機理上分析外部干擾來源，導致對干擾的抑制效果有限[5]。隨著人工智能快速發展，基于神經網絡的控制方法6-8得到廣泛應用，雖然在一定程度上能夠提升系統性能，但其可解釋性較差，不便于調試和控制優化。同時，此類方法對計算資源要求較高，在車載嵌人式電控單元中難以實現工程化應用。

基于最優控制理論的方法兼顧控制精度與實時性優勢，線性二次調節器]（LinearQuadratic Regulator，LQR）和模型預測控制[o]（ModelPredictiveControl，MPC）成為解決方案。Zhu等將控制器分為兩層，上層MPC控制器輸出期望加速度，下層建立傳動系統的逆縱向動力學模型，輸出最終的控制量，解決了單層MPC建模不準確的問題[11-12]。Dong等[13]系統地分析了縱向阻力的來源，設計考慮縱向干擾的分層MPC控制器，但該方案對外部阻力的估計效果欠佳。Xiong等利用擴張狀態觀測器實時估計動力系統的不確定性和傳感器噪聲，為干擾估計提供了新的思路[14-15]。張忠等[利用線性擴張狀態觀測器（LinearExtended StateObserver，LESO）對外部干擾進行實時估計，但該方法對高頻干擾的估計效果較差。

為了提高控制器對外部干擾的抑制能力，降低傳動系統建模誤差，本文提出一種融合高增益擴張狀態觀測器（HighGainExtended StateObserver，HGESO）與模型預測控制器的縱向運動控制策略。外部干擾經過實時觀測后，輸人上層MPC控制器；下層控制器為離線標定的映射表，將上層MPC輸出的期望加速度映射為油門和制動指令。同時，經過仿真和硬件在環測試驗證其控制精度和計算實時性。

2 縱向控制模型

2.1整車縱向動力學模型

本文將后輪驅動的智能車輛作為研究對象，車輛動力學模型如圖1所示。其中， F_s 為前輪側向力的縱向分力， F_f?F_w?F_g 分別為滾動阻力、空氣阻力與坡度阻力，mv@為科氏力， m 為整車質量， v_y?v_x 分別為橫向和縱向車速， ω 為橫擺角速度， F_yr?_xF_xr?_y 分別為后輪側向力、后輪縱向力和前輪側向力， α_rα_f 分別為后輪和前輪的輪胎側偏角。

整車的縱向動態可描述為：

式中： a_x 為整車縱向加速度， F_d?F_b 分別為驅動力和制動力， F_res 為縱向阻力的合力， F_x 為驅動力和制動力的合力， ρ 為空氣密度， C_d 為空氣阻力系數， A 為迎風面積 ?，f_f 為滾動阻力摩擦因數， θ 為路面坡度角， δ 為前輪轉角。

為了方便實際應用，僅考慮各項阻力的合力對于車輛動態的影響。因此，引入外部干擾加速度 a_dis ，實現對車輛阻力的綜合描述：

2.2縱向控制狀態空間模型

車輛的縱向動態主要表現為速度和加速度的變化關系，由于車輛動力系統存在輸出響應滯后，為了準確描述車輛的實際動態特性，將車輛的縱向控制問題使用二階系統表示：

式中： K_a 為系統增益， τ 為一階慣性系統的時間常數， a_des 為期望加速度， a_dis 為干擾加速度。

以 為狀態變量， u（t）=a_des（t） 為控制變量，構建線性時變狀態空間模型為：

基于零階保持器，采用前向歐拉法對式（4）進行離散化，得到離散狀態空間方程為：

式中： T_s 為采樣周期。

3縱向運動控制器設計

基于模型的控制方法引入被控對象的動態過程，能夠實現更加靈活、精確的控制。然而，高控制精度以高維度模型為基礎，在控制求解過程中帶來巨大的計算負擔。為了保證控制過程的實時性，本文采用雙層結構設計車輛的縱向運動控制器，其結構如圖2所示。

3.1外部不確定阻力的實時狀態觀測

線性擴張狀態觀測器（LESO）[將系統內部未建模動態和式（2）表示的外部干擾整合為總干擾，對低頻外部干擾的估計效果較好。但外部干擾常缺少先驗結果，同時極易包含高頻成分，LESO的觀測精度較低。為了實現各類場景下對干擾的精確估計，本文提出一種高增益擴張狀態觀測器（HGESO），在考慮車輛縱向動態時，對外部干擾單獨估計，從而提高觀測精度。

將外部阻力產生的等效加速度視為新的狀態變量，則式（4）表示的系統可以擴展為：

因此，觀測器可設計為：

式中： K，k 為增益。

觀測器的觀測誤差為 則 。根據高增益的思想，引入三角變換 其中， s 為待定的系數矩陣，可得觀測器的誤差狀態空間為：

觀測器的誤差狀態空間的系數矩陣滿足 該矩陣的特征值為調節增益 ω（ωgt;0） ，則觀測矩陣滿足穩定性條件。令中間變量 ， -A_c（2，1）-2A_c（2，2）²- A_c（2，2）ω-ω² 』符合上述系數矩陣，可得到 K 和k分別為：

因此，離散后的觀測器為：

式中： T_s，0 為觀測器采樣周期， e_v 為速度觀測誤差。

為了進一步分析HGESO觀測器的穩定性和收斂性，觀測器的誤差狀態空間可表示為：

通過穩定性定理可證明離散后系統穩定[，針對式（6）定義的系統，對于任意的 d∈W^1，∞（R⁺） ，設計的觀測器滿足： i=1，2，則觀測器誤差收斂。其中，Mgt;0為不 依賴 的常數。

證明：觀測器誤差狀態空間的系數矩陣可知，狀態變量[e（t） 的系數矩陣特征值為 -ω（ωgt;0） ，A_ω∈R^3×3 為Hurwitz矩陣，且特征值均為 [s I_1×1]^T∈R³ 且 B_ω 滿足 一致收斂 s∈C_+° 令 為第 j 個分量是 1，j=1，2，3， 故 ，一致收斂 s∈C_+° 由Laplace反變換可得：

式中： γ 為積分收斂的實數。

由于 A_ω∈R^3×3 是Hurwitz矩陣，得到：

因此，可證明觀測器穩定且收斂。

3.2融合外部干擾的上層控制器設計

基于經典MPC控制器，通過融合外部干擾加速度 ，進一步完善狀態空間。為了保證控制量平穩輸出，設計增量式MPC，并將其作為上層控制器，根據控制量 Δu（k）=u（k）-u（k-1） ，得到新的離散狀態空間

方程為：

式中 分別為系統狀態量和控制量的維度。

MPC采用滾動有限時域優化策略，通過模型預測系統輸出，結合代價函數得到控制時域內的最優控制量序列。為了提高預測模型精度，可將觀測的干擾加速度納入預測方程：

時域和控制時域。

為了提高控制器的速度跟蹤精度，保證控制量平滑輸出，降低控制器消耗能量，定義多目標優化代價函數為：

式中： Q，R，S 分別為速度跟蹤精度 q_v? 控制量增量r_Δades 和控制量 s_ades 的權重矩陣， diag（ ）為創建對角矩陣函數。

為了便于求解控制量，將多目標優化問題轉化為標準的二次規劃問題，并進行約束量設計，得到：

式中： g^T=4[E^TQ× （204 （20號 ΔU_min=[Δu_minΔu_min…Δu_min]^T，ΔU_max=[Δu_maxΔu_max]^T .： Δu_maxJ^T，I_Nc 為 N_c×N_c 的下三角矩陣。

通過二次規劃求解，得到控制時域內的控制量為ΔU（k）=[Δu（k）Δu（k+1）…Δu（k+N_e-1）]^T， 將該控制序列中第一個元素作為實際控制輸入增量，得到最終的控制量為 u（k）=u（k-1）+Δu（k）

3.3考慮延遲和非線性因素的下層控制器設計

設計傳統車輛的下層控制器時多使用傳動系統的逆縱向動力學模型，即基于模型的控制器設計方法。實際上，傳動系統具有延遲、非線性等特性，模型很難準確描述傳動系統的動態響應。因此，本文通過離線標定油門和制動控制量，對下層控制器進行設計。

在平坦路面直線行駛工況下進行驅動、制動試驗，觀測由風阻、滾動阻力產生的外部干擾加速度為ádis，，并記錄速度、加速度、油門、制動等信息。理想狀態下，僅由控制量引起的縱向加速度響應為：

式中： 為實際加速度。

將理想狀態的縱向加速度代人式（3），縱向控制系統等效為無外部干擾的理想系統：

將油門/制動開度，速度、加速度等間隔離散，記錄相應的外部阻力加速度，經式（19）修正得到理想狀態下的期望加速度。因此，標定后的油門制動映射表如圖3所示，其表達式為：

式中： α_thr，λ_brk 分別為油門和制動踏板開度， π，r 分別為油門和制動的期望加速度和實際車速的映射函數。

在實際控制中，上層MPC計算的期望加速度 經式（19）修正后，得到理想狀態下的期望加速度 a_des ，實現了上層控制指令到油門、制動指令的映射。因此，油門、制動指令的映射過程分別為：

式中： MAP（ ）為油門、制動映射函數的合函數。

4仿真試驗結果與分析

為了驗證本文方案的優勢，搭建Matlab/Simulink與CarSim聯合仿真平臺，利用Matlab/Simulink開發控制器，使用CarSim建立高保真車輛模型，形成控制閉環，測試分為大縱坡干擾工況仿真試驗、大曲率彎道轉向工況硬件在環試驗。

對比本文控制器（HGESO-MPC）與引入反步法、MPC、LESO-MPC等控制器，記錄不同控制器的速度跟蹤精度以及LESO、HGESO的觀測精度。其中，對比試驗的3種控制器設計過程為：

a.反步法控制器。通過反饋線性化方法，根據李雅普諾夫穩定性要求設計虛擬控制率，從外層子系統向內層子系統依次推進，最終由最內層的子系統設計實際的控制輸入，使閉環系統滿足穩定性要求。最終的控制量為：

式中： 為虛擬控制量， x_id 為期望加速度， x₂ 為實際加速度， k₁，k₂ 為比例系數。

b.MPC控制器。經典MPC控制器未考慮縱向外部干擾，狀態空間和預測方程中不包含干擾項，根據理想情況下的動力學方程設計控制器[2]。

c.LESO-MPC控制器。LESO觀測器將外部干擾a_dis（t） 和縱向加速度 作為總的外部干擾進行估計，忽略了部分系統動態，所以在外部干擾高頻變化時，觀測精度欠佳[1]。

為了滿足無人駕駛車輛上層控制器的高頻控制需求，本文控制器的采樣周期為 T_s=20ms ，觀測器的采樣周期為 T_s，o=10ms 。仿真車輛參數及控制器參數分別如表1和表2所示。

4.1仿真試驗

仿真工況可分為3個階段：

a.階段1：前100s為平坦路面行駛，其中，第0＼～70s為車速階躍階段，最高車速達到 81km/h ，測試控制器的響應速度和穩態誤差。

b.階段2：第70＼～100s為勻加速和勻減速階段，測試控制器的穩定性和速度跟蹤精度。

c.階段3：第100s后，車輛以 72km/h 勻速上、下坡，坡度在 -40^°～40^° 間連續變化，測試控制器在大縱坡干擾工況的抗擾能力，坡度信息見圖4。

仿真試驗觀測結果如圖5所示。圖5a中，LESO與HGESO控測器觀測結果基本一致，在平坦道路行駛時，由于存在滾動阻力、空氣阻力等不確定外部因素，所以觀測值為負值；第100s后，受坡度阻力干擾，外部干擾加速度也相應變化。

本文將當前時刻的實際加速度 a_real（k） 與控制輸出的上一時刻期望加速度 a_des（k-1） 的差值作為外部干擾加速度。圖5b中，前 100s 為速度階躍階段，除了在階躍處的尖峰外，LESO與HGESO控測器的外部干擾加速度觀測誤差均小于 0.2m/s² ，由于該階段僅受空氣阻力和滾動阻力影響，外部干擾較小，故二者觀測結果接近；第100s后，外部干擾劇烈變化，LESO最大干擾加速度觀測誤差達到 0.44m/s² ，HGESO因對系統動態的考慮更加精確，觀測誤差基本保持在 0.28m/s² 內，觀測精度提升了 36.4% 。

相同工況下，車輛速度跟蹤結果如圖6所示。在第10＼～20s時，階躍參考速度為 36km/h ，反步法、LESO-MPC控制器和HGESO-MPC控制器均能夠在5s內達到穩態，傳統MPC控制器由于未考慮干擾阻力，而產生較大的響應滯后；在第50＼～60s最大穩態車速階段，HGESO-MPC控制器的最大誤差值最低 （0.03m/s） ）相較于反步法控制器（ 0.15m/s ）、傳統MPC控制器（ 0.1m/s LESO-MPC控制器 0.07m/s ，該控制器控制效果分別提升了 80.00%.70.00%.57.14% ;在100s后存在大縱坡干擾，反步法控制器、傳統MPC控制器和LESO-MPC控制器的最大速度誤差分別為 1.69m/s 、1.21m/s 和 1.00m/s ，而HGESO-MPC控制器的誤差始終最小 （0.65m/s） ）。因此，HGESO-MPC控制器能夠更精確地考慮不確定阻力干擾下的車輛動態，輸出更符合實際需求的控制量，從而提高速度跟蹤精度。

4種控制器的油門、制動控制量的變化情況如圖7所示。由圖7a可知，在第70＼～80s勻減速期間，反步法控制器出現了明顯的油門、制動高頻切換現象，這在實際控制中屬于完全不合理行為。圖7b中，第10＼～20s間，MPC控制器的油門開度明顯小于其他3種控制器，控制量輸出不足導致車速控制響應滯后。

速度均方根誤差（RootMean SquareError，RMSE）為所有時刻目標值與實際值的誤差平方均值，其值越小，表示控制器輸出越接近目標值，整體精度越高。相關公式為：

式中： v_i，ref 為第 i 個數據點的參考車速， v_i 為實際車速， N 為單個工況的數據點數量。

仿真試驗各階段車速均方根誤差如表3所示，相較于其他控制器，本文提出方法具有最低水平的RMSE，即整體跟蹤精度更高。

4.2 硬件在環測試

為了驗證本文控制器在嵌人式平臺的應用效果，進行控制器在環測試，試驗環境如圖8所示。將算法部署在整車控制器（VehicleController Unit ，VCU），VCU的型號為芯馳E3640，相關硬件配置如表4所示。VCU、Matlab、CarSim通過控制器局域網（ControllerAreaNetwork，CAN）（型號為Kvaser）進行通信交互控制命令與反饋信息，仿真數據由上位機（電腦）進行監控和記錄。

本文通過簡單的純跟蹤算法，控制前輪轉角跟蹤參考軌跡，如圖9所示。該工況下，車輛的速度跟蹤測試分為3個階段：

a.勻加速階段：第1＼～10s，車速從0勻加速至 54km/h_c 號b.勻速階段：第10＼～20s，縱向車速保持在 54km/h ○c.變加速階段：第20s后，車輛先減速后加速。

觀測器的觀測結果如圖10所示，圖10a反映了外部干擾加速度的觀測結果，由于連續轉向，前輪側向力在縱向產生分力使運動過程始終存在縱向干擾；第27s后，兩種觀測器均為正，這是由于完成大曲率彎道左轉后，車輛依然有一定的橫擺角速度，而此時前輪轉角、側向力較小，外部干擾加速度大于零。若式（2）中科氏加速度大于外部阻力合力產生的加速度，二者差值為正值，試驗結果與理論分析一致；圖10b中，HGESO的外部干擾加速度觀測誤差更小，在曲率最大處的觀測誤差為 -2.28m/s² ，LESO的觀測誤差為 -3.68m/s² ，HGESO的觀測精度提升了 38% O

硬件在環測試速度跟蹤結果如圖11所示，在勻加速階段，反步法控制器和MPC控制器由于未考慮輪胎側向力引起的縱向外部干擾，控制量輸出不合理，導致速度跟蹤存在較大誤差，分別達到 □LESO-MPC控制器和HGESO-MPC控制器對外部干擾進行了估計，并融人對控制量的求解，提升了速度跟蹤精度，最大誤差分別達到 0.28m/s、0.23m/s 。相較于LESO-MPC方法，HGESO-MPC控制精度更高，主要在于該控制器詳細地考慮了系統的動態特性，具有更高的外部干擾加速度的觀測精度，從而控制輸入更符合實際加/減速需求。

在勻速階段，4種控制器均能在轉向情況下保持相對穩定的車速，HGESO-MPC控制器在這一階段的最大誤差（ 0.14m/s 相較于反步法控制器（ 0.73m/s 、MPC控制器 0.52m/s ）、LESO-MPC（ 0.19m/s， ），分別降低80.8%73.1%.26.3% 。

在變速階段，本文提出的方法控制精度明顯優于其他控制器：減速時，HGESO-MPC控制下的車速與參考值重合；加速時，雖然HGESO-MPC的誤差增大，但仍遠小于其他方法。

4種控制器的油門、制動開度曲線如圖12所示。反步法控制器存在控制量急劇抖動現象，在剛起步加速時，反步法和MPC控制器油門開度均低于 20% ，且小于其他兩種控制器，控制量輸出不足。而本文設計的控制器相較于傳統LESO-MPC控制器，其控制指令抖動幅度更?。ㄒ妶D12c和圖12d），外部干擾高頻變化時控制量輸出相對平穩。

硬件在環測試中，4種控制器的速度跟蹤均方根誤差如表5所示，本文開發的控制器具有更小的誤差水平，整體跟蹤精度更高。

為了驗證HGESO-MPC控制器的運行速度，其在嵌入式平臺計算時間如圖13所示。該控制器的單步求解時間均低于 5ms ，滿足 20ms 的高頻控制需求。

5結束語

針對外部干擾導致車輛速度跟蹤精度下降問題，本文提出了一種融合干擾觀測的雙層縱向運動控制器，改善了車輛的縱向控制精度。上層MPC控制器結合干擾觀測結果，通過多目標優化的模型預測控制實現了最優期望加速度計算；下層控制器基于試驗數據和干擾阻力，實現了期望加速度到油門和制動的全工況映射。在大縱坡干擾與連續轉向工況下，本文提出方法均表現出較高的速度跟蹤精度，在實際嵌入式平臺的單次求解時間約為 2～5ms ，具有較高的執行效率。

參考文獻

[1]李克強，戴一凡，李升波，等.智能網聯汽車（ICV）技術的 發展現狀及趨勢[J].汽車安全與節能學報，2017，8（1）：1- 14. LIKQ，DAIYF，LISB，etal.Current Status and Trends of Intelligent Connected Vehicle （ICV） Technology[J].Journal of Automotive Safety and Energy Conservation，2O17，8（1）： 1-14.

[2] THRUN S，MONTEMERLO M，DAHLKAMP H，et al. Stanley：TheRobot ThatWon the DARPA Grand Challenge[J]. Journal of Field Robotics，2006，23（9）：661- 692.

[3] KIMH，KIMD，SHUI，et al.Time-Varying Parameter Adaptive Vehicle Speed Control[J].IEEE Transactions on Vehicular Technology，2015，65（2）：581-588.

[4]DONGHT，XUSH，LID，etal.ALongitudinal Motion Control Method for Unmanned Truck Based on Acceleration Replanning[C]// 2019 IEEE International Conference on Unmanned Systems（ICUS）.Beijing， China： IEEE，2019：72- 78.

[5]BOULKROUNE B，VAN AALST S，LEHAEN K，et al. Observer-Based ControllerwithIntegral Actionfor LongitudinalVehicleSpeed Control[C]//2017IEEE Intelligent VehiclesSymposium （IV）.LosAngeles，CA，USA： IEEE，2017：322-327.

[6]趙健，杜金朋，朱冰，等.基于自適應動態滑?？刂频闹悄?汽車縱向巡航控制[J].汽車工程，2022，44（1）：8-16. ZHAO J，DUJP，ZHUB，et al．Intellgent Vehicle Longitudinal Cruise Control Based on Adaptive Dynamic Sliding Mode Control[J].Automotive Engineering，2022， 44（1）： 8-16.

[7] GUOJH，LUOYG，LIKQ.Adaptive Neural-Network Sliding Mode Cascade Architecture of Longitudinal Tracking Control for Unmanned Vehicles[J].Nonlinear Dynamics， 2017，87： 2497-2510.

[8]梁旺，秦兆博，陳亮，等.基于改進BP神經網絡的智能車 縱向控制方法[J].汽車工程，2022，44（8）：1162-1172. LIANG W，QIN ZB，CHEN L，et al. Longitudinal Control Method of Intelligent Vehicle Based on Improved BP Neural Network[J]. Automotive Engineering，2022，44（8）：1162- 1172.

[9] CHU HQ，GUOLL，CHENH，et al.Optimal Car-Following Control for Intelligent Vehicles Using Online Road-Slope ApproximationMethod[J].ScienceChinaInformation Sciences，2021，64：1-16.

[10]AMINI M R，KOLMANOVSKYI，SUN J.Hierarchical MPC for Robust Eco-Cooling of Connected and Automated Vehiclesand ItsApplication to ElectricVehicle Battery Thermal Management[J]. IEEE Transactions on Control Systems Technology，2020，29（1）：316-328.

[11]WALZF，HOHMANNS.ModelPredictiveLongitudinal Motion Control for LowVelocities on Known Road Profiles[J].Vehicle System Dynamics，2020，58（8）：1310- 1328.

[12]ZHUM，CHEN HY，XIONGGM.A ModelPredictive Speed TrackingControl Approach for AutonomousGround Vehicles[J]. Mechanical Systems and Signal Processing， 2017，87： 138-152.

[13]DONGHT，XIJQ.ModelPredictiveLongitudinalMotion Control for the Unmanned Ground Vehicle with A Trajectory Tracking Model[J]. IEEE Transactionson Vehicular Technology，2021，71（2）：1397-1410.

[14]XUEWC，BAIWY，YANGS， etal.ADRC with Adaptive Extended State Observer and Its Applicationto Air-Fuel RatioControl in GasolineEngines[J].IEEE Transactions on Industrial Electronics，2015，62（9）：5847-5857.

[15] XIONG S，XIE H， SONG K，et al. A Speed Tracking Method for AutonomousDrivingvia ADRC with Extended StateObserver[J].Applied Sciences，2019，9（16）.

[16]張忠，吳曉建，江會華，等.多源干擾下的智能車模型預 測縱向運動抗干擾控制[J].汽車工程，2024，46（10）： 1816-1828+1919. ZHANGZ，WUXJ，JIANGHH，etal.Model-Predicted Anti-Disturbance Control ofLongitudinal Motionof Intelligent Vehicles under Multi-Source Disturbances [J]. AutomotiveEngineering，2024，46（10）：1816-1828 1919.

[17]劉豹，唐萬生.現代控制理論[M].北京：機械工業出版 社，2011. LIUB，TANG W S. Modern Control Theory[M]. Beijing： Machinery Industry Press，2011.

（責任編輯瑞秋）

修改稿收到日期為2025年1月21日。

《汽車文摘》2025年專項征稿啟事

尊敬的汽車及相關技術領域專家學者、研發工程師、高校師生：

在全球汽車產業迎來深刻變革的今天，2025年將成為汽車技術發展的關鍵節點，新技術、新材料、新理念將不斷涌現，推動汽車行業向更智能、更環保、更安全的方向發展?！镀囄恼菲诳鳛橹袊嚬こ虒W會會刊，秉承“覽全球汽車技術文獻，指中國汽車技術之道\"的使命，致力于成為汽車領域最具影響力的綜述類期刊。在此，我們特別發布2025年專項征稿啟事，聚焦以下十大技術方向，旨在征集具有前瞻性、綜述性的高質量文章，以期為汽車技術的創新與進步提供創新的方向和理論的支持。

1.人工智能在汽車創新發展中的應用綜述：征集探討人工智能技術在車輛自動駕駛、智能座艙、智能控制以及仿真和優化中的應用綜述文章。

能網聯汽車信息安全技術綜述：征集分析智能網聯汽車面臨的信息安全挑戰及解決方案的綜述文章。

3.環境感知與智能決策技術綜述：征集研究環境感知技術的未來發展，包括新型傳感器技術、多模態感知融合算法的最新進展等前瞻綜述。

4.氫能技術在汽車產業中的應用綜述：征集探討氫能技術在汽車產業中的應用，包括氫燃料電池、氫內燃機以及氫能在汽車能源系統中的整合等綜述文章。

5.固態電池技術發展綜述：征集研究固態電池技術的最新進展，包括材料科學、電化學性能和系統集成等方面的綜述。

動力總成電動化技術綜述：征集探討電動化動力總成設計、控制和集成技術的綜述文章。

7.智能底盤技術發展綜述：征集探討智能底盤技術的最新進展，包括底盤控制系統、懸掛系統和驅動系統的智能化技術綜述自動駕駛法規與倫理問題綜述：征集分析自動駕駛技術發展中的法規和倫理問題的綜述文章。

氣車共享經濟與商業模式創新綜述：征集探討汽車共享經濟的發展及其對傳統汽車產業影響的綜述智能交通系統（ITS）技術發展綜述：征集研究智能交通系統技術如車路協同、交通流量管理等的綜述。

征稿要求：

1.投稿請注明“****\"技術方向專項征稿字樣，本刊對符合征稿技術方向的稿件將優先審核，一經錄用優先發表；2.綜述篇幅在 8000～15000 字，圖文并茂，圖、表和公式非原創要求標注引用文獻；3.請按科技論文要求撰寫文章摘要，摘要中文字數在200字左右；4.文章必須附有公開發表、體現本領域最新研究成果和高影響力出版物作為參考文獻，一般要求參考文獻在20篇以上，一半左右為外文參考文獻，且在文中標注所引用文獻；5.來稿保密審查工作由作者單位負責，確保署名無爭議，文責自負；6.切勿一稿多投，《汽車文摘》投稿網址：http：//www.qcwz.cbpt.cnki.net，郵箱：autodigest@faw.com.cn?！镀囄恼菲诳诖木示C述文章，共同探索汽車技術的未來發展。感謝您對《汽車文摘》期刊的支持與貢獻，讓我們攜手推動汽車技術的創新與進步。