自动驾驶低附路面别把轮速当真速度

自动驾驶在低附着路面上最容易犯的错误，不是看不见障碍，而是高估了自己对速度的把握。轮速和纵向加速度若还按干燥柏油的逻辑融合，制动、跟车和稳定控制都会先建立在假速度上。

轮速之所以在低附工况下不再等于车速，是因为滑移已经从边缘现象变成主导机制。冰雪、积水或抛光地坪上，轮胎纵向力很快进入平台区，轻微的制动建压或驱动扭矩变化都会让轮胎转速相对车体质心速度出现明显偏差。此时编码器给出的转速非常稳定，却稳定地偏离真实地速。

问题不只发生在急制动。缓慢跟车、坡道起步和弯中收油时，轮胎受力分布也在持续变化。前后轴垂向载荷转移一旦改变，单个车轮的滑移率就会先分叉，若观测器仍把四轮简单平均，低附路面上的速度估计会被“看起来最平滑”的那只轮胎带偏，而不是被最可信的轮胎约束。

纵向加速度本可以补这条链路，但它自身也有慢偏问题。IMU安装角微差、温漂和车身俯仰会把重力分量泄到纵向通道里，短时间内看似只是一个很小的零偏，积分后却会把速度慢慢推离真实值。若车辆正处在下坡、制动和悬架压缩叠加阶段，这个假加速度还会被误当成地速变化趋势。

因此观测器不能把轮速和IMU当成两个等权来源去平滑平均，而要先判断工况谁更可信。轮端出现ABS脉动、驱动电机扭矩突变或附着估计快速下降时，轮速权重应主动降低；而俯仰角变化快、IMU偏置尚未收敛时，又不能让惯导积分独自接管。真正关键的是可信度切换的边界，而不是某个传感器静态精度有多高。

低附识别最好也别只盯单一指标。轮速残差、纵向加速度和制动压力之间若出现不一致，说明轮胎可能已经进入非线性区；若再叠加横摆响应变钝或牵引控制频繁介入，就更该让状态估计切入低附模型。等到车身姿态已经明显异常再降权，跟车控制和AEB的制动起点往往已经算错。

验证这类问题时，匀速直线标定远远不够。要在湿滑圆环、分离附着路、坡道制动和低温冷胎条件下，把各车轮滑移率、IMU偏置估计和地速真值同步记录。只有这些边界都能解释清楚，速度观测器才不是在靠运气工作。

还要注意轮胎磨耗与胎压变化会慢慢改写观测器参数。相同花纹在半磨损后纵向刚度和有效滚动半径都会变化，胎压偏低又会让载荷敏感性更强。若车辆长期只按新胎标定值解释轮速残差，系统会把一部分真实轮胎状态变化误归因为路面附着下降，进而错误收紧纵向控制边界。对车队运营场景来说，这种慢偏如果不被纳入维护策略，速度估计会越跑越保守，最后连正常湿地制动也会被误判成低附事件，控制器就会在并不需要时提前让出制动能力，跟车与稳定控制都会因此变得过分谨慎。

所以，自动驾驶在低附路面上首先要学会怀疑轮速。只有把滑移和惯导偏置都纳入工况化估计，纵向控制才不会被一个看似平稳的假速度拖走。