自动驾驶低附路面别把轮速当真速度
自动驾驶系统在低附着路面行驶时的核心风险，往往并非环境感知盲区，而是对纵向运动状态的过度自信。若轮速信号与纵向加速度仍沿用干燥路面的融合逻辑，制动干预、自适应巡航及车身稳定控制等底层算法极易基于失真的速度基准运行。
在低摩擦系数工况下，轮速信号与整车实际车速的解耦主要源于轮胎滑移机制的显著增强。面对冰雪覆盖、积水路面或高抛光地坪，轮胎纵向力极易突破线性区并进入饱和平台。此时，微小的制动液压建立或驱动电机扭矩波动，均会引发编码器反馈转速与车体质心速度之间的显著偏差。尽管轮速传感器输出呈现高度平稳的波形，该数据实则已偏离真实地速。
速度估计的偏差并非仅局限于紧急制动场景。在低速跟车、坡道起步或弯道收油过程中，轮胎受力状态持续演变。前后轴垂向载荷的动态转移会导致各车轮滑移率出现分化。若状态观测器仍采用四轮数据算术平均策略，低附路面上的速度解算极易被表面运行最平稳的车轮牵引，而非由具备最高附着潜力的轮胎提供约束。
纵向加速度传感器本可填补该数据链路，但其自身存在缓慢漂移特性。惯性测量单元（IMU）的安装角误差、温度漂移以及车身俯仰运动引起的重力分量泄漏，均会向纵向通道注入微小零偏。该零偏在短时积分后迅速累积，导致推算速度逐步偏离真实轨迹。当车辆处于下坡、制动与悬架压缩耦合阶段时，此类虚假加速度信号极易被误判为地速的真实变化趋势。
状态观测器设计需摒弃轮速与IMU信号等权平滑的传统思路，转而建立基于工况可信度的动态分配机制。当检测到轮速信号出现防抱死系统（ABS）脉动、驱动扭矩阶跃或路面附着系数骤降时，系统应主动下调轮速权重；反之，若车身俯仰角变化剧烈且IMU零偏尚未收敛，则需限制惯导积分的独立接管。算法设计的核心在于可信度切换阈值的精准界定，而非单纯追求单一传感器的静态标定精度。
低附着路面的早期识别不应依赖单一物理量监测。轮速残差、纵向加速度与制动主缸压力之间若出现数据背离，通常预示轮胎已进入非线性工作区。结合横摆角速度响应迟滞或牵引力控制系统（TCS）频繁触发等特征，状态估计模块应及时切换至低附模型。若待车身姿态发生显著偏离后再执行降权策略，自适应巡航与自动紧急制动（AEB）的触发时机往往已产生实质性误判。
针对此类算法的验证流程，常规匀速直线标定已无法满足需求。测试体系需涵盖湿滑圆环行驶、分离附着系数路面、坡道制动以及低温冷胎等极端边界条件，并同步采集各车轮滑移率、IMU零偏估计值与高精度地速真值。唯有在多维边界工况下实现数据闭环，速度观测器的运行逻辑方能摆脱随机性，具备工程可靠性。
轮胎磨损程度与充气压力波动亦会逐步重塑观测器的底层参数。同一花纹轮胎在半磨损状态下，纵向刚度与有效滚动半径均会发生改变；胎压不足则会进一步放大载荷敏感性。若车辆管理系统长期沿用新胎标定值解析轮速残差，系统易将真实的轮胎状态衰减误判为路面附着系数下降，进而错误收紧纵向控制边界。对于车队规模化运营而言，此类参数漂移若未纳入定期维护策略，速度估计将趋于过度保守，正常湿地制动工况可能被误识别为低附事件，导致控制器过早释放制动能力，跟车与稳定控制策略随之陷入过度谨慎的运行状态。
综上所述，自动驾驶系统在低附着路面行驶的首要原则是对轮速信号保持审慎态度。通过将轮胎滑移特性与惯导漂移纳入工况自适应估计框架，纵向运动控制方可避免受虚假速度基准的牵引，确保整车动力学响应的精准与稳定。