欢迎订阅期刊出版内容的邮件提醒（TOC目录），第一时间获取最新研究成果。点击下方链接即可轻松订阅，也欢迎转发给感兴趣的学术同仁。

https://www.springer.com/alerts-frontend/subscribe?journalNo=11768

编辑荐语

在未知非结构化道路环境中，自动驾驶车辆的路径选择与悬架控制系统高度耦合，传统方法依赖离线模型或历史数据，难以兼顾实时性、乘坐舒适性与行驶安全性。

      哈尔滨工业大学团队从在线强化学习与空间侧信息利用的角度提出一种新颖框架，将局部路面预瞄信息融入马尔可夫决策过程，设计侧采样与探索奖励机制，实现了路径规划与主动悬架控制的协同优化。实验与实车验证表明，该方法在多种天气和路况下均显著提升了平顺性与安全探索能力。具体方法与结果如下。

Active suspension control of autonomous vehicles on unknown roads using spatial side information online learning (基于空间侧信息在线学习的未知道路自动驾驶车辆主动悬架控制)

作者：Ming Bai, Weichao Sun

机构：哈尔滨工业大学航天学院

引用: Bai, M., Sun, W. Active suspension control of autonomous vehicles on unknown roads using spatial side information online learning. Control Theory Technol. (2026). https://doi.org/10.1007/s11768-026-00333-6

全文链接：https://rdcu.be/fmTw7

摘要

      在未知的道路环境中，自动驾驶车辆选择的路径会显著影响悬架振动，进而直接影响行驶平顺性。主动悬架控制系统能够提升车辆的操控性并扩大车辆在复杂地形中的可通行范围。然而，目前的路径规划和悬架控制方法严重依赖离线模型或历史数据，限制了其对实时路况的适应性。为了克服这些局限性，本研究利用车载光学传感器采集的局部路面数据。这些数据能够揭示不同环境状态之间马尔可夫转移概率的变化，本文将其称为“空间信息”。通过将这些空间信息融入现有的基于模型的强化学习算法中，本文提出了一种新型的快速在线学习算法。该方法使车辆能够有效地学习和适应，而无需逐一遍历每个状态。此外，本研究还设计了针对陌生环境的最优控制策略，在探索和利用之间取得了平衡。同时，本文也集成了安全措施，以确保自动驾驶车辆的安全探索。结合真实道路数据和主动悬架测试平台进行的实验验证证实了该算法在学习和控制方面的稳健性能，证明了其安全导航和探索的能力。

引言

      随着自动驾驶技术的发展，标准化场景下的控制策略已日趋成熟。然而在非标准化场景（如无引导停车场、越野环境、救援任务、破损道路及复杂内部道路）中，自动驾驶仍面临严峻挑战。此类场景地形不平坦、全局道路信息有限，难以保证车辆安全、乘坐舒适性与操纵性能。受地面轮式机器人在非结构化环境中路径规划技术的启发，研究者将其应用于自动驾驶车辆，形成了“先规划后控制”的范式。然而，车辆通过悬架系统连接车轮与车身，悬架的存在使得路径规划与悬架控制相互耦合，简单的先规划后控制方法并非最优。与此同时，主动悬架技术发展迅速，利用预瞄信息的主动悬架可进一步提高安全性与舒适性。因此，将主动悬架控制与路径规划深度融合是提升非标准环境下自动驾驶性能的关键。

      在未知随机环境中，全局道路信息难以获取。经典动态规划需要完全已知的全局信息，不切实际。现有方法如显式模型预测控制、强化学习、PAC-MDP和贝叶斯探索奖励（BEB）等，依靠穷举状态-动作访问或离线先验样本，在大状态空间中样本量要求过高，难以适应未知状态动作。值得注意的是，车辆固定传感器可直接提供当前状态信息和道路高程预瞄信息，这种间接信息可揭示不同状态间地形相似性，进而估计状态间转移概率的差异。然而，现有深度学习算法难以直接利用此类信息。本文将这种信息称为空间侧信息，并将其用于增强未知道路环境中自动驾驶车辆的路径规划与主动悬架控制。

      本文设计了一种利用车载光学传感器获取的空间侧信息的在线学习过程，将路径规划与主动悬架控制相结合，以提升行驶平顺性并保证策略安全性。主要贡献如下：

      1.提出一种融合道路预瞄信息的路径规划与主动悬架控制策略，用于提升自动驾驶车辆行驶平顺性。

      2.提出利用预瞄采样判别不同状态间地形相似性的空间侧采样学习方法，加速未知随机环境中的在线学习。

      3.设计面向空间侧采样学习过程的新型探索奖励机制，提高最优控制策略的搜索效率。

      4.设计基于当前车辆状态与空间侧信息的概率上限安全动作描述，保障自动驾驶车辆在未知随机道路环境中的安全探索。

结论

      本文提出了一种利用马尔可夫决策过程（MDP）中的空间侧信息来增强自动驾驶车辆在未知随机道路环境下在线学习的新框架。此外，本文还引入了一种侧采样方法，并配合一种旨在加速在线学习和优化控制策略的奖励机制。本文对采样性能进行了理论分析，证明其优于其他采样方法。同时，本文也对奖励函数的性能进行了理论分析，通过贝叶斯方法降低了样本复杂度，从而获得了接近最优解。此外，本文还讨论了车辆在探索阶段的安全保障。本文探讨了空间侧信息对自动驾驶车辆在线学习和平稳控制的影响，并提供了相关的理论见解。使用真实道路数据和四分之一悬架试验台进行的实验验证证实了该算法的学习和控制性能，以降低车辆在探索过程中进入不安全状态的概率。

      本文利用空间信息，通过路径规划和悬架控制提升了自动驾驶车辆的垂直方向乘坐舒适性。然而，路面湿滑程度以及车辆纵向和横向动力学等因素仍然会影响车辆行驶过程中的乘坐舒适性。未来的研究将进一步利用道路信息和车辆状态，在本文提出的算法基础上进一步提升乘坐舒适性。

作者介绍

Ming Bai，2018年获得南京航空航天大学自动化专业学士学位，2022年获得吉林大学控制科学与工程专业硕士学位，现在哈尔滨工业大学攻读控制科学与工程博士学位，研究方向包括车辆主动悬架控制、自动驾驶系统和先进感知技术。

Weichao Sun，2013年获得哈尔滨工业大学控制科学与工程博士学位，现任哈尔滨工业大学智能控制系统研究所教授，研究方向包括自适应鲁棒控制、机电一体化、机器人学和自动驾驶车辆。

相关链接

Control Theory and Technology 2024-2025年期刊合集（中文介绍）

2024-2025刊期合集（英文）

Volume 23 (February - November 2025)

Issue 4, 2025

Issue 3, 2025 - Special issue on ADRC: New ADRC developments in Ibero-America

Issue 2, 2025

Issue 1, 2025

Volume 22 (February - November 2024)

Issue 4, 2024

Issue 3, 2024 - Special issue on analysis and control of complex systems in honor of the 90th birthday of Professor Huashu Qin

Issue 2, 2024 - Special issue on system identification and estimation

Issue 1, 2024

期刊简介

欢迎扫码进入期刊主页

Control Theory and Technology (CTT), 中文名《控制理论与技术》, 创刊于2003年，原刊名为Journal of Control Theory and Applications，2014年刊名更改为Control Theory and Technology。由华南理工大学与中国科学院数学与系统科学研究院联合主办，主要报道系统控制科学中具有新观念、新思想的理论研究成果及其在各个领域中的应用。目前被 ESCI (JIF 1.5)、EI、Scopus (CiteScore 3.2)、CSCD、INSPEC、ACM 等众多数据库收录, 并于2013–2018年获得两期中国科技期刊国际影响力提升计划项目资助。2017–2021年连续获得“中国最具国际影响力学术期刊”和“中国国际影响力优秀学术期刊”称号，获得广东省高水平科技期刊建设项目I期(2021-2024年)和II期，2022-2025年进入中国科协自动化学科领域高质量科技期刊目录。

官网：https://link.springer.com/journal/11768 (即http://www.springer.com/11768)

https://jcta.ijournals.cn/cta_en/ch/index.aspx

投稿：https://mc03.manuscriptcentral.com/ctt

微信：ControlTheoryTech （欢迎扫码关注期刊微信公众号）

X (Twitter): CTT_Journal

微博：ControlTheoryTech

Email：jcta@scut.edu.cn    

Tel：020-8711 1464

支持单位：