本文档属于类型a：研究报告类学术论文。以下为详细学术报告：

一、作者与发表信息

本研究由清华大学自动化系的Bo Yang, Yiwen Lu, Xu Yang及Yilin Mo（通讯作者）合作完成。论文标题为”A Hierarchical Control Framework for Drift Maneuvering of Autonomous Vehicles”，发表于2022年IEEE国际机器人与自动化会议（IEEE International Conference on Robotics and Automation, ICRA 2022），会议于2022年5月23日至27日在美国费城举行。研究受中国国家重点研发计划（项目编号2018AAA0101601）支持。

二、学术背景

研究领域与动机
该研究属于自动驾驶车辆运动控制的细分领域，聚焦于漂移状态（drift condition）下的轨迹跟踪控制问题。当车辆因雨雪等外部条件导致轮胎突然失去抓地力时，传统控制方法难以应对大侧偏角（sideslip angle）和轮胎近乎完全饱和（tire saturation）的极端工况。现有研究多针对特定任务或车辆设计控制器，缺乏对轮胎-地面摩擦参数突变的适应性。本研究旨在提出一种分层控制框架，实现通用化漂移操控，并适应动态摩擦变化。

理论基础
1. 车辆动力学模型：采用含侧滑的自行车模型（bicycle model with sideslip），结合Pacejka魔术公式（Magic Formula）描述轮胎-地面摩擦非线性特性；
2. 控制理论：分层架构（hierarchical architecture）结合L1自适应控制（L1 adaptive control）以应对摩擦参数突变；
3. 轨迹规划：将复杂漂移轨迹分解为连续变曲率弧线序列，实现中心与曲率控制的解耦。

三、研究流程与方法

1. 问题建模

研究对象：1/10比例RC遥控车（图1），配备阿克曼转向（Ackermann steering）和四轮驱动系统。
动力学模型：
- 状态向量（state vector）包括位置(x,y)、航向角ψ及其导数；输入向量（input vector）为前轮转向角δ和车轮转速ω。
- 关键创新：在忽略左右轮差异的简化模型下，通过魔术公式（式5）精确建模轮胎滑移（tire slip），其参数b、c、d反映地面摩擦特性。

2. 控制架构设计（图4）

核心创新：提出基于曲率（curvature）反馈的分层控制框架。
- 内环控制器（inner-loop）：
- 任务：跟踪曲率参考值κ_ref，维持恒定侧偏角（如β_ref=-π/3）。
- 方法：
- 前馈-反馈复合控制（feedforward/feedback controller）：通过摩擦估计器（friction estimator）动态调整前馈信号δ_ff、ω_ff；
- L1自适应模块：优化瞬态响应，通过低通滤波（low-pass filter, LPF）限制带宽以避免高频振荡。
- 外环控制器（outer-loop）：
- 任务：通过调整κ_ref稳定期望轨迹中心（固定或移动）。
- 算法：基于方位角（bearing）的导航控制律（式16），证明其全局渐近稳定性（定理1）。

3. 实验验证

仿真平台：
- 任务1-固定圆心漂移（图7）：10秒内完成漂移初始化，侧偏角跟踪误差%，曲率跟踪误差趋近于零，最大半径相对误差<15%。
- 任务2-动心漂移（图8）：外环动态调整κ_ref，车辆成功追踪以15m半径绕中心移动的虚拟圆心。
- 任务3-摩擦突变（图9）：摩擦系数μ突降40%时，内环控制器在2秒内恢复稳定跟踪。

硬件实验：
- 在RC车上部署异步卡尔曼滤波（asynchronous Kalman filter）融合IMU与动作捕捉数据，控制频率达100Hz。图10显示车辆成功维持大侧偏角漂移。

四、主要结果与逻辑链

1. 曲率反馈的有效性：通过几何-运动学融合的曲率估计（式14），实现轨迹高阶信息编码，使内环控制独立于底层动力学细节（图7b）。
   
2. 分层架构的适应性：外环无需知晓轮胎摩擦参数变化，仅需通过内环的曲率跟踪实现任务切换（图8c→图9c）。
   
3. 理论-实验一致性：定理1证明的稳定性与硬件实验结果匹配，验证控制律在真实系统中的可行性。
   

五、结论与价值

科学价值：
- 方法论创新：首次将曲率作为中间变量解耦漂移控制的层级，为复杂工况下的运动控制提供新范式。
- 理论贡献：提出适用于非完整约束系统的全局稳定 circumnavigation 控制律。

应用价值：
- 提升自动驾驶车辆在低附着力路面（如冰雪）的操控安全性；
- 为后续集成高级路径规划算法（如运动基元拼接法）奠定基础。

六、研究亮点

1. 通用性框架：单一控制器同时处理漂移初始化和维持，无需专家经验或任务特定设计（对比Goh et al.[12]和Zhang et al.[11]）。
   
2. 动态适应能力：通过L1自适应模块和实时摩擦估计，应对40%摩擦突降（图9d）。
   
3. 开源验证：代码与实验视频公开于GitHub（https://github.com/bobtesla17/hierarchical-control-framework-for-drift-maneuver），增强可复现性。
   

七、其他亮点

作者指出该框架可扩展至更复杂的轨迹规划算法（如Levin et al.[20]的运动基元拼接法），未来拟探索含障碍物规避的漂移控制。