#技术巡猎# #小鹏汽车# 线控转向系统的齿条力确定方法、装置和车辆----关于#小鹏GX#的线控，咱们继续！

这个专利考虑的，主要是给线控转向，补一个最关键的补丁：齿条力（Rack Force）。线控转向，一旦把方向盘和前轮的机械连接拿掉，驾驶员手里那点“路感”就变成了软件合成品。
合成品最大的风险，是一致性：同样一个弯、同样的车速，温度、湿度、侧风、执行器摩擦状态一变，回馈力矩如果是乱跳的，驾驶员就会下意识修正，稳定性控制就会被带节奏。

说得更直白点：齿条力算错了，轻则手感很假，重的话，极限工况下缺少可靠的反馈线索。

这是专利里抓的痛点---传统做法是动力学模型，用横向加速度、车速、转角之类去计算齿条力，但并没有把摩擦、温度、道路干扰这些“脏东西”显式地考虑进去，所以在一些特殊工况下会偏离真值。

小鹏给出的路线是“双轨制”。
第一条轨道走物理保底：采集转向执行器的转向角/角速度/转向扭矩（至少一项），做预处理后代入线控转向的动力学方程，算出第一齿条力。它的定位是“下限”，不追求把所有细节吃干净，但可解释、可验证、好做安全论证。
第二条轨道做数据补细节：在转向数据之外，再把环境关联信息拉进来---转向执行器温度、环境温度、湿度、风速至少一项。然后这里并不粗暴地、一股脑喂给神经网络，而是先做预处理，再做一次数据挖掘生成“转向附加数据”，并把转向/环境数据的时间戳统一起来，在时间轴上对齐成目标时间序列，最后用一个“基于时序的深度神经网络模型”去预测第二齿条力。

再放进两个场景就更直观了。
地库冷冻一夜，执行器温度很低的时候，润滑和密封摩擦状态跟夏天完全两码事，同样的转角命令，回正和阻尼感都会出现变化。高速遇侧风，风速如果不进模型，就只能在结果里“看见误差”，很难让路感合成提前解释那股横向的扰动。
这个专利把温度/湿度/风速列成输入，就是在承认这点---齿条力误差很多时候来自“真实世界里一些额外的输入”。

网络结构挺实在的：用固定时间窗把多维时序数据打包成向量，再压成一维输入；模型里同时有因子分解机（FM，用来抓变量组合的交互关系）、深度网络（DNN，处理非线性）、多头注意力（把“哪些时刻更关键”挑出来），最后把三路特征拼起来回归齿条力，损失函数用的是Huber，目的很明确---既要贴近真值，也要对异常点别太敏感。

更关键的是如何把AI关进笼子：不直接做“二选一”的事。
而是算第一齿条力和第二齿条力的差值，设一个偏差阈值。差得太离谱，就回到第一齿条力当目标输出；差得不大，才用第二齿条力。这个逻辑下，你可以把深度模型当“上限”，把动力学模型当“护栏”，护栏永远在。

系统落地也按车规思路拆开了：传感器采数据；第一微控制器（MCU）跑动力学算第一齿条力；底盘域控制器的SOC跑深度模型算第二齿条力；第二微控制器再做融合/仲裁输出目标齿条力。训练则用实车采到的时间序列做样本，标签来自齿条力传感器（专利里举了贴片传感器这类真值采集器），离线或云端GPU训练好后，通过OTA下发到车端推理。你能看出它在刻意照顾安全：并行冗余、故障诊断、容错，都是线控转向绕不过去的硬门槛。

齿条力这种量，天然在“干净的模型”和“真实世界里比较脏的输入”之间做撕扯。如果只信模型，细节就丢了；如果只信数据，泛化和安全就很悬。这里用阈值把两者绑在一起，本质上是为了让线控转向的路感合成，形成一套可验证的边界。

克制地使用AI，是每一个品牌在工程上需要考虑的课题。