4月25日，由中国汽车工程学会承办的“AI赋能智能车辆动力学控制”青年科学家沙龙活动在中国科技会堂成功举办。本次沙龙由北京理工大学、清华大学、智能无人系统技术国家级重点实验室、智能绿色车辆与交通全国重点实验室以及中国汽车工程学会青年工作委员会共同协办，汇聚了来自高校、科研院所及企业的30余位优秀青年科技工作者，围绕AI赋能下智能汽车动力学控制领域的最新研究进展展开深入交流。沙龙由北京理工大学秦也辰教授与清华大学王红副研究员共同担任执行主席，同济大学助理教授韩伟、北京理工大学特别副研究员/助理教授郭猛担任学术秘书。活动特别邀请清华大学张俊智教授、中国兵器工业集团第二〇一研究所陈轶杰研究员担任对话点评专家。本次沙龙设置了主旨报告、专家点评、自由发言、对话交流及考察访问五个环节。与会青年学者围绕复杂工况下车辆动力学建模与高性能控制方法、面向复杂交通环境的智能驾驶模型研究、底盘域与智驾域深度融合的控制方法及挑战等议题，开展了热烈而深入的学术研讨与交流。

主旨报告环节，青年学者围绕AI赋能智能车辆动力学控制分享了最新研究成果。东南大学庄伟超副教授在《AI赋能车辆极限工况决策控制方法探索与实践》报告中，针对极限工况下智驾域与底盘域分立设计导致运动性能受限的问题，提出了“底盘-智驾-跨域融合”递进式研究思路，介绍了数据机理融合的底盘建模、基于世界模型与安全强化学习的主动避障及端到端决控等关键技术。清华大学封硕副教授以《面向自动驾驶汽车安全的交通世界模型生成》为题，针对交通仿真保真度低、长尾场景覆盖不足的痛点，构建了基于多模态大模型的高保真交通世界模型，并结合稀疏对抗采样实现小概率事件的等效加速测试，使自动驾驶测试效率呈指数级提升。北京理工大学王文硕教授在《具身智能赋能车辆动力学极限控制：受优秀人类驾驶员的启发与思考》报告中，借鉴优秀驾驶员的多模态感知与自适应学习机制，提出了物理-智能协同的控制框架，从生物启发视角解析极限驾驶的认知-控制机理，为突破传统动力学模型依赖、实现类人极限操控提供了新范式。北京航空航天大学李伯琪副教授以《持续学习视角下的端到端自动驾驶极端工况适应：动力学闭环后训练》为题，指出端到端自动驾驶在极端工况下的适应问题不仅是离线泛化能力不足，更关键的是如何在保留通用交互先验的同时，通过动力学闭环后训练注入轨迹可执行性与稳定性知识，提出一种适应极端工况的后训练框架。

在本次主旨报告后的专家点评环节，清华大学车辆与运载学院教授张俊智指出，数据驱动正成为智能底盘研发的全新技术范式。他强调，在研究过程中，应深度结合传统动力学机理，探索适合高校特点的轻量化数据研究模式，并联动整车企业，共同构建行业数据共享体系，以多技术融合推动产业升级。张教授进一步提出，底盘研发必须树立整车全局思维，强化系统协同能力，确保智能驾驶稳定、连续运行，切实夯实整车行驶安全基础。针对虚实融合落地难题，他建议车企、科研院所、检测机构及工信主管部门建立常态化沟通机制，改变以往串行推进的方式，推动技术研发、产业应用与安全标准制定并行协同，兼顾学术创新与产业落地实际，不断完善智能汽车安全合规体系。

中国兵器工业集团第二〇一研究所研究员陈轶杰聚焦军用特种车辆与越野智能驾驶领域展开分享。他表示，越野无人化技术是典型的多学科交叉方向，需打通底层技术机理与多域数据交互逻辑，融合预瞄控制、端到端控制等前沿技术，坚持需求牵引，围绕复杂极限场景开展定向攻关。他指出，当前国内民用越野市场快速增长，越野分级、车地交互等研究持续升温，若能纳入车辆动力学、车身垂向运动特性等要素，将有效提升智能行驶与交通流研究的精准性。会议同时提出，可深入解析优秀驾驶员操控行为特征，结合强化学习、模仿学习等智能算法，围绕越野侧倾、滑移、剧烈颠簸等极限工况，搭建专用无人装备试验验证平台。依托军民融合技术优势，开放共享复杂场景试验资源，加快前沿学术成果落地应用，同步推动民用越野车辆与军用特种无人装备的智能化协同发展。

在对话交流环节，与会专家学者紧密围绕本次沙龙设定的三大核心议题——复杂工况下车辆动力学建模与高性能控制方法、面向复杂交通环境的智能驾驶模型构建、底盘域与智驾域深度融合的控制方法及现存挑战，展开了深入讨论。

中国汽车标准化研究院专家华一丁指出，世界模型为AI赋能的自动驾驶测试提供了全新技术路径，其置信度与物理真实性是纳入标准化体系的核心前提，亟需加快构建行业规范化、标准化的世界模型体系。北京汽车研究总院专家赵永飞提出，等效加速测试技术可大幅拓展自动驾驶验证场景的覆盖范围，有效破解实车路试数据利用效率低、研发周期长等行业痛点，是整车研发的关键技术需求。中国北方车辆研究所专家张钰强调，纯数据驱动的端到端控制难以覆盖极限工况下的长尾问题，在越野等数据稀缺场景中存在天然局限；AI技术的核心价值在于为传统控制赋能，而非完全替代。清华大学副教授封硕系统剖析了自动驾驶发展的核心困境，指出其落地面临维度灾难与稀疏度灾难的双重挑战，实现可扩展的安全是行业亟待破解的核心难题。北京理工大学教授王文硕提出，车辆动力学控制需实现模型与控制策略的协同迭代，通过多感官信息驱动，推动物理先验与AI技术的深度融合，突破车辆极限操控瓶颈。北京航空航天大学副教授李伯琪聚焦自动驾驶持续学习难题，指出深度学习固定参数的部署范式难以适配真实环境中的数据分布迁移，需重点攻克灾难性遗忘、可塑性丧失与信用分配三大核心难点。吉林大学教授许男指出，轮地接触关系的复杂非线性是制约传统底盘动力学控制性能提升的核心瓶颈。香港大学助理教授严鑫涛提出，需通过实车与仿真结果的交叉验证，建立仿真指标与实车表现之间的量化关联，明确世界模型的性能提升价值，推动其在车企的规模化落地。同济大学副教授杭鹏指出，端到端自动驾驶的技术变革重构了算法训测体系，具备双向闭环交互能力的世界模型可打通训测链路，构建训测一体化技术闭环。江苏大学教授孙晓强提出，高阶自动驾驶的规模化推广显著提升了行业对底盘动力学控制的重视程度，AI技术为突破传统动力学控制瓶颈提供了全新路径。同济大学助理教授韩伟指出，环境感知不确定性量化建模，以及不确定性特征与底盘动力学特征的融合方法，是端到端域控技术工程化落地的核心科学问题。

来自企业和高校的行业同仁开展了深度对话，针对复杂交通环境下的智能驾驶模型、智能底盘协同控制等核心问题交换了研究思路，共同助力智能车辆领域的技术创新与军民融合发展。与会专家一致认为，AI与智能车辆动力学的交叉融合是行业核心发展方向，智驾域与底盘域的深度融合则是技术突破的关键。当前仍面临极限工况建模精度不足、世界模型保真度欠缺、数据稀缺与安全保障难等挑战，应将机理数据融合建模、跨域协同控制、虚实融合测试作为下一阶段的核心攻坚方向。

会议期间，青年科学家一行实地考察了北京小米汽车工厂，深入参观工厂的全智能化工艺车间，近距离了解小米汽车在智能底盘、线控系统及智能驾驶系统方面的研发与量产落地全流程。与会专家围绕AI赋能车辆动力学控制的工程化落地开展了现场交流，直观感受智能制造与智能网联汽车技术的深度融合，也为本次沙龙推动产学研协同创新积累了宝贵的一线实践参考。

本次会议围绕AI赋能智能车辆动力学控制的前沿战略方向、核心技术瓶颈、标准规范体系及产学研融合路径等核心内容，开展了系统性研讨。会议凝练了关键共性技术，提出了具有战略性、前瞻性和创造性的研究构想，搭建了青年科技人才的跨界交流平台，有效拓宽了与会专家学者的研究视野，为青年科技人才的成长与协同创新提供了有力支撑。

作者｜佟 蕊

审核｜薄 颖

编辑｜原敬鑫