车网世界报道：
由中国汽车技术研究中心有限公司、中国汽车工程学会、中国汽车工业协会、中国汽车报社联合主办的第二十二届中国汽车产业发展（泰达）国际论坛（以下简称“泰达汽车论坛”）于2026年9月17日至9月20日在天津市滨海新区举办。本届泰达汽车论坛将围绕“智绿筑基·生态蓄势·共创共赢”的年度主题，邀请重磅嘉宾展开深入研讨。
在9月18日“原创先进技术发布论坛”中，浙江千顾汽车科技有限公司联合创始人邓海燕发表题为“智能底盘跨域融合VMC：以AI数字化研发体系支撑高效量产迭代”的演讲。
浙江千顾汽车科技有限公司联合创始人 邓海燕
以下是演讲实录：
尊敬的各位领导、各位行业同仁、各位媒体朋友，大家下午好！我是来自浙江千顾汽车科技的邓海燕。今天，我分享的题目是“智能底盘跨域融合VMC：以AI数字化研发体系支撑量产迭代”。
首先，我们来看行业大势。中国新能源汽车依旧领跑全球，2025年在全球的占比保持在68.3%，中国新能源汽车销量占比为52.1%，并且还在持续增长。中国自主品牌市场贡献率超过80%；在新能源乘用车中，L2级及以上辅助驾驶功能装车率达到82.6%。在这一背景下，国家层面还在持续加大支持力度，九部委联合发布的《智能网联新能源汽车产业发展“十五五”规划》也明确提出，2030年要进入汽车强国行列，自动驾驶汽车要实现规模化应用，自动驾驶汽车的安全性能要大幅超过人类驾驶员。
从整个驾驶自动化技术架构的关键要素来看，还剩下最后一个也是非常难啃的关键拼图，就是智能底盘。当前攻克智能底盘技术，也是国家战略的需求。
高阶智驾会带来越来越多、越来越复杂的场景需求，所有这些需求都有一个核心内核，就是安全。这就需要一个足够安全的智能底盘，对整车车辆XYZ三向学习如何控制，才能达到整车成本更优、动态稳定性更好，加速性能更好的安全性。
“十五五”规划中明确提出了强化核心关键技术攻关的要求，智能底盘重点聚焦驱动、制动、转向、悬架一体化集成。智能底盘跨域融合VMC技术，即车辆运动控制，是扩展整车安全边界、提升驾乘体验、实现节能增效、体现整车价值的最佳解决方案。
VMC控制的内核一定是安全。千顾科技VMC建立在数百万辆级量产ESC产品的机电一体化车辆动力学控制核心算法之上，我们称之为IDC，即集成动态控制。该算法在保障系统鲁棒性的同时，采用基于前馈的多输入多输出控制架构，使用统一的车辆模型进行多执行器融合控制，从而将智能底盘各系统的核心执行器全部融合进来，形成千顾独有的VMC车辆运动控制。
具体来讲，其核心逻辑是将车辆动态稳定控制从传统的单一反馈控制升级为“前馈+反馈”的双重控制模式。前馈控制负责预判，即基于驾驶员意图和动力学模型，提前预测车辆动态趋势并施加控制，引导车辆走向理想轨迹；反馈控制则实时监控车辆实际状态，修正前馈产生的微小偏差，最终确保智能控制的精度与稳定性。两者协同，一个预防路线，一个修正精度。这套算法与传统算法有很大区别，因此在开发和应用的稳定性、可靠性方面面临很大挑战。千顾科技通过ESC的大规模产业化应用，以实际市场数据验证了该算法的可靠性。
基于IDC的VMC，我们称之为完全体VMC。相比传统VMC，它具有显著优势。常规VMC主要控制车辆稳态线性区域，只有在车辆失控时，传统VDC才会介入，而这时VMC控制往往已经退出，由此可能导致部分工况下控制不平顺。为降低不平顺控制的频次、减少VDC干预，常规VMC还会设置更加严格的控制边界，客观上进一步缩小了控制范围。基于IDC的完全体VMC，由于VMC和IDC共用一套车辆模型，VMC控制与IDC安全兜底可以实现无缝切换，从而平滑、安全地实现整车控制。
我们用数据来说话。车辆在100公里时速下，以500度/秒的极限转向速度进行双变道的数据云图，完全体VMC对整车侧偏角的控制区域更小、分布更加集中。通过这一核心控制，可以大幅提升整车安全边界。千顾科技VMC车辆运动控制中部分涉及安全且已经量产的功能，包括前面讲到的IDC，以及分布式TCS、爆胎稳定控制、随心转、抬杆掉头等。
任何事物都有两面性。前面讲到，VMC车辆运动控制给整车安全、体验和节能带来了很大提升；但另一方面，跨域融合的系统架构也使控制耦合度和系统复杂度大幅提升。直白地讲，其开发和应用都变得越来越难。传统的目前主流的产品开发微模型基于ASPICE进行全流程展开，并融合功能安全、信息安全要求，从系统到子系统，以及硬件、软件、结构等方面同步展开。传统流程体系的优点非常突出：稳健可靠、全流程双向追溯，天然满足安全合规要求，并且分工明确。但其缺点也非常明显：全流程只能线性串行，变更响应慢，依赖人工驱动，评审负担很重。尤其在当前充分竞争的产业格局下，传统研发流程的缺点已经演化为一些不得不面对的客观挑战。我们将其总结为四个方面。
第一，开发周期越来越短。整车开发周期从48个月缩短到24个月、12个月，甚至6个月。
第二，电动化、智能化带来系统复杂度和场景丰富度提升的同时，也带来了需求的频繁变化。很多项目甚至在临近量产或量产之后，仍会出现大量变化和变更。
第三，跨域融合、多系统协同及交互复杂性提升，使耦合验证又难又慢。
第四，知识沉淀变得非常困难。在当前快节奏下，传统开发模式很难维持知识的快速沉淀；但如果没有足够的知识沉淀，从开发到应用又会面临其他问题。
前面反复讲到，智能底盘、VMC为整车提供的是安全保障。为了保障安全，传统研发流程体系不应该、也不可能在短期内被完全替代。面对这些行业挑战，我们必须寻求破局，因此尝试将AI融入研发体系，对其进行重塑和重构。接下来，分享一些我们在这方面的尝试。
我们迈出的第一步就踩了一个大坑。最开始，我们把积累的研发资料和数据导入模型，最后发现效果很不理想，不符合预期，完整性和稳定性都不好。传统研发流程积累的资料和数据不能直接被AI使用，有效数据占比甚至很低。例如，需求文档在格式、书写规范性、结构层次、颗粒度等方面都很难达到要求。最后我们发现，数字化是推进AI研发体系的基石，是所有工作的前提。因此，首先要对研发全要素进行系统性重构，打通数据与智能之间的壁垒，包括需求重构、代码资产管理，以及智能测试涉及的工况、用例、脚本和实测数据等。
在整个BMP软件框架下，我们有很多安全类功能、体验类功能、提效类功能，也包括大量基础软件。在积累足够的Corner Case，尤其是微小功能Corner Case的数据之前，以IDC为核心的安全类功能及其现有开发方式是不可替代的；但很多体验类、提效类功能以及应用软件，完全可以由AI重塑和改写。这就需要采用适配AI的架构设计，兼容传统开发方式与AI开发模式，以及不同开发模式输出的软件交付。我们可以把所有软件模块作为组件进行分解，区分安全类与非安全类、工程经验类与非工程经验类。随着AI逐步融合，未来或许不再需要非常复杂的层次、结构和大量架构设计。当然，这需要一个逐渐融合的过程。
将AI融入研发体系，最核心的目标是提高效率。因此，我们需要通过AI构建CI/CD持续集成、持续交付系统，并基于开发实践和经验提炼出八节点流水线，以大幅提升开发效率，尤其适用于应用型开发和需求频繁变更的场景。客观地讲，目前八节点方面仍需要人工参与。例如，代码评审仍需软件专家辅助；在动态测试中，功能安全软件模块要求达到100%的MC/DC覆盖率，目前AI大模型还无法满足最高等级的要求，仍需人工补充；软件最终释放到测试端，也需要人工进行二次确认。
在从需求到代码的开发过程中，我们建议转向TDD，即测试驱动开发模式。与传统开发模式不同，AI依据测试用例反向推导代码实现，以终为始，从源头保障输出与预期一致，提升软件质量。在实现路径上，可以从辅助编码逐步过渡到独立模块的自主开发，同时做好版本、分支、回滚和安全管理等工作，以渐进式开发路径实现开发过程的智能化升级。
智能底盘及VMC的所有软件，最终测试都离不开物理环境。上一页讲到开发端提速，但如果测试端无法形成同样的闭环，仍然达不到预期。因此，我们要构建AI与物理环境相结合的闭环系统，搭建AI自动化测试体系。为此，我们重构了物理测试环境的全链路，形成了贯穿任务管理-用例管理-脚本管理-执行管理-结果管理等同样的八节点流水线，与开发端的八节点流水线形成一个大闭环。
要实现前面几个方面，必须转变一个思路：工具链要大规模使用AI进行自主研发，因为市面上没有现成工具。因此，我们以“自研+定制”为核心，打造适配业务场景的AI工具生态，让每一位工程师都拥有专属的智能助手，重塑研发生产力和创新力。通过构建私有化AI工具链，打通从需求分析、代码生成到测试交付的全流程；通过工具民主化，让技术真正服务于业务创新，打造高效、智能的研发新范式。目前，研发板块各部门都在使用AI生成并打造自己的工具，让人人都可以打造自己的“锤子”。
技术变革必然会传导到流程体系和组织管理。随着AI融入不断深入，流程将从固化走向动态重构。这需要从初始需求出发，从管理角度不断梳理、分解工作流程，打破传统流程壁垒，将适合AI处理的标准化、重复性工作剥离出来，释放人的能力。同时，需要构建快速反馈机制，通过AI自研工具链，实现AI对工作全流程的参与和辅助，推动工作流程高频迭代和需求快速响应。
另一方面，组织管理重塑也不可避免。事实上，人机协同的AI增强型团队架构已经出现，其本质也是重塑分工，实现AI与人的能力互补。互联网行业经常提到“一人+N个Agent”的组织模式，虽然汽车行业还没有发展到这一步，但我相信这一天会到来。
今天只是分享一些开发过程中的初步探索，抛砖引玉，希望得到各位行业专家的认可和指正，也希望与大家共同助力中国汽车产业发展。
谢谢大家！
