AI 30 秒给出 10 个方案,治不好一颗拧歪的螺丝

（本文使用真实案例结合一些改编而成）

一次里程计排障实录：AI 用 30 秒给出 10 个方案，我们用 3 天验证了它们全部无效。最后解决问题的，是一个蹲下来的动作。

先说结局。

这场排障的最后一步，不是改代码，不是调参数——是拧螺丝。

三天，AI 给的 10 个方案，一个都没用上。真正的答案，一直蹲在轮子旁边。

大家好，我是航哥。事情是这样的。

01 第一天：AI 只用了 30 秒，显得我很多余

项目里一台小车，定位方案是经典组合：IMU + 里程计航位推算。仿真一切正常，实车一进弯道，位置估计立刻漂移——转得越急，漂得越狠，误差曲线像被谁踹了一脚，直挺挺往外漂。

放以前，这是"调参三天"的老剧本。放现在，剧本升级了：我把现象描述发给 AI，30 秒，10 个方案整整齐齐——

调 Q/R 值、改噪声模型、EKF 换 UKF、加自适应权重、做里程计在线标定等，每一条都逻辑严密，头头是道，连参考文献都替我排好了版。

我们挨个试了三天。

误差纹丝不动。

第三天晚上，团队里弥漫着一种熟悉的自我怀疑：我们该不会学的是假导航吧？

现在回头看，那不是 AI 不行。恰恰相反——它给的每个方案，都在治"算法的病"。而我们的车，病不在算法。

02 第三天，有人蹲了下来

转折发生在第三天下午。

一个同事放下键盘，绕着小车转了两圈，然后蹲了下来，盯着轮子看了半分钟，问了一句话：

"咱们的轮子，装对称了吗？"

全场安静。

问题就此浮出水面：里程计轮子的安装位置不对称。

图1为什么轮子装偏一点，转弯就露馅（示意图）

看上面这张图就明白了：转弯时，轮子走的弧线和车体中心走的弧线，根本不是同一条——半径不同，弧长就不同。编码器把"轮子走的路"当成"车走的路"来换算，里程从此开始撒谎；转得越急，两个圈差得越多，谎就撒得越大。

而直线时，两条轨迹重合——所以直线怎么跑都没事，仿真也发现不了。

解法朴实无华：改机械结构，让轮组关于车体几何中心（运动学参考点）对称，轮距、轮径与运动学模型一致。拧螺丝，重装，标定，再跑——

图2三天排障误差曲线（示意）

弯道误差肉眼可见地收敛。算法结构/代码没有改——重装之后，重新标定了轮距、轮径等运动学参数，再验证。

算法治不好的病，螺丝刀一拧就好了。

03 真正让我后背发凉的，不是 bug 本身

图3同一台车，两个世界

事后复盘，我想明白一件更值得警惕的事：

我发给 AI 的那段问题描述里，根本不包含"轮子装歪了"这个选项。

它再聪明，也只能在我划定的世界里找答案。它看不见我的车，摸不到我的螺丝，更不会无缘无故去怀疑一个所有人都默认正确的前提——"安装是正确的"。

AI 的边界，就是你描述世界的边界。而描述世界的能力，来自对物理世界的理解。

说白了，AI 不是不会解题，是我们把题给错了。真正值钱的能力，是第一时间意识到"题给错了"——对默认前提发起怀疑。这件事，AI 目前替你做不了。

04 里程计"撒谎"的 5 种方式：AI 全知道，你未必想得起来

后来我把同行踩过的同类坑翻了一圈，里程计"撒谎"的方式多得很：

• 轮径误差：标称 10cm 实际 9.95cm，0.5% 的偏差被积分放大，100 米能差出半米；

• 轮距误差：卷尺量的中心距和真实运动学中心距对不上，弯道漂移的头号惯犯；

• 打滑：地面一滑，编码器和真实位移瞬间脱钩，滤波器最难防；

• 机械间隙：每次换向都"吃"掉一段脉冲；

• 安装不对称：就是我们这次栽的坑。

注意：这些知识网上全都有，AI 也全都知道。但"知道"和"用上"之间隔着一层——你得先想到去查。

这层直觉，恰恰是 AI 目前给不了的。

以前，工程师的竞争力是"我知道怎么调这个滤波器"——这种知识，AI 现在 30 秒就能给你。以后，竞争力会转移到 AI 够不着的地方：

仿真里，轮组理想对称、参数理想，实车有安装偏差；模型里，轮胎是刚性的，实车会被压扁；代码里，传感器时间戳对齐，电路里差着几毫秒。AI 的每一个输出，都建立在你喂给它的假设之上。验证假设的能力——蹲下来看轮子的能力——正在成为工程师最后的护城河。

AI 能给出理想条件下的最优解，但你的车，永远不在理想条件下。

会用工具在贬值；知道工具为什么失灵，在升值。

05 我立了一条新规矩

这次之后，我在团队立了规矩：凡是涉及位置测量的传感器，安装方案必须过评审。

因为它背后是一条被严重低估的常识：传感器的安装位置，本身就是测量模型的一部分。

• 里程计，要考虑轮组相对车体几何中心（运动学参考点）的对称性，必要时补偿参考点杆臂；

• GPS 天线，要考虑多路径效应和相位中心偏差；

• IMU，要考虑杆臂——杆臂不补偿，角速度一激励，加速度计全是假信号。

这些东西不在代码里，写代码的人容易忘；不懂测量原理，做结构的人不知道。坑，永远长在两个专业的交界处——而 AI 目前最难覆盖的，恰恰是这种需要跨域直觉的交界地带。

06 写在最后

三句话，建议截图：

第一，数据不对，先查物理层。 机械 → 电气 → 算法，按这个顺序排查。越靠近物理层，排查成本通常越低，也常是根因。

图4数据不对，先查物理层

第二，别把 AI 的流畅当正确。 它十个方案说得头头是道，可能十个都在错误的假设里精雕细琢。识别"假设错了"，比掌握一百个方案更值钱。

第三，多蹲下来看你的设备。 AI 时代稀缺的不是知道更多算法的人，而是对物理世界保持敬畏、并且愿意蹲下去的人。

你有没有被 AI"认真忽悠"过的经历？方案全对、逻辑全顺，但问题根本不在那儿。评论区聊聊，我想看看有多少人和我一样，被 AI 认真地忽悠了三天。

觉得有共鸣，点个在看，转给那个把 AI 方案挨个试了一遍的兄弟——提醒他抬起头，答案可能正蹲在轮子旁边。

我是航哥，技术总工，导航/控制/算法方向。关注「航哥小站」，分享 AI 时代嵌入式与组合导航的一线实战。