一、自动驾驶技术商业化示范应用现状

近年来，随着智能芯片、智能传感器等底层支撑技术及软硬件设备取得突破性进展，自动驾驶也从技术研究阶段向产品落地阶段过渡。

美国、欧洲、日本等发达国家借自身高精尖制造实力和核心技术上的竞争力，已经在自动驾驶领域取得了优势经验，迅速在物流配送、低速穿梭巴士、干线货运、载人出租车等多个场景下开展了商业化运营尝试。

自动驾驶虽我国起步略晚，但在2017年之后，各大城市相继加速推动自动驾驶的测试、验证、示范应用等相关工作，并且工作重心开始由研发测试转入商业化应用试点。

图1 主要技术路线

国外自动驾驶商业落地应用情况

美国受限于基础设施条件，所以侧重于将自动驾驶应用于私家车与出租车。例如特斯拉公司的自动驾驶系统Autopilot已经在全球范围内的Tesla车辆上进行了部署能力，并且正在进行接近于L4级别的“全自动驾驶（FSD）”软件升级推广。它订阅和买断服务的方式为消费者时提供更为全面自动驾驶的功能。

谷歌旗下的自动驾驶公司Waymo在美国亚利桑那州的菲尼克斯市开展了无人驾驶出租车服务，目前服务范围覆盖面积已经达到了466.2平方公里。同时，它与Uber合作进行无人驾驶车的辆网约车服务及食品外卖服务。

目前，其已经实现了每周为乘客提供超过1万次的免费服务，并计划于2024年夏天之前，为乘客提供超过10万次服务。

图2 美国自动驾驶“三巨头”

欧洲国家则着重于围绕生态系统进行自动驾驶商业化推动，例如，芬兰由于本国的市场较小，缺乏大型汽车制造企业，因而发展自动驾驶小巴，依托于其在政策与软件技术的优势，打造完善的公私合营公共交通运营系统。

例如，瑞典从重型车辆装备制造的优势地位出发，侧重于自动驾驶在物流方面的应用，在城市之间实现卡车自动驾驶编队运行。德国作为全球首个自动驾驶立法的国家，已经开始批量生产真正意义上L3级自动驾驶车辆，并正在开展远程驾驶服务的测试。

日本作为最早提出自动驾驶概念的国家，虽在战略层面高度重视，但在战术更多采取“积跬步，以至千里”的策略。一方面不断出台政策法规及技术标准，另一方面开展产、学、研一体化发展进行国家层面的技术积累。

其商业化应用受社会老龄化、中心城区道路拥堵、民众倾向于乘坐公共交通等因素的叠加，更多落地在短途、低速穿梭巴士上。如美山市推出的自动驾驶高尔夫球车服务，名古屋市的导轨巴士服务等。

图3 日本自动驾驶商业化应用测试

国内各城市应用示范现状

国内包括北京、上海、广州、深圳、武汉长沙等10多个大城市都已开展自动驾驶商业化试点，其中武汉、重庆、深圳、上海已经开始启动全无人商业化运营服务，广州也同步开展自动驾驶无人化载人测试，为后续进一步商业化运营服务提供技术和运营保证。

截至2023年4月，全国50多个省市出台智能网联汽车测试规定，累计发放道路测试和示范应用牌照超过2000张，开放测试道路超过1万公里，测试总里程超过4000万公里，并针对性地布局载人场景示范应用。

以武汉自动驾驶商业化试点进程为例。自2022年6月启动智能网联汽车商业化试点以来，武汉示范区自动驾驶出租车月载客量显著递增，至2022年12月，主驾有人载客量突破1.4万人/月，全无人化载客量突破0.7万人/月。

截至2023年1月，武汉示范区已分五批开放了522条智能网联汽车测试路段，总里程为751.56公里，双向里程为1503.12公里，覆盖武汉市600平方公里区域，触达常住人口近200万，位居全国前列。

2023年，东风悦享和百度萝卜快跑计划新增300辆自动驾驶车辆，常态化运营车辆突破400台，逐步建立起至高铁站、机场等核心交通枢纽的自动驾驶运营专线，为更多武汉市民提供自动驾驶出行服务。

图4 武汉自动驾驶汽车道路测试区域示意图

长沙市自动驾驶商业运营服务也开展较早。2019年6月，长沙市颁发45张智能网联汽车开放道路测试牌照，并成为中国首个落地自动驾驶出租车试运营的城市。

2020年4月19日，长沙自动驾驶出租汽车向民众全面开放，运营范围覆盖130平方公里。

2022年7月，自动驾驶出租车运营范围再“扩容”，新开放了317公里测试道路。同时，新增设站点可接驳公共交通设施，实现在客流量密集区域的试运营。

截至2023年8月，自动驾驶出租车已累计运行150万公里，服务乘客15万人次。

北京自动驾驶的应用示范是分阶段推进。2021年4月，北京市在亦庄60平方公里范围内设立国内首个智能网联汽车政策先行区，正式开放自动驾驶载人测试及商业化运营。示范区已设置600 多个落客区站点，日均出行总量达0.36万人次，占区内出行总量的1.3%，约占传统出租车/网约车出行量的四成。

继亦庄之后，北京市又在海淀区开放52条、顺义区开放77条、通州区城市副中心区域开放26条自动驾驶车辆测试道路。2023年7月，北京市开启智能网联乘用车“车内无人”商业化试点。

图5 北京自动驾驶开放区域示意图

二、 单车智能与车路协同技术路线属于并行发展

从国内外的应用情况分析，当前自动驾驶技术发展方向依据基于不同方案中的算力和成本在车侧或路侧进行分类，主要有“单车智能”和“车路协同”两大技术路线。不同的政府、企业、公众等社会主体基于不同的认识，对自动驾驶的商业化应用采取不同的技术路径。

单车智能最为先进的代表是美国的特斯拉公司，其凭借自身在芯片研发及算法上的核心竞争力，在2020年率先在自动驾驶系统中实现了端到端大模型应用。

即在道路场景与车辆控制之间构建人工智能的大模型，通过捕捉不同场景下驾驶员操作变化，进行机器的深度学习与训练，从而不断模仿和接近人类驾驶员的控制行为。采用这种影子模式实现场景的快速积累，帮助特斯拉快速实现对长尾场景的覆盖，拉大了其与其他自动驾驶企业在场景覆盖上的差距。

中国企业如华为、小鹏等则是在2023年实现了大模型在车辆自动驾驶系统中的应用。然而实现L4级以上高阶自动驾驶，单车智能路线一方面要解决车端芯片算力和云端算力成几何量级提升与扩充的难题，而另一方面是则是要面对无穷无尽的场景数据采集，以及大量人工对于训练数据的识别与标注。

车路协同偏向于系统的整合，将所有交通运行要素融合成一个整体性的决策规划系统，不仅可以实现超视距、多维度的全局感知能力，还能基于更宽泛的城市信息，优化交通安全和通行效率。当前，我国采用的车路协同方案的进展仍然处于协同感知阶段。

主要依托于中国移动通信运营服务商及华为等通信企业开展新型基础设施的建设工作。包括路侧单元、路侧计算设备、车载单元、移动数据中心、车载网关，以及与之配合的无线网络通信网络及计算平台、仿真模拟平台等的构建，同时聚焦于路况信息收集以及边缘计算；其次，积极组织百度、四维图新、高德等头部制图企业不断绘制局部高精度地图。

最后，在车侧端通过布局新能源赛道，不断提高竞争力，同时降低车载感知设备的成本。但由于大规模新建或更新智能交通基础设施设备工程周期长，高精度地图的绘制维护成本高且效率低，因此车路协同路线在应用场景测试的广度与深度上都远远不及单车智能路线。

综上，单车智能与车路协同技术路线属于并行发展，在商业化应用过程中都各自展现了优势，同时也受制于自身技术瓶颈。单车智能具有自主可控性，不受限于基础设施条件，推广应用更灵活，但单车成本较高，缺少路端能力。而车路协同将感知能力、算力等在车与路端进行了分配，提升了能力和可靠性，但需要智慧基础设施支撑，适用性受限，建设运营模式还未成熟。

但无论采用哪种技术路径，自动驾驶要想实现真正商业化应用，其核心取决于数据的量与质，以及决定数据应用的算法的有效性。

因此，当下既要丰富应用场景、扩大数据采集密度、以及提升海量异构数据的计算处理能力等，同时还要从机制体制上打通产业链条上所有数据池，形成资源的融合共享，并找到可持续的商业运营模式。

三、制约自动驾驶商业化应用的原因

对于自动驾驶发展低于预期的现实准备不足

自动驾驶技术在发展之初，一直是以寻求完全自动驾驶的解决方案为最终目标。因此，在其商业化落地的过程中，假设的前提都是迅速实现L4级以上的完全自动驾驶，以彻底满足商业化应用需求。在应用过程中的任何一个环节都必须可确保在脱离人员情况下的安全，否者就很难真正跨越“上路”这道门槛。

但从目前国内外的应用现状研判，完全由机器自主的高等级自动驾驶技术实现难度较大、过程较长。因此，符合现阶段自动驾驶发展特征的政策法规、运营监管机制、部门职责划分等都需要按照市场运行规律及城市发展的必然趋势进行准备和调整。

图6 自动驾驶长尾问题典型场景

自动驾驶所依赖的“数智化”基础设施覆盖不足

自动驾驶不论是“单车智能”路线，还是“车路协同”路线，其本质都是基于新一代信息技术来感知复杂环境，通过数字的智慧化和智慧的数字化技术，协同处理人（汽车驾驶员）—车（自动驾驶车辆）—路三者的关系。从技术角度这需要消耗大量的数据以及时间，并不断优化调整其算法和模型。

而当前，北京市交通基础设施及公共基础设施尚不能提供大规模自动驾驶应用所需的智能感知力及算力。另外，场景不够清晰，需求不断调整、特别是大量信息壁垒及数据交互安全，也制约着商业化进程的推动。

自动驾驶应用场景针对交通系统需求挖掘不足

目前，高阶自动驾驶推动基本都由整车制造企业、或是互联网信息服务企业推动，其背后的核心逻辑都是围绕“车辆”本身。因果逻辑则是“车辆”可以做什么，无非是使用的车辆及方法有所差别而已。

众所周知，城市交通的未来是不断扩大集约化运输和绿色出行服务供给，改善“人”的生存活动空间，提升城市运转活力。

“以人为本”才是城市交通系统乃至城市发展的核心价值，自动驾驶车辆作为一种交通运输工具应是服务于人们不同交通方式（步行及自行车出行、多元化的公共客货运输及个体机动交通）公平分享以及交互衔接。

图7 我国自动驾驶商业运营服务商

四、商业应用拓展思路

做精做强高级辅助驾驶的应用场景的拓展

据统计，2022年我国在售L2和L3级自动驾驶新车的渗透率分别为35%和9%，预计2023年将达到51%和20%。L4级自动驾驶车辆2022年在我国渗透率为2%，预计2023年将达到11%。从当前各等级自动驾驶的渗透率趋势判断，结合技术迭代维度、成本维度、法律责任划分维度等因素，未来很长一段时间都将处于不同级别自动驾驶共存的时代。

图8 自动驾驶在我国新车的渗透率

同时，即使L5级的自动驾驶技术实现应用推广，那其他等级的自动驾驶汽车是不是没有了“用武之地”了呢？答案显然是否定的。因为，在机器自动控制的背后始终都是人类用户在掌控，在不同路况，不同场景之下，必然提供不同的驾驶选择。

而且，随着人口老龄化、交通资源急缺等社会问题的显现，对于以人为主导、高级驾驶辅助的个性化需求会更加迫切，在未来也有相当确定且广泛的应用市场。

图9 高级辅助驾驶功能应用情况

向满足大运量客流的个性化需求应用场景拓展

以城市为背景的自动驾驶应用场景拓展，实则是将交通运输业、能源产业、高端制造业等融入到科技创新、产业发展和城市综合治理之中，突出和体现其公共服务属性。而与交通、城市形态关系最为契合的公共服务应用场景就是城市公共交通系统。公共交通系统核心就是满足大运量客流的日益增长的个性化需求。

根据问卷调查显示，人们对于“最后一公里”出行场景使用共享自动驾驶汽车的响应最为强烈。特别是在该场景中，如果提供的是需求响应式自动驾驶服务，大约31%的公共交通用户会考虑采用，而大约57%的司机放弃开车。

而对交通行业内专家问卷调查则显示，北京市实现完全自动驾驶的时间表虽然没有明确的点，但高达94%以上的专业人士判断会是2035年之后。且在2035年，自动驾驶在城市客运领域的应用场景主要在于微循环巴士和城市公交。

向满足集约化运输与绿色出行的应用场景拓展

在多元化、智能化时代，城市的发展模式也在悄然发生变化，从要素驱动的规模式增长向创新驱动式的内涵型增长转变，在区域协同、资源约束下去拓展城市空间。而自动驾驶应用场景的拓展是集约化最具代表性的范例。

以北京市为例，截至2023年6月，北京地面公交车中新能源和清洁能源车辆约为2.3万辆，占比达94%，同时，在204处公交场站内建成投运充电桩1361台。巡游出租车中纯电动车约为3.2万辆，供使用的换电站115座，覆盖北京五环区域、通州副中心周边、机场周边等区域。

不仅仅是北京，近年来国际上的各大城市在公共交通领域，出奇一致的围绕交通运输集约化，并基于新能源赛道布局绿色出行综合服务，并在不断加快发展。这一方面说明符合未来大城市发展总体战略，另一面自动驾驶车辆与智慧城市基础设施在集约化方向上的融合具备天然的理论与技术基础。

五、推动自动驾驶商业化应用的建议

自动驾驶商业应用拓展应服从城市发展战略

自动驾驶本质是有效提高驾驶安全和运输效率的手段，自动驾驶应用场景必须放到交通与城市空间协调发展的背景之下，必须符合城市总体发展战略。因此，建议从交通需求端拓展自动驾驶应用，以满足大运量客流的个性化需求为主，以提高可达性、机动性为目标，做好不同交通出行方式的之间合理衔接。

具体可通过路侧电子站牌设置“一站式”的票务系统窗口，并结合可以快速部署的换乘设施，围绕轨道站点的接驳来尝试部署微循环巴士或公交车。

同时建议在交通供给端拓展应用时，注重非道路类的城市基础设施的配给，通过其结构与分布重整，来引导人们的出行选择，继而提高对于各种资源的使用效率，以及出行效率。具体可结合城市空间改造，在热点区域通过配给停车位、充电设施，提供分时租赁自动驾驶功能的新能源汽车服务。

推动成熟高级辅助驾驶的应用

置身于城市发展空间的自动驾驶系统本身就存在一个庞大的技术体系。在某一个功能模块上进行优化，并取得技术突破，形成商业化路径相较是容易实现的。

因此，建议一方面，继续逐步拓展新的辅助驾驶功能与内涵，如HWP（高速路自动驾驶）、TJP（交通拥堵自动驾驶）、AVP（无人自主泊车）等功能；另一方面，不断强化提升L1-L4等级下的已成熟高级辅助驾驶功能，拓展与其他交通子系统融合的场景。

例如TSR(交通标志识别)系统与交通信号系统融合，通过物联网设备，可使行驶中车辆提前获知路口信号状态及等候时长等。

加强建设数智化底座，谋划部署智慧基础设施

自动驾驶作为融合了以全面感知，移动互联，云计算、与人工智能的应用典型，其运行必然不能游离于数智化城市之外。无论是自身基于对位置以及周边环的感知而进行的决策规划，还是通过路侧单元获取路况而执行的行驶方案，都离不开数据与算力的支撑。

因此，建议针对现阶段自动驾驶商业化运行的痛点，结合应用场景，研究不同节点、路段智慧基础设施的设备标准和合理布局，避免过度建设和建设不足等问题。在丰富交通数据资源的基础上，进一步引导影响交通出行需求合理化分布。同时，在云计算中心的基础上，分别构建大规模运力调度平台、预约出行服务平台等应用算力中心。

同时，加大力度建立统一规格、统一标准、统一价值的数据市场，打破信息壁垒对于数字智慧化的束缚，充分发挥人工智能大模型的作用，协同系统之间运行，夯实自动驾驶高阶应用所需的城市交通“数字底座”。在测试场景扩展方面，建议学习特斯拉的场景数据构建做法，以扩大数据集。

尽早开展自动驾驶带来的交通重构问题研究

当前，自动驾驶还无法完全取代驾驶员的阶段，自动驾驶城市对于城市出行需求总体影响并不明确，但随着技术成熟度、出行成本、政策支持，道路设施等多因素改变，势必会引发未来交通的重构，应尽早开展相关研究。

研究应从稳定交通安全运行、规避潜在应用风险、保障驾乘人员合法权益、稳健高效的商业化应用等环节入手，专题研究实施保障条件，并开展相应的风险评估。研究的方向包括但不限于法律法规、交通基础设施规划设计、交通组织变革（例如预约出行交通组织模式）、交通运营管理等。