无人驾驶汽车

定义

无人驾驶汽车是能够在没有人类驾驶员持续操作的情况下，自主完成道路行驶任务的机动车辆。与之最接近的概念是自动驾驶汽车，字面强调车辆对驾驶任务的接管；而智能汽车、智能网联汽车的范围更宽，除行驶自动化外还包含车与车、车与路、车与云之间的信息交互，以及座舱交互等辅助功能^[2]。

判断一辆车是否属于无人驾驶，通常参照国际汽车工程师学会发布的驾驶自动化分级标准。该标准按动态驾驶任务的承担者和人工接管的必要性划分等级，从 L0 无驾驶自动化到 L5 全驾驶自动化共六级^[1]。其中 L0 至 L2 由人类驾驶员全程监督，L3 允许系统在限定条件下驾驶，L4 在限定条件下不再需要人类介入，L5 则在人类可驾驶的全部条件下由系统完成驾驶、不要求人类接管^[1]。

分级针对的是具体被激活的功能，而非整车。同一辆车若装有多种自动化功能，实际处于哪一级取决于当时启用的是哪项功能，因此不能把某一车型笼统称作某一等级^[1]。按现行标准，主动安全系统如电子稳定控制、自动紧急制动，以及仅提供瞬时干预的车道保持辅助，都不纳入驾驶自动化分级体系^[1]。

原理

无人驾驶汽车的工作过程一般被拆成感知、决策规划、执行三个环节，构成从环境信息到车辆动作的闭环^[4]。感知环节依靠摄像头、激光雷达、毫米波雷达等设备采集周边环境：摄像头获取图像与颜色、标志信息，毫米波雷达测距测速且受雨雾影响较小，激光雷达通过激光束反射构建三维点云，可较精确地给出障碍物的位置与形状。多类传感器数据经融合后，输出对道路、车辆、行人和交通设施的描述^[5]。

决策规划环节把感知结果转成行驶策略。全局路径规划依据路网与地图求解从起点到终点的路线，局部规划则根据实时路况在车辆周边搜索可行轨迹以避让障碍物，同时依据交通规则判断通行优先权。早期方案多依赖工程师编写的规则，面对复杂城市交通时很快遭遇瓶颈，此后行业转向由数据训练模型进行行为预测与路径规划^[5]。端到端技术进一步把多个模块并入统一神经网络，实现从传感器数据到控制指令的直接映射，减少模块之间的衔接损耗^[3]。

执行环节由线控转向、线控制动等智能底盘部件把控制指令转为机械动作，其响应速度与控制精度直接关系行驶安全^[5]。除车载系统外，中国还在推进车路云一体化路线：路侧布设摄像头、雷达与边缘计算节点，云端汇聚车端与路侧数据，通过蜂窝车联网向车辆下发超视距的感知与调度信息，与单车自身的判断相互印证^[6]。

发展历程

20 世纪 80 年代，美国和德国的研究者已在自动驾驶领域取得零星进展，更早时期还出现过用射频信号和磁钉导引车辆行驶的尝试^[7][8]。真正的转折出现在 21 世纪初。美国国防部高级研究计划局(DARPA)为军事需求组织了系列无人车挑战赛：2004 年首届比赛在沙漠举行，没有车队跑完全程；2005 年多支队伍完赛，斯坦福大学与卡内基梅隆大学分列前两名；2007 年的城市挑战赛把赛道移入模拟城市环境，卡内基梅隆大学、斯坦福大学和弗吉尼亚理工大学获得前三名^[9]。

这批赛事培养的人才成为此后产业化的技术骨干。2009 年，曾率斯坦福团队参赛的塞巴斯蒂安·特伦进入谷歌主持自动驾驶项目，2010 年 1 月相关项目在谷歌 X 实验室正式成立^[9]。2016 年 12 月，谷歌将该项业务分拆为独立公司 Waymo^[9]。同期，一批由参赛者和谷歌项目成员创办的企业进入这一领域，形成早期的行业格局^[10]。

在中国，智能驾驶自 2020 年前后进入快速普及阶段。工业和信息化部数据显示，2020 年至 2025 年，乘用车组合驾驶辅助功能的搭载率从 16.2% 提升到 64.9%^[11]。到 2026 年上半年，具备 L2 级组合辅助驾驶功能的新车渗透率已超过 70%，业内预计 2030 年将升至 95% 以上，L3 级渗透率则有望超过 35%^[12]。2024 年起，工业和信息化部等部门先后组织智能网联汽车准入与上路通行试点、「车路云一体化」应用试点，推动技术由示范运行转向规模应用^[13]。

应用

载客出行是公众接触最多的一类应用。部分城市的自动驾驶出租车已在示范区域内提供无安全员的载客服务，运营方通过多传感器融合与中央计算平台实现全角度感知^[11]。行业普遍认为，商业化遵循先特定场景后开放道路、先商用车后乘用车的次序推进^[5]。

封闭或半封闭场景被认为最易率先落地。港口无人集装箱卡车是较早实现规模化部署的形态，上海洋山港、宁波舟山港等均投放了上百辆无人集卡；矿山、机场等作业环境相对标准化的特种车辆，也成为技术落地的重要方向^[5]。在城市末端，无人配送车、无人清扫车等车型被用于物流与环卫环节^[11]。

在乘用车上，当前量产交付的主要是组合驾驶辅助与领航辅助类功能，车辆仍由驾驶员监督并在需要时接管^[14]。此外，车路云一体化的感知与信号数据也被用于交通信号优化、事件预警和道路巡检等城市交通管理用途^[6]。

局限

长尾场景是无人驾驶最主要的制约。现实交通中罕见但多样的状况难以被训练数据充分覆盖，系统在遇到缺乏先验知识的情形时可能失效，形成安全风险^[15]。感知环节同样存在物理边界：摄像头在暴雨等条件下有效识别距离明显缩短，激光雷达的激光束在雨雾中会发生散射与吸收，点云质量下降^[16]。

基于深度学习尤其是端到端方案的系统还存在过程不透明的问题，行为逻辑不易追溯，事故中的责任认定因此变得困难^[15]。就运行条件而言，L3 级功能目前主要限于高速与城市快速路等场景，极端天气、施工路段等情形应对能力有限^[17]。

成本与运维持久性构成另一重限制。高阶自动驾驶需要多颗激光雷达、高精度定位模块与大算力平台，单车硬件投入较高；高精地图的更新维护、远程接管、清洁保养等运营成本，也只有在路线稳定、参与者单一的场合才较易摊薄^[18]。有分析认为，随着技术指标由 99% 向更高水平逼近，场景复杂度带来的边际成本会迅速上升，因此完全开放城区的通用无人驾驶在短期内难以实现^[18]。

参见

• 智能网联汽车 —— 无人驾驶汽车与道路、云端协同后形成的一类汽车，涵盖范围更宽。

• 自动驾驶分级 —— 用于区分驾驶自动化程度的标准体系，是判断无人驾驶能力的基本依据。

• 激光雷达 —— 无人驾驶汽车感知环境、构建三维点云的核心传感器之一。

• 车路云一体化 —— 由车辆、路侧设施与云端平台协同提供感知和决策支持的技术路线。

• 线控底盘 —— 把自动驾驶指令转化为转向、制动等机械动作的执行系统。