商用车无人驾驶的国内外发展现状与挑战

  如今，商用车无人驾驶的研究现状是什么？从技术、成本以及人们对无人驾驶信任度三个方面分析，商用车无人驾驶的挑战又是什么？

  随着无人驾驶技术加快速度进行发展，商用车无人驾驶迎来了前所未有的发展机遇。无人驾驶为解决商用车的人力成本、交通事故以及高效作业难题，带来了全新的解决方案。在政策和环境的驱动下，商用车无人驾驶在城市无人公交、港口、矿山、干线物流、末端配送等封闭、半封闭特定场景下开展了大量的示范应用，为其商业化落地和运营积累了宝贵经验。但商用车无人驾驶离人们的预期还有很大的差距，仍面临诸多挑战。

  从2019年起，全球商用车产量一下子就下降。图2-2显示，2020年我国商用车产量达到523.1万辆，占全球份额24%；2021年，我国商用车产量为467.4万辆，比2020年有所回落，其中，上半年商用车市场受排放法规切换、治超治限、基建项目启动等因素拉动，增幅较快，而下半年受市场提前透支、房地产开发行业较冷以及前期政策红利逐步减弱等因素影响，需求弱于上半年，全年产量同比下降10.65%。受经济、市场等多层影响，2022年国内商用车市场面临更加大的下降带来的压力，截至2022年上半年，全国商用车产量为168.3万辆，同比下降38.5%。但从前些年统计数据分析来看，我国商用车产销量庞大，后续市场仍具有较大的发展潜力。

  纵观产业格局，商用车的发展主要面临以下几处痛点。其一，驾驶员缺口庞大。据相关调查显示，我国商用车驾驶员年龄结构不合理，总体偏大，主力军集中在36-45岁之间，而25岁以下占比仅为1.4%，形成了明显的年龄断档（见图2-3）。由于商用车驾驶员工作环境恶劣、长期远离家庭、薪酬待遇低，对年轻人缺乏吸引力，无法为行业的未来发展提供充足的新生力量。此外，行业对大、中型车辆驾驶员有更为严格的培训要求及从业资质，获取高等级驾照需要耗费大量时间、精力成本。根据2021年2月发布的相关交通规定，货车驾驶员将实施8小时工作制，随着新法规的落地与老龄化问题的加重，行业对司机的需求还将被进一步放大。其二，货运成本高昂。人难招、用人贵慢慢的变成了运输行业内的普遍现象，为降低人力成本，驾驶员工作强度提升的情况越来越普遍，如此陷入了招人难-涨薪资-工作环境恶劣-招人难的死循环。另一方面，除道路通行费之外，燃油费用也是运输成本的重要组成部分，司机不科学的驾驶操作，如频繁加减速、长期怠速会降低汽车的燃油经济性，大幅度的增加油耗，这也进一步挤压了企业的合理利润。其三，行车安全难以保障。车辆吨位大，质量变化明显，且制动器工作条件恶劣，其性能易发生衰退，由于驾驶员难以准确评估有效制动距离，易导致追尾事故的发生。商用车体积大、尺寸长，转向时前后轮间存在比较大的轮迹差，加之驾驶室过高，整车存在多处视野盲区，驾驶员无法准确获取周围交通信息并做出合理的驾驶行为，也会引发交通事故。此外，由于运输距离长，行业竞争非常激烈，驾驶员往往会为了追求高效作业而疲劳驾驶，进一步增大了车辆碰撞风险。由此可见，与乘用车相比，商用车所面临的痛点更加严峻，行业对升级转型有着更迫切的需求。

  自动驾驶技术的出现与日臻成熟，为解决行业一天比一天突出的运营难题带来了先进的技术方法。此外，商用车无人驾驶技术的推广应用，在极大程度上带动了包含芯片、运营服务在内的众多软硬件供应企业的快速崛起，形成了商用车无人驾驶的产业生态，有效带动了上下游制造商的技术融合与产业升级。

  因此，在巨大的市场需求和政策法规的驱动下，商用车无人驾驶将迎来前所未有的快速地发展和商用化示范运营。

  国内各主流商用车主机厂，如解放、东风、陕汽、重汽等，通过跨界合作的产业融合模式，推动了无人驾驶的创新发展。目前，已基本达到L1-L2级智能商用车的量产水平，且都在加速推进L3-L4级无人驾驶的模块化开发。一汽解放与挚途科技联合立项了前装车规级L3无人驾驶重卡，一汽解放J7 L3超级卡车已于2021年7月份小批量生产下线，交付上路运营。嬴彻科技联合东风商用车和中国重汽推出了基于无人驾驶系统“轩辕”的L3级重卡，相关车型已于2021年底交付，未来可通过OTA升级至L4级。

  在关键技术的研发上，高科技企业如百度、主线科技、慧拓智能、希迪智驾、智加科技、西井科技等，成为了主力军。2021年9月14日，宏景智驾发布了新新一代L3无人驾驶重卡Hyper Truck One，并将于2022年上半年正式量产下线。聚焦于商用车干线物流，百度生态公司DeepWay深耕于面向结构化场景的无人驾驶技术，也于2021年9月推出L3级智能重卡星途1代，并计划在未来3-5年实现高速L4级别无人驾驶。主线无人驾驶卡车+全功能影子模式”，与德邦物流、福佑卡车等展开货运业务合作，目前已经在国内20余条主干线进行运营测试，行驶里程累计超100万公里，为主线科技无人驾驶软硬件迭代升级及商业模式验证提供了海量数据支持。2022年，主线科技在天津港无人驾驶二期示范区揭牌仪式上交付了8辆无人驾驶集卡，依托“Trunk Master”系统，无人驾驶集卡已经能够在社会集卡动态混行场景下，具备感知识别各类障碍物、预测交通参与者行为、自主避障、换道超车等功能，实现了集装箱装卸作业安全、稳定、高效运行。慧拓智能旗下的无人驾驶矿车搭载了机器视觉、激光雷达、毫米波雷达与GPS等感知设备，并依托感知融合和车路协同感知技术，实现了在沙尘、雨雪、碎石等恶劣工况下的自车定位与多目标检测跟踪，使车辆可以依据交通管控和高精地图进行实时决策、轨迹规划与精准停靠，具有遇见活物停车、其余绕行的避障功能。

  针对半开放式场景下的应用，国内阿里、京东、美团、苏宁、智行者等公司也在加码末端无人配送，并在高校、园区进行了测试运营。由于国内相关企业有着明显的市场优势，配送业务体量庞大，极大促进了无人配送技术的产业落地与发展。

  综上所述，国内商用车无人驾驶的发展势头强劲，经过几年的奋起直追，在关键技术上已取得了长足进步，并在矿区、港口、末端物流配送等场景下开启了商业化运营。特别是国内的基础设施建设以及5G通讯技术的加快速度进行发展，为我国商用车无人驾驶技术的落地和大规模推广应用提供了有力的技术保障。

  环境感知相当于智能商用车的“眼睛”，即依托车载或路缘感知设备来获取周围道路信息与障碍物的运动状态，为决策规划提供相关依据和条件，这中间还包括自车可行驶的区域、道路交互与通行规则、障碍物当前所处的位置及行驶速度等等。

  根据传感器获取的信号类型，车载传感器分为视觉与雷达两大类。随着数字图像处理技术的快速发展和计算机硬件性能的提高，基于机器视觉的识别准确率得到大幅度的提高，加上视觉传感器成本相比来说较低，使其在汽车感知系统上颇受青睐，但视觉传感器对光照敏感，易受车体振动的干扰，在恶劣工作环境下性能不佳。在视觉传感器的图像识别算法方面，基于深度学习的方法，较传统方法准确率高、适应性好、通用性强，但神经网络结构往往很复杂，对算力要求高。因此，基于深度学习的方法一般不能直接部署于车端，必须对神经网络进行轻量化处理，目前，常用的轻量化神经网络有SqueezeNet、MobileNet和ShuffleNet等。毫米波雷达采用回波检测的原理，其工作波长短、频带宽，具有探测距离远、速度测量精度高、穿透力和抗干扰性强等优点，大范围的使用在ADAS系统的前方障碍物距离探测，但对行人及横向运动物体的感知能力较弱。因此，考虑到单一感知设备所存在的局限性，往往会将多型号、多类型的感知设备做组合，构建多传感器信息融合框架，通过多传感器在时空上的冗余信息，获得被测对象的一致性描述。多传感器信息融合技术充分结合了各类传感器的优点，可明显提升检测算法的鲁棒性与准确性。

  图森未来自主研发的高清摄像头感知系统，融合激光雷达和毫米波雷达等其他传感器，能够360°感知周围环境和运动目标，多传感器全覆盖使得无人驾驶系统在几乎任何条件下都可以平稳运行。踏歌智行采取了激光雷达和毫米波雷达作为感知系统的输入，结合V2X通信、高精定位和云端平台，实现了矿山运输无人驾驶解决方案。西井科技Q-Truck搭载了超远视距高精度工业级双目摄像头、激光雷达、毫米波雷达等多种传感器，实现了360度全方位观察旁边的环境，融合定位精度可达厘米级，已在全球多个港口进行了无人驾驶车辆的规模性部署。

  智能商用车的高精度定位是实现其无人驾驶的另一个关键技术。无人驾驶实现定位的技术分为三类：(1)基于卫星信号定位。这是获得车辆绝对位置的唯一办法，车载GNSS接收机在空旷地带接收到GNSS卫星信号，通过相应的数据解算就可以获得其位置信息，但卫星信号容易受遮挡和电磁环境的干扰导致定位失败。(2)基于航迹推断的定位。利用惯性测量单元IMU测量获取车辆运动的加速度和角加速度信息，由此计算车辆的运动姿态，再根据前一时刻的位置信息计算当前的位置信息，由于解算过程中的累积误差，导致定位精度不高。(3)基于特征匹配的定位。基于激光雷达/立体视觉，用观测到的特征和数据库中存储的特征进行匹配，由此获得当前时刻车辆的位置和姿态。

  由于每个定位技术的局限性，要实现高精度定位，往往需要采用多传感器进行融合定位。目前，GNSS与惯性导航系统(INS)的融合定位方式是商用车无人驾驶定位广泛采用的方案之一，当GNSS卫星信号受到遮挡时，INS仍能为车辆提供位置信息，而在GNSS定位工作正常时能够消除INS积累的误差。此外，融合GNSS、IMU和视觉传感器的定位方式，在GNSS信号可用但存在时延的场景下，采用GNSS/INS组合定位方式，在GNSS信号受到遮挡的场景下，采用视觉和INS的组合定位方式，通过视觉信息修正惯导的累计误差，能进一步提升定位精度。

  近年来，为了大大降低商用车的油耗、提高道路通行效率，商用车无人驾驶编队控制一直是一个研究热点。编队控制将同一车道内的相邻车辆进行编队，基于车载传感器和V2X通信设施，通过编队的信息流拓扑结构，实现车辆之间的信息交互和协同控制，达到稳定的编队行驶。商用车无人驾驶编队行驶可极大地减小跟车距离，一方面提升道路利用率，另一方面降低车辆高速行驶时的空气阻力，可逐步降低燃油消耗。编队行驶主要面向中高速开放道路场景，属于高级无人驾驶范畴，由于业内仍无法界定其性能运行边界，难以确保系统的预期功能安全，使编队控制技术至今仍处于验证阶段。

  Volvo以领航车-跟随车架构为基础，在西班牙进行了异质4车队列测试，依托车间通信技术，3辆乘用车在1辆商用车引领下实现了无人编队行驶，可在85 km/h的车速下将车间距缩短至6 m。日本基于Energy ITS项目开展了同质3车队列测试，在摄像头、激光雷达、DSRC等技术的加持下，可在高速上以时速80 km/h进行队列行驶，通过将车间距缩减到10 m可有效提升约14%的燃油经济性。虽然我国在队列控制方面研究起步较晚，与国外的技术水平存在差距，但近年来也有了长足进步，东风、图森未来、福田等诸多企业均在结构化道路上成功完成了商用车编队行驶技术测试。

  此外，智能网联商用车的出现为优化交叉路口场景的交通通行提供了可能，一方面，智能网联商用车能够获得信号灯配时等交通环境信息，对自车的行驶轨迹来优化。另一方面，智能网联商用车还能获取周围其他车辆的信息，通过对自车的控制改善区域交通效率。

  特定场景下的多车协同控制可转换成约束框架下的最优调度问题，其解决方案有集中式与分布式两类。前者调度任务主要由区域路侧计算单元承担，根据收集到的交通信息，在保证交通参与者在冲突区域内没有碰撞的前提下，路侧调度中心将道路的时、空间资源统筹分配给区域内每一辆车，以保证通行路段的安全性。与集中式调度不同，分布式调度通常将一部分计算任务交给交通参与者承担，无人驾驶车辆具有更大的自主权限，可根据自车的动力学响应来进行紧急避障或平滑轨迹等，来提升车辆横向稳定性，但在吞吐量方面的效率较低，且随着车辆数量增加易出现死锁现象。由于多车协同控制技术在提升作业质量、生产效率等方面的优异性能，正慢慢的变成为无人驾驶领域下一个研究热点。

  作为无人驾驶系统的关键执行系统，线控底盘的基本功能是代替驾驶员来操纵车辆的驱动与转向，故主要有线控驱动、线控制动、线控转向三大技术。

  线控驱动又称为线控油门(TBW)，由ECU根据测量的油门踏板的位置，来驱动节气门控制电机，进而达到控制车辆油门的目的。理论上控制汽车纵向运动的功能都会用到线控油门，如自适应巡航系统ACC、牵引力防滑控制管理系统TCS和自动泊车系统APA等，具有这些功能的车辆都标配了线控油门。

  线控转向指ECU根据测量的方向盘转角，来驱动转向机的控制电机，达到控制车轮转角的目的。线控转向不但可以实现转向比的连续变化，由于拆除了转向柱，在发生碰撞时，还可避免转向柱对司机的伤害。线控转向主要提供无人驾驶车辆的横向运动控制，由于其直接影响到车辆的稳定性和安全性，其技术一直不够成熟。

  线控制动包括线控液压制动(EHB)和电子机械制动(EMB)，EHB系统由于具有备用制动系统，安全性较高，是目前主要推广量产的方案。EMB由于缺少备用制动系统且技术尚不成熟，短期内很难大批量应用。线控液压制动EHB是在传统的液压制动器基础上发展而来，线控制动单元(驱动电机+制动主缸+ABS/ESC)替换了原有的真空助力器+制动主缸+ ESC模块，踏板与制动单元之间无机械连接，仅靠传感器来给线控制动单元提供踏板位置信息。线控制动是商用车无人驾驶的关键技术，其反应速度优势明显大于普通的ESC，这对高级无人驾驶的实现至关重要。此外，在商用车电动化背景下，整车不再拥有真空源，无法通过真空助力器完成液压管路的减压，线控制动通过电机代替真空助力器进行制动液压管路建压，是未来智能电动商用车必备的执行单元。

  由于线控底盘集成技术的门槛很高，博世、大陆、采埃孚、克诺尔等国外供应商优势显著。近几年，国内供应商的技术积累和产品性能已有了长足的进步，如万向钱潮、万安科技、亚太机电等，有望占据更大的市场份额。

  近年来，国内商用车无人驾驶技术已取得了重大进展，在港口、矿山、办公园区、干线物流等封闭、半封闭特定场景下开展了示范性应用，为商用车无人驾驶技术的落地和商业化运营提供了宝贵的经验。但商用车无人驾驶离人们的预期还有很大的差距，仍面临诸多挑战。

  在技术方面，尽管人们采用了摄像头、毫米波雷达、激光雷达等多种传感器，并基于多源信息在时空对准条件下，进行不同层级的信息融合，但其道路及目标检测的准确度并不能令人完全满意。比如说，摄像头采用深度神经网络算法，极大的提升了目标检测和识别的准确性，但离无人驾驶车辆对环境感知的现实要求还存在距离。多个开源数据集测试表明，目前性能最优的车道检测算法，其准确度仅为95%，面对存在阴影、遮挡的情况，识别的准确度会下降到90%。采用摄像头和毫米波雷达的信息融合，来提高目标识别的准确性，是目前无人驾驶汽车开发的主流方案，但目标检测的准确性仍有待逐步提升。其次，由于高度复杂动态的交通环境，自车与环境车辆、行人及其它交通参与者的关系不断发生快速变化，如何在繁多的信息流中，像人类驾驶员一样，快速提取交通场景的交互信息，结合自车的运动状态，规划出安全、节能、舒适的行车轨迹，仍是决策规划中的一个难题。目前，大多基于规则的轨迹规划方法，其规划的路径往往比较生硬，不符合人类驾驶员的驾驶习性，与人们预期的无人驾驶安全、宜人的驾驶决策规划还有很大差距。此外，由于交通环境的高度动态性，车辆底盘执行系统的功能安全不确定性以及信息交互和信号传输过程中的不确定性，考虑不确定性的车辆轨迹跟踪控制是另一个技术挑战。

  在成本方面，无人驾驶汽车的开发成本是很高的，包括硬件、软件以及无人驾驶汽车的测试和性能评价。从硬件来看，无人驾驶的一些关键设备激光雷达、毫米波雷达、RTK、GPU以及芯片等的价格，依然偏高。尽管随着激光雷达的国产化以及小型固态激光雷达的研发，激光雷达的成本在进一步下降，但其价格仍远高于无人驾驶汽车量产应用的要求。此外，由于各种传感器的性能局限，为了能够更好的保证无人驾驶汽车的安全性，往往需要采用多传感器冗余备份，这也增加了硬件成本。无人驾驶技术开发中的数据集采集以及测试验证也是一项资金投入很大且不可或缺的工作。国外的数据库相对丰富，采集都集中在美国加州、新加坡、西班牙、英国等气候、环境友好的地方，收集的数据对于学习具有挑战性的驾驶情况帮助不大，其它更广泛的具有恶劣天气和危险场景的驾驶数据，还必须投入高昂的成本，以获取有代表性和有价值的驾驶数据集。无人驾驶汽车测试根据仿真测试的程度不同，分为模型在环(MIL)，软件在环(SIL)，硬件在环(HIL)，整车在环(VIL)，场地测试和实际道路测试，这些测试也将耗费大量的资金，全力发展虚拟仿真测试技术，可以轻松又有效弥补道路测试的不足。人力成本也是无人驾驶汽车开发的一大支出，近年来苹果、华为、小米等科技公司均布局无人驾驶板块，为吸引人才抢占技术制高点，不断给无人驾驶技术人才开出更高的薪资，对人才的争夺也使得开发成本大幅提升。

  信任度也是推广无人驾驶技术所面临的一大挑战。根据民意调查显示，约2/3的民众对无人驾驶技术是不信任的，大家一致认为隐私、安全、可靠性、清晰的双向沟通和多种互动模式是建立信任的关键。将影响信任的因素进行划分以不同的方式来进行处理是构建信任的关键，技术开发商应当处理好隐私、安全和双向沟通这一些因素，政府和第三方机构应做好可靠性的评估。相关的法律和法规尚需进一步建立和完善。

  商用车的无人驾驶更注重依靠先进的技术提升车辆行驶的安全性，减少驾驶员的驾驶强度，降低燃油消耗，达到真正意义上的降本增效和节能减排。所以，发展商用车无人驾驶意义重大，商用车无人驾驶的技术将为人类的智慧物流和智慧出行带来一场深刻变革。