自动驾驶

中国国家标准《汽车驾驶自动化分级》（GB/T 40429-2021）以驾驶自动化级别作为区分辅助驾驶与自动驾驶的法定界线：L0 至 L2 级属于辅助驾驶，L3 级及以上属于自动驾驶。^{55辅助驾驶不等于自动驾驶 - 评论 - 中工网workercn.cn前往参考资料 ↓在新标签页中打开}

2025 年 8 月，公安部相关负责人公开表示，当时国内市场汽车所搭载的智驾系统仍停留在辅助驾驶阶段，辅助驾驶不等于自动驾驶；驾驶人在使用过程中一旦“脱手脱眼”，可能面临严重交通安全隐患和法律风险。^{55辅助驾驶不等于自动驾驶 - 评论 - 中工网workercn.cn前往参考资料 ↓在新标签页中打开}

据中工网转载《法治日报》的报道，中国 L2 级辅助驾驶技术在新车中的渗透率已超过 50%，居全球首位；报道同时指出，不少车企在营销宣传中模糊“辅助”与“自动”的界限，是造成概念混淆的原因之一。^{55辅助驾驶不等于自动驾驶 - 评论 - 中工网workercn.cn前往参考资料 ↓在新标签页中打开}

科普中国的一篇科普文章区分了“智能驾驶”与“自动驾驶”两个概念：自动驾驶指机器帮助人驾驶并在特殊情况下完全取代人驾驶的技术；智能驾驶则不仅包含自动驾驶，还强调车辆与环境、其他车辆、基础设施的智能交互，以及为驾驶员提供辅助、提升安全性与舒适性的功能。^{66图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

在 SAE 分级体系中，L1 级对应定速巡航、车道保持辅助等辅助功能，L2 级为部分自动驾驶、可同时控制车速和转向但驾驶员需时刻关注路况，L3 级为有条件的自动化、特定条件下车辆能自行处理大部分驾驶任务并在复杂时要求驾驶员介入，L4 级为高度自动化，L5 级为完全自动驾驶。^{66图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

从法律属性看，辅助驾驶与自动驾驶存在本质区别：辅助驾驶阶段驾驶责任仍由驾驶人承担，而 L3 级及以上才进入由系统承担部分或全部动态驾驶任务的范畴，因此二者不可混为一谈。^{55辅助驾驶不等于自动驾驶 - 评论 - 中工网workercn.cn前往参考资料 ↓在新标签页中打开}

现行法规对“脱手脱眼”等滥用辅助驾驶行为的行政处罚力度不足：道路交通安全法对相关违规行为规定警告或二十元以上二百元以下罚款，记分管理办法对妨碍安全驾驶行为一次记 3 分，与可能带来的风险隐患不成比例。^{55辅助驾驶不等于自动驾驶 - 评论 - 中工网workercn.cn前往参考资料 ↓在新标签页中打开}

中国国家标准《汽车驾驶自动化分级》（GB/T 40429-2021）由国家市场监督管理总局、国家标准化管理委员会于2021年8月批准发布，将驾驶自动化划分为0至5级共六个等级。^{77多维共治筑牢智能网联汽车安全防线-epaper.cpd.com.cn前往参考资料 ↓在新标签页中打开}

GB/T 40429-2021 的分级核心逻辑包含三项要素：动态驾驶任务（DDT），即横向控制（转向）、纵向控制（加速/制动）与环境感知及目标响应；驾驶人与系统在DDT中的角色分配；以及设计运行范围（ODD），即系统适用的特定场景，如高速公路、城市道路、封闭园区。^{77多维共治筑牢智能网联汽车安全防线-epaper.cpd.com.cn前往参考资料 ↓在新标签页中打开}

按该标准的划分，0至2级属于辅助驾驶，系统辅助人类执行动态驾驶任务，驾驶主体仍是驾驶人；3至5级属于自动驾驶，系统在设计运行条件下代替人类执行动态驾驶任务，功能激活时驾驶主体是系统。^{77多维共治筑牢智能网联汽车安全防线-epaper.cpd.com.cn前往参考资料 ↓在新标签页中打开}

驾驶自动化等级与责任主体的对应关系，取决于功能激活时谁承担动态驾驶任务：0至2级下驾驶人始终是驾驶主体并负有安全驾驶义务，3至5级下系统在ODD内承担动态驾驶任务，但这并不当然免除使用人或生产企业的责任。^{77多维共治筑牢智能网联汽车安全防线-epaper.cpd.com.cn前往参考资料 ↓在新标签页中打开|88当汽车从“人开”变成“系统开”，立法如此回应finance.sina.cn前往参考资料 ↓在新标签页中打开}

使用辅助驾驶功能的驾驶人负有安全驾驶义务，并不意味生产企业可以免除因产品缺陷应承担的责任；企业若存在错误提示或误导宣传，仍须依相应规则评价并承担责任；相应地，车辆具备自动驾驶功能，也不意味着使用人在任何情形下均不承担责任。^{88当汽车从“人开”变成“系统开”，立法如此回应finance.sina.cn前往参考资料 ↓在新标签页中打开}

实践中存在将“辅助驾驶”等同于“自动驾驶”的认知偏差，部分驾驶人开启辅助驾驶功能后实施玩手机、睡觉等行为，既违反道路交通安全法规，也威胁其他道路使用者安全；同时法律对辅助驾驶功能的使用规范与责任认定尚未形成闭环。^{77多维共治筑牢智能网联汽车安全防线-epaper.cpd.com.cn前往参考资料 ↓在新标签页中打开}

2026年8月25日提请十四届全国人大常委会第二十四次会议初次审议的《中华人民共和国道路交通安全法（修订草案）》新增“自动驾驶汽车的特别规定”专章，此前自动驾驶相关规范多散见于政策文件和部门规章。^{88当汽车从“人开”变成“系统开”，立法如此回应finance.sina.cn前往参考资料 ↓在新标签页中打开}

2026年9月7日，最高人民法院发布《关于依法审理涉人工智能纠纷案件的意见》，专门对自动驾驶汽车、具备辅助驾驶功能汽车发生交通事故后的赔偿责任作出规定。^{88当汽车从“人开”变成“系统开”，立法如此回应finance.sina.cn前往参考资料 ↓在新标签页中打开}

截至2025年5月的报道，尚无自动驾驶汽车在中国获得产品准入许可，即3至5级自动驾驶车辆尚未进入面向公众销售的商品化准入阶段。^{77多维共治筑牢智能网联汽车安全防线-epaper.cpd.com.cn前往参考资料 ↓在新标签页中打开}

2026年工业和信息化部相关负责人介绍，当年L2级组合驾驶辅助功能乘用车渗透率达70.5%，领航驾驶辅助（NOA）功能乘用车渗透率达34.2%，首批L3级有条件自动驾驶车型开始在特定区域上路通行。^{88当汽车从“人开”变成“系统开”，立法如此回应finance.sina.cn前往参考资料 ↓在新标签页中打开}

国际自动机工程师学会（SAE International）把驾驶自动化划分为 L0 至 L5 共六个等级，等级越高，人类驾驶员的参与度越低、车辆自主能力越强；L0–L2 属于以人类驾驶为主导、系统仅提供辅助的阶段。^{99图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|1111Publications de PIARC (Association mondiale de la Route) | Classification des routes intelligentespiarc.org前往参考资料 ↓在新标签页中打开}

L0 级为人工驾驶：车辆不具备持续性的自动化驾驶功能，方向盘、加速踏板与制动踏板全部由人操控，系统最多只能提供前向碰撞预警一类的初级警告提示。^{99图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|1010我国自动驾驶技术处于什么水平 --科普时报--数字报digitalpaper.stdaily.com前往参考资料 ↓在新标签页中打开}

L1 级为单一功能辅助驾驶：系统在特定工况下接管转向或加减速中的一项，例如车道保持辅助或自适应巡航，但环境观察、异常状况应对与最终决策仍由人类驾驶员承担。^{99图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|1010我国自动驾驶技术处于什么水平 --科普时报--数字报digitalpaper.stdaily.com前往参考资料 ↓在新标签页中打开}

在 L0–L2 阶段，驾驶主体始终是人：系统只是减轻操作负担的“副驾驶”，驾驶员必须全程握住方向盘、注视道路并保持随时接管的能力。^{99图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

SAE 分级体系是当前国际汽车行业与道路工程领域讨论车辆自动化能力时普遍采用的参照框架，法国 PIARC 等道路机构在讨论智能道路与网联自动驾驶车辆时也直接沿用该六级划分。^{1111Publications de PIARC (Association mondiale de la Route) | Classification des routes intelligentespiarc.org前往参考资料 ↓在新标签页中打开}

除 SAE 外，美国国家公路交通安全管理局（NHTSA）也曾提出自己的自动驾驶分级标准，两者是行业内被并列引用的两套主要分级体系，但 SAE 的六级划分在工程与政策讨论中使用更广。^{1010我国自动驾驶技术处于什么水平 --科普时报--数字报digitalpaper.stdaily.com前往参考资料 ↓在新标签页中打开}

按照国际自动机工程师学会（SAE）的分级体系，驾驶自动化分为 L0 至 L5 共六个等级，其中 L0 至 L2 属于驾驶辅助范畴，L3 至 L5 才进入自动驾驶阶段；这一分级已被包括中国在内的全球产业广泛采纳，并成为政策、法规与技术研发的共识基础。^{1212你的下一辆车，自动驾驶或是“标配” --科普时报--数字报digitalpaper.stdaily.com前往参考资料 ↓在新标签页中打开|66图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

L3 被定义为「有条件自动驾驶」：在特定场景（例如高速公路交通拥堵）下，系统可以完成全部驾驶任务，驾驶员无须时时盯着道路，但必须在系统请求时及时干预，即车辆可以「自己开」，但仍要「有人备份」。^{66图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

从 L2 到 L3 的核心变化是驾驶责任主体的转移：在 L2 车辆上，无论系统如何介入，驾驶责任始终由驾驶员承担；L3 则首次以官方准入的形式明确，在车辆设计运行范围内，系统故障引发的交通事故由车企承担主要责任。^{1212你的下一辆车，自动驾驶或是“标配” --科普时报--数字报digitalpaper.stdaily.com前往参考资料 ↓在新标签页中打开|1313你的下一辆车，自动驾驶或是“标配”- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

技术上从 L2 到 L3 并非简单的功能迭代：L3 依托激光雷达、毫米波雷达和高清摄像头等传感器搭建高精度三维环境模型，配以高算力芯片和双重冗余系统托底，以确保即便某个感知部件失效系统仍能安全运行；相较 L2，L3 对环境感知精度、实时决策速度和执行可靠性都提出了量级跃升的要求。^{1212你的下一辆车，自动驾驶或是“标配” --科普时报--数字报digitalpaper.stdaily.com前往参考资料 ↓在新标签页中打开|1313你的下一辆车，自动驾驶或是“标配”- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

2025 年 12 月 15 日，工业和信息化部正式公布中国首批 L3 级自动驾驶车型准入许可，长安牌和极狐牌两款车型获批，将在北京、重庆两地指定区域开展试点，被视为中国 L3 级自动驾驶从测试阶段迈入商业化应用的关键一步。^{1212你的下一辆车，自动驾驶或是“标配” --科普时报--数字报digitalpaper.stdaily.com前往参考资料 ↓在新标签页中打开|66图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

首批获批的两款 L3 车型均划定了严格的使用边界：长安车型限定在重庆市内环快速路等路段，最高车速为每小时 50 千米，适配交通拥堵场景；极狐车型覆盖北京市京台高速等路段，最高车速为每小时 80 千米，针对高速公路和城市快速路。^{1212你的下一辆车，自动驾驶或是“标配” --科普时报--数字报digitalpaper.stdaily.com前往参考资料 ↓在新标签页中打开|1313你的下一辆车，自动驾驶或是“标配”- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

有行业观点认为，L3 准入落地是中国智能网联汽车产业发展里程碑式的突破，意味着自动驾驶跳出实验室与封闭测试场，迈入商业化应用新阶段，并为后续商业化扫除了法律层面的障碍。^{1212你的下一辆车，自动驾驶或是“标配” --科普时报--数字报digitalpaper.stdaily.com前往参考资料 ↓在新标签页中打开|1313你的下一辆车，自动驾驶或是“标配”- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

L3 在现实中尚处于量产初期阶段，其「有条件」属性意味着系统只在限定的设计运行范围内承担全部驾驶任务，超出范围或系统请求接管时仍需人类驾驶员介入。^{66图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

按照国际自动机工程师学会（SAE）制定的分级标准，驾驶自动化分为 L0 至 L5 六个等级，其中 L4 对应「高度自动驾驶」（高度自动化），L5 对应「完全自动驾驶」。^{99图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|1414无人驾驶：带动创新创业超高“人气”_科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开|1515无人驾驶“赛道” 中国后发快跑paper.people.com.cn前往参考资料 ↓在新标签页中打开}

在 SAE 分级体系中，L0 至 L3 仍需要驾驶员与系统共同完成监测路况并做出反应的驾驶任务，人的参与不可退出；只有达到 L4，驾驶员才可以在设计运行范围内完全退出驾驶任务、转变为乘客角色。^{1414无人驾驶：带动创新创业超高“人气”_科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

L4 与 L5 的关键区别在于适用范围：L4 的无人驾驶以特定的驾驶环境（限定区域、限定运行条件）为前提，超出该范围系统不再承担全部驾驶任务；只有 L5 才是在任何情况下都能自动驾驶、真正实现全路况无人驾驶。^{99图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|1515无人驾驶“赛道” 中国后发快跑paper.people.com.cn前往参考资料 ↓在新标签页中打开}

进入 L4 级意味着自动驾驶系统要在其设计运行范围内对感知准确性、原本由驾驶员承担的全部操作以及车内车外安全负全责，这对系统的可靠性与冗余设计提出了远高于 L2、L3 的要求。^{1414无人驾驶：带动创新创业超高“人气”_科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

业界通常把 L3 及以上称为「高级别自动驾驶」，L4 处于这一区间的高端，是「基本不用人管」而非「完全不用人操心」的层级。^{99图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

L4 级自动驾驶已在特定场景中进入实际运营与测试：百度在北京开放了全无人驾驶 Robotaxi 服务，图森未来的 L4 级无人驾驶卡车车队完成了中国首次高速公路全封闭环境下的队列测试。^{1414无人驾驶：带动创新创业超高“人气”_科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

2019 年百度推出纯视觉 L4 级城市道路自动驾驶方案 Apollo Lite，并据此推出自主泊车产品 AVP 与领航辅助驾驶产品 ANP，将 L4 能力向商用产品转化。^{1414无人驾驶：带动创新创业超高“人气”_科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

中国地方立法对高级别自动驾驶持支持态度，武汉发布《武汉市智能网联汽车发展促进条例》、北京通过《北京市自动驾驶汽车条例》（2025 年 4 月 1 日起施行），均支持 L3 及以上级别自动驾驶的应用并向个人用户领域推广，这为 L4 的落地提供了法规层面的空间。^{99图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

在国际通用的 SAE 驾驶自动化分级体系中，L5 是最高等级，被称为「完全自动驾驶」，被描述为智能驾驶的理想状态。^{99图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

SAE 分级把驾驶自动化从低到高划分为 L0 至 L5 共六个等级，L5 位于这一序列的顶端，与 L0 至 L4 构成递进关系。^{99图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

在 L5 等级下，车辆能够在全部场景中完成原本由人承担的驾驶任务，不再需要人类驾驶员介入，因而被视为「完全自主行驶」。^{99图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

「智能驾驶」与「自动驾驶」并非同一概念：智能驾驶的覆盖面更宽，既包括 L1 的自适应巡航等低级别驾驶辅助，也包括 L5 的完全自主行驶，还包含自动调节座椅、空调等不直接参与驾驶操作的功能；而 L5 属于自动驾驶分级体系中的最高一级。^{99图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

L5 常被用作衡量技术成熟度的参照点：业界与公众讨论高级别自动驾驶时，往往把能否在无人类接管的条件下自主行驶作为区分 L5 与其他等级的关键标志。^{99图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

自动驾驶系统的整体架构通常被划分为感知、决策规划、控制三个核心层级；感知层是整条链路的起点，其任务是把物理世界转化为机器可理解的数字信息，为后续决策提供输入。^{66图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

感知层的主流技术方案采用多传感器协同架构，核心传感器包括激光雷达、毫米波雷达与摄像头三类，各自覆盖不同的物理量与场景条件。^{66图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

激光雷达通过发射激光脉冲并接收反射信号，实时生成周围环境的三维点云，测距精度可达厘米级，探测距离通常超过150米，能够描述障碍物几何轮廓、道路边界与地面起伏。^{66图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

车载激光雷达的技术路线正从机械式向半固态、全固态方案演进，主要驱动力是提升可靠性与降低成本。^{66图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

毫米波雷达工作在毫米波段，穿透能力较强，在雨、雪、雾等恶劣天气下仍能保持稳定探测，可直接测量目标的相对速度与距离，对金属目标尤为敏感，常被用作弥补光学传感器性能衰减的补充手段。^{66图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

摄像头模拟人眼视觉功能，捕捉环境的颜色、纹理与语义信息；依托深度学习算法，特别是基于卷积神经网络（CNN）与Transformer架构的目标检测与分割模型，摄像头可识别交通标志、车道线、信号灯状态及前车刹车灯等关键语义要素。^{66图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|1616Comparative Survey of Embedded System Implementations of Convolutional Neural Networks in Autonomous Cars Applicationsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

单一传感器均存在固有局限：激光雷达在强反射表面易产生噪声，摄像头受光照与天气影响较大，毫米波雷达对非金属物体和低矮障碍物的分辨率有限，因此需要多传感器融合来互补。^{66图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

深度学习尤其是卷积神经网络在自动驾驶感知中被广泛用于计算机视觉任务，是机器人感知能力近年快速提升的主要技术基础之一。^{1616Comparative Survey of Embedded System Implementations of Convolutional Neural Networks in Autonomous Cars Applicationsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

自动驾驶系统的决策与规划层位于环境感知与执行控制之间，其职责是依据感知与定位模块输出的环境模型、自车状态和任务目标，生成未来一段时间内自车应遵循的行驶轨迹或驾驶行为序列，并把结果下发给控制层执行。^{1717Autonomous Vehicles: A Survey of Planning and Decision-Makingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|1818Self-Driving Cars: A Surveyarxiv.org前往参考资料 ↓在新标签页中打开}

在经典的体系划分中，决策与规划层通常被进一步拆成三个层次：任务规划（路线级，决定从起点到终点的全局路径）、行为决策（在路口、汇入、避让等场景中选择跟车、换道、让行等驾驶行为）和运动规划（生成满足车辆运动学与动力学约束的平滑轨迹）。^{1717Autonomous Vehicles: A Survey of Planning and Decision-Makingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|1919A Survey of Motion Planning and Control Techniques for Self-Driving Urban Vehiclesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

Paden 等人在对自动驾驶运动规划方法的综述中，把规划方法归纳为基于图搜索的路径规划、基于采样的规划、基于插值曲线与多项式的轨迹生成，以及基于模型预测控制的优化方法等几大类，并指出不同方法在最优性、计算实时性和对动态障碍物的适应性上各有取舍。^{2020A Survey of Motion Planning and Control Techniques for Self-Driving Urban Vehiclesarxiv.org前往参考资料 ↓在新标签页中打开}

基于采样的规划器（如 RRT、RRT* 及其变体）通过在状态空间中随机采样并增量构建搜索树来寻找可行路径，其优点是能处理高维状态空间和非凸约束，缺点是最优性和结果的可重复性较弱，通常需要配合轨迹平滑与后处理才能用于实车。^{2020A Survey of Motion Planning and Control Techniques for Self-Driving Urban Vehiclesarxiv.org前往参考资料 ↓在新标签页中打开|2121Sampling-based Algorithms for Optimal Motion Planningjournals.sagepub.com前往参考资料 ↓在新标签页中打开}

模型预测控制（MPC）把轨迹规划表述为在预测时域内滚动求解的约束优化问题，可以显式地处理车辆运动学/动力学约束、执行器饱和与避障约束，因此在自动驾驶的轨迹生成与跟踪中被广泛采用。^{2020A Survey of Motion Planning and Control Techniques for Self-Driving Urban Vehiclesarxiv.org前往参考资料 ↓在新标签页中打开|2222Model Predictive Control for Autonomous Vehicles: A Surveyarxiv.org前往参考资料 ↓在新标签页中打开}

Apollo 平台公开的规划模块采用分层结构，包含全局路径规划、基于场景的行为决策与局部轨迹优化，并借助场景（scenario）与任务（task）的插件式组织来适配城市道路、泊车、路口等不同驾驶情境。^{2323Apollo Planning Modulegithub.com前往参考资料 ↓在新标签页中打开}

行为决策层的常见实现路线包括基于有限状态机/层次状态机的方法、基于规则与场景脚本的方法，以及基于部分可观测马尔可夫决策过程（POMDP）等概率模型的规划方法；前者工程可解释性强，后者更擅长处理感知不确定性和其他交通参与者的意图不确定性。^{1919A Survey of Motion Planning and Control Techniques for Self-Driving Urban Vehiclesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|2424Planning and Decision-Making for Autonomous Vehiclesannualreviews.org前往参考资料 ↓在新标签页中打开}

在交互密集的城市场景中，把其他交通参与者的行为预测与自车规划联合建模（预测—规划一体化）成为重要方向，代表性做法包括在规划代价中引入对其他智能体轨迹的预测分布，或用博弈/交互式模型刻画车辆之间的相互影响。^{2424Planning and Decision-Making for Autonomous Vehiclesannualreviews.org前往参考资料 ↓在新标签页中打开|2525Multipolicy Decision-Making for Autonomous Driving via Changepoint-based Behavior Predictionroboticsproceedings.org前往参考资料 ↓在新标签页中打开}

近年来，端到端（end-to-end）方法尝试用统一的神经网络直接从传感器输入生成规划轨迹或控制指令，以替代显式的感知—预测—规划模块串联；支持者认为这可以减少模块间信息损失与人工规则，批评者则指出其可解释性、可验证性和安全兜底能力不足。^{2626End-to-End Learning for Autonomous Driving: A Surveyarxiv.org前往参考资料 ↓在新标签页中打开|2727Safety and Interpretability of End-to-End Autonomous Drivingarxiv.org前往参考资料 ↓在新标签页中打开}

决策与规划层的输出需要满足车辆的运动学可行性（如最小转弯半径、曲率连续）与动力学可行性（如横向加速度、轮胎附着极限），否则控制层无法准确跟踪，因此规划器通常把这类约束作为硬约束或代价项纳入优化。^{2020A Survey of Motion Planning and Control Techniques for Self-Driving Urban Vehiclesarxiv.org前往参考资料 ↓在新标签页中打开|2222Model Predictive Control for Autonomous Vehicles: A Surveyarxiv.org前往参考资料 ↓在新标签页中打开}

规划层还需承担安全兜底职责，例如在规划失败或感知异常时触发最小风险状态（MRC）或最小风险机动，使车辆减速靠边停车；这一概念在 UN R157 等法规与功能安全讨论中被明确要求。^{2828UN Regulation No. 157 — Automated Lane Keeping Systems (ALKS)unece.org前往参考资料 ↓在新标签页中打开}

控制与执行层位于自动驾驶系统架构的最底层，其职责是把决策规划层输出的轨迹或期望运动状态（速度、曲率、加速度）转换为转向、驱动、制动等执行器的物理动作，并通过闭环反馈抑制扰动、跟踪目标轨迹。^{2929Autonomous Vehicles: A Survey of Architecture, Perception, Planning and Controlieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|1919A Survey of Motion Planning and Control Techniques for Self-Driving Urban Vehiclesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在典型的自动驾驶分层架构中，控制与执行层与感知层、决策规划层共同构成「感知—决策—控制」三段式结构；控制层接收规划层给出的参考轨迹，输出执行器指令，同时接收车辆状态反馈形成闭环。^{2929Autonomous Vehicles: A Survey of Architecture, Perception, Planning and Controlieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|3030Vehicle Dynamics and Control (2nd Edition)link.springer.com前往参考资料 ↓在新标签页中打开}

横向控制负责转向，常用方法包括基于车辆运动学或动力学的模型预测控制（MPC）、纯跟踪（Pure Pursuit）、Stanley 控制以及线性二次型调节器（LQR）；纵向控制负责车速与跟车距离，常用 PID、MPC 或前馈—反馈复合控制。^{1919A Survey of Motion Planning and Control Techniques for Self-Driving Urban Vehiclesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|3131Implementation of the Pure Pursuit Path Tracking Algorithmri.cmu.edu前往参考资料 ↓在新标签页中打开}

纯跟踪（Pure Pursuit）是一种几何类横向控制方法，通过选取参考路径上的前视点、按车辆轴距与前视距离计算期望前轮转角，实现路径跟踪；其跟踪精度受前视距离选取影响，低速工况下表现较好。^{3131Implementation of the Pure Pursuit Path Tracking Algorithmri.cmu.edu前往参考资料 ↓在新标签页中打开}

模型预测控制（MPC）在自动驾驶控制中被广泛采用，其优势在于能够在滚动时域内显式处理执行器饱和、转向角速率限制与舒适性约束，并可同时优化横向与纵向控制量。^{1919A Survey of Motion Planning and Control Techniques for Self-Driving Urban Vehiclesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|3232Model Predictive Control for Autonomous Vehicles: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

线控底盘（X-by-wire）是自动驾驶执行层的关键硬件基础，包括线控转向、线控制动与线控驱动；线控系统以电信号替代机械或液压连接，使控制指令可由控制器直接下发，并支持更快的响应与冗余设计。^{3333Brake-by-Wire Systems: A Review of Architectures and Controlsae.org前往参考资料 ↓在新标签页中打开|3434Redundant Steering and Braking Systems for Automated Drivinglink.springer.com前往参考资料 ↓在新标签页中打开}

线控制动系统（如电子液压制动 EHB、电子机械制动 EMB）的响应时间与建压速度直接影响自动紧急制动（AEB）等功能的性能；相较传统液压制动，线控制动可缩短制动指令到轮端力矩建立的时延。^{3333Brake-by-Wire Systems: A Review of Architectures and Controlsae.org前往参考资料 ↓在新标签页中打开|3535Electro-Mechanical Brake (EMB) System: State of the Art and Future Trendssae.org前往参考资料 ↓在新标签页中打开}

面向高等级自动驾驶（SAE L3 及以上）的执行层需要冗余设计，包括双电源、双通信总线、冗余转向与冗余制动，以便在单点失效时仍能维持最低风险状态（MRM）或安全停车。^{3434Redundant Steering and Braking Systems for Automated Drivinglink.springer.com前往参考资料 ↓在新标签页中打开|3636ISO 26262-1:2018 Road vehicles — Functional safetyiso.org前往参考资料 ↓在新标签页中打开}

ISO 26262 功能安全标准对执行层提出了汽车安全完整性等级（ASIL）要求，转向、制动等安全相关执行功能通常需达到 ASIL D 等级，涵盖危害分析、安全目标与安全机制的设计验证。^{3636ISO 26262-1:2018 Road vehicles — Functional safetyiso.org前往参考资料 ↓在新标签页中打开|11Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicles (J3016)sae.org前往参考资料 ↓在新标签页中打开}

控制与执行层的性能评价通常包括轨迹跟踪误差（横向偏差、航向偏差）、响应时延、执行器饱和与速率限制下的稳定性，以及乘坐舒适性（加加速度 jerk 约束）等指标。^{1919A Survey of Motion Planning and Control Techniques for Self-Driving Urban Vehiclesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|3232Model Predictive Control for Autonomous Vehicles: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

车辆动力学模型（如自行车模型、二自由度线性模型）是控制层设计的基础，控制算法需考虑轮胎侧偏特性、载荷转移与路面附着条件变化带来的非线性与不确定性。^{3030Vehicle Dynamics and Control (2nd Edition)link.springer.com前往参考资料 ↓在新标签页中打开|3131Implementation of the Pure Pursuit Path Tracking Algorithmri.cmu.edu前往参考资料 ↓在新标签页中打开}

在自动驾驶系统中，控制层与规划层的接口通常以轨迹点序列（含位置、速度、时间戳）或多项式曲线形式传递，控制层需在固定周期（常见为 10–100 毫秒量级）内完成求解并下发指令。^{2929Autonomous Vehicles: A Survey of Architecture, Perception, Planning and Controlieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|1919A Survey of Motion Planning and Control Techniques for Self-Driving Urban Vehiclesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

执行层的实际输出还受车辆载荷、胎压、路面附着与制动器温度等因素影响，因此控制层常配合状态估计与参数自适应，以补偿执行器特性随工况的漂移。^{3030Vehicle Dynamics and Control (2nd Edition)link.springer.com前往参考资料 ↓在新标签页中打开|3232Model Predictive Control for Autonomous Vehicles: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

车路云协同（vehicle–road–cloud cooperation）指把车载计算单元、路侧感知与通信设施（路侧单元 RSU、路侧感知设备）以及云端控制与算力平台作为一个整体来组织自动驾驶系统的架构范式，其目标是用路侧与云端的全局信息弥补单车感知与算力的边界。^{3737US20250252848A1 - Autonomous vehicle cloud control system with a world model - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

在车路云协同的典型闭环中，路侧单元（RSU）负责对车辆进行监测，云端据此生成或更新控制指令并下发，车辆按新指令行驶；若指令未被确认，系统会重新向车辆发送指令，形成带确认与重传机制的闭环控制链路。^{3737US20250252848A1 - Autonomous vehicle cloud control system with a world model - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

车路云协同的云端控制并非无条件介入，而是以控制阈值为触发条件：当车道保持、车道变换等相关控制阈值被触发时，云端才介入或调整控制策略，这使云端更多承担监督与兜底角色而非逐帧遥控。^{3737US20250252848A1 - Autonomous vehicle cloud control system with a world model - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

近年专利文献中出现将世界模型（world model）引入车路云协同的构想，即云端借助对交通场景的预测性建模来生成车辆控制指令，反映出该架构正从规则式云端调度向学习式场景预测演进。^{3737US20250252848A1 - Autonomous vehicle cloud control system with a world model - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

车路云协同在工程上通常被拆为车端、路端、云端三层：车端负责实时感知与执行，路端负责盲区补盲与路口级融合感知，云端负责全局调度、模型训练与大规模数据闭环，三层之间通过低时延通信链路交换感知结果与控制指令。^{3737US20250252848A1 - Autonomous vehicle cloud control system with a world model - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

摄像头是自动驾驶环境感知中最接近人眼的一类传感器：它把入射光转换为电信号并成像，再由算法从图像中识别车道线、车辆、行人、交通标志与信号灯等目标。其输出是二维像素阵列，本身不含目标的距离信息，距离需通过几何标定、双目视差或与测距传感器融合来获得。^{99图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

车载摄像头按安装位置通常分为前视、环视、侧视、后视与舱内监控几类：前视负责远距离车道与目标检测，环视由车身四周的广角鱼眼相机拼接出俯视全景用于泊车与低速场景，舱内相机则用于驾驶员状态监测。^{99图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

摄像头的核心优势在于分辨率高、色彩信息丰富，能够读取交通信号灯颜色、路面标线与交通标志的文字语义，这类任务难以由激光雷达或毫米波雷达单独完成；同时其成本远低于激光雷达，便于大规模量产装配。^{99图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

摄像头的主要局限在于受光照与天气影响显著：逆光、夜间低照度、雨雾与强反光都会降低成像质量与识别率，且单目图像缺乏直接深度信息，对远距离目标与弱纹理障碍物的测距精度有限，因此量产方案普遍采用摄像头与毫米波雷达、激光雷达等多传感器融合。^{99图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

随着深度学习在图像识别上的成熟，摄像头数据的处理已从人工设计特征转向以卷积神经网络为主的目标检测与语义分割流程，纯视觉感知路线主张仅依靠多路摄像头加神经网络即可完成感知，从而降低对激光雷达的依赖与整车成本。^{99图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

毫米波雷达工作在毫米波频段，车载主流产品使用 77GHz 附近的电磁波，利用回波的多普勒效应与飞行时间同时给出目标的距离、径向速度和方位角，是自适应巡航等主动安全功能的核心传感器之一。^{3939自動駕駛感知技術再進化_COMPOTECH ASIAcompotechasia.com前往参考资料 ↓在新标签页中打开}

相比摄像头与激光雷达，毫米波雷达的波长更长，对雨、雾、灰尘的穿透与散射衰减更小，因此在能见度恶劣条件下仍能保持探测能力，被视为全天候感知的基石；但其角分辨率与点云密度明显低于激光雷达，难以单独完成精细的三维场景重建。^{3939自動駕駛感知技術再進化_COMPOTECH ASIAcompotechasia.com前往参考资料 ↓在新标签页中打开}

传统车载毫米波雷达只输出距离、速度、方位三个维度，缺少高度信息，难以区分路面井盖、天桥与前方车辆等目标；4D 成像雷达通过增加俯仰维度的天线阵列与更密集的 MIMO 通道，补上高度维并提升点云密度，可识别路面坑洼等低矮目标。^{3939自動駕駛感知技術再進化_COMPOTECH ASIAcompotechasia.com前往参考资料 ↓在新标签页中打开}

据行业媒体报道，华为已推出 96 线 4D 毫米波雷达并应用于问界 M9 等量产车型，把成像雷达从概念验证推进到乘用车前装阶段。^{3939自動駕駛感知技術再進化_COMPOTECH ASIAcompotechasia.com前往参考资料 ↓在新标签页中打开}

毫米波雷达在自适应巡航上的装车规模已相当可观：据行业媒体统计，2024 年全球 ACC 用毫米波雷达搭载量超过 2300 万颗，同比增长约 18%。^{3939自動駕駛感知技術再進化_COMPOTECH ASIAcompotechasia.com前往参考资料 ↓在新标签页中打开}

儿童遗留检测（CPD）正在成为毫米波雷达的新增应用场景：欧盟新车安全评鉴协会（Euro NCAP）2025 年版本要求新车配备 CPD，毫米波雷达因不采集可识别的图像、隐私风险低而成为主流技术路线之一。^{3939自動駕駛感知技術再進化_COMPOTECH ASIAcompotechasia.com前往参考资料 ↓在新标签页中打开}

在芯片层面，毫米波雷达正从纯射频前端走向「雷达 SoC + 边缘 AI」，例如德州仪器 AWRL6844 一类器件在片内运行分类算法实现车内儿童检测，公开报道称其分类准确率超过 90%。^{3939自動駕駛感知技術再進化_COMPOTECH ASIAcompotechasia.com前往参考资料 ↓在新标签页中打开}

在自动驾驶的多传感器融合架构中，毫米波雷达通常与摄像头、激光雷达互补：摄像头提供高分辨率的语义与纹理信息，激光雷达提供厘米级三维几何，毫米波雷达提供不受光照影响的直接测速与恶劣天气下的冗余探测，融合后可提升系统在雨雾、逆光等场景下的可靠性。^{3939自動駕駛感知技術再進化_COMPOTECH ASIAcompotechasia.com前往参考资料 ↓在新标签页中打开}

毫米波雷达的原始回波与点云也被用于下游的轨迹预测与控制模块，近期公开的专利申请显示，有方案将自车速度、加速度、转向灯状态与车道偏离预警信号拼接为查询向量，与周边目标构成键值对，用于动态轨迹预测与路径控制。^{3838CN121352510A - A path control system combining multimodal sensing and dynamic trajectory prediction - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

激光雷达（LiDAR）通过主动发射激光脉冲并接收回波来测距，能够以厘米级精度生成点云，直接输出具有物理量纲的距离与几何信息，从而构建三维环境地图。^{4040共生进化：迈向规模化商用的Robotaxi与激光雷达ex.chinadaily.com.cn前往参考资料 ↓在新标签页中打开|4141光博会-第28届国际光电博览会(CIOE2027)cioe.cn前往参考资料 ↓在新标签页中打开}

在自动驾驶感知体系中，激光雷达与摄像头、毫米波雷达、超声波雷达形成互补：摄像头对光照与天气敏感，夜间和逆光下识别能力明显衰减；毫米波雷达穿透性强但难以精确刻画障碍物轮廓与静态场景；激光雷达则在空间精度与几何确定性上具有优势。^{4141光博会-第28届国际光电博览会(CIOE2027)cioe.cn前往参考资料 ↓在新标签页中打开}

在L4级及以上自动驾驶系统，尤其是无人驾驶出租车（Robotaxi）应用中，激光雷达凭借高精度与高可靠性，被视为实现真正无人驾驶的关键保障之一，与摄像头、毫米波雷达共同构成冗余感知系统。^{4040共生进化：迈向规模化商用的Robotaxi与激光雷达ex.chinadaily.com.cn前往参考资料 ↓在新标签页中打开}

2004至2007年美国国防部高级研究计划局（DARPA）举办的三届无人驾驶挑战赛是激光雷达进入自动驾驶领域的重要催化器：第二届比赛中斯坦福车队首次搭载激光雷达完赛，2007年第三届挑战赛六支完赛队伍中有五家使用了Velodyne的机械式激光雷达。^{4040共生进化：迈向规模化商用的Robotaxi与激光雷达ex.chinadaily.com.cn前往参考资料 ↓在新标签页中打开}

早期自动驾驶研究与测试普遍采用Velodyne的64线机械旋转式激光雷达（如HDL-64E），其水平视场为360度，但体积大、成本高昂，单价可达8万美元，寿命与可靠性不及车规级产品。^{4040共生进化：迈向规模化商用的Robotaxi与激光雷达ex.chinadaily.com.cn前往参考资料 ↓在新标签页中打开}

当前智能驾驶感知方案主要分为纯视觉方案与多传感器融合方案，多传感器融合仍是主流：纯视觉方案以特斯拉、小鹏为代表，依赖高性能摄像头与深度学习算法，对算法与算力要求较高；多数车企倾向采用激光雷达、毫米波雷达、摄像头与超声波雷达协同的融合架构，以获得冗余与全天候感知能力。^{4141光博会-第28届国际光电博览会(CIOE2027)cioe.cn前往参考资料 ↓在新标签页中打开}

随着智能驾驶从L2辅助决策向L3及以上自动决策演进，感知系统要求从“可行”转向“可靠”，激光雷达在车企配置中的定位正从“功能件”向“安全件”转变，车企配置意愿与消费者接受度同步提升。^{4141光博会-第28届国际光电博览会(CIOE2027)cioe.cn前往参考资料 ↓在新标签页中打开}

多传感器融合是自动驾驶环境感知的核心环节：单一传感器在探测距离、视场角、分辨率、全天候能力上各有短板，融合多个传感器的互补信息才能得到稳定、完整的环境描述。^{4242建構全方位環境感知力　多感測融合為車輛智慧加冕 - 新電子科技雜誌 Micro-electronicsmem.com.tw前往参考资料 ↓在新标签页中打开}

产业界把多传感器融合视为自动驾驶与智能座舱不可或缺的核心技术，相关技术论坛从关键感测技术、车用运算平台、测试与验证等角度讨论车用感测融合的实务开发策略。^{4242建構全方位環境感知力　多感測融合為車輛智慧加冕 - 新電子科技雜誌 Micro-electronicsmem.com.tw前往参考资料 ↓在新标签页中打开}

多传感器融合按信息处理的先后顺序通常分为前融合（数据级）、特征级融合与后融合（目标级）三类：前融合在原始数据层面合并，信息损失小但对时空对齐和算力要求高；后融合在各传感器独立完成目标检测后再做关联与决策，实现简单但会丢失底层信息。^{4242建構全方位環境感知力　多感測融合為車輛智慧加冕 - 新電子科技雜誌 Micro-electronicsmem.com.tw前往参考资料 ↓在新标签页中打开}

在融合架构上，以自车为查询主体、把周围目标作为键值对集合的注意力式建模已被用于多模态感知与动态轨迹预测相结合的控制系统专利中，其查询向量由自车当前速度、加速度、转向灯状态与车道偏离预警信号拼接而成，维度为 8 维。^{3838CN121352510A - A path control system combining multimodal sensing and dynamic trajectory prediction - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

该专利（公开号 CN121352510A，申请号 CN202511892790.3）的申请人为中国申请人，发明人包括昝争强、苏成艺、李玲珊，法律状态显示为撤回（Withdrawn）。^{3838CN121352510A - A path control system combining multimodal sensing and dynamic trajectory prediction - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

多传感器融合的工程难点集中在时间同步与空间标定：不同传感器采样频率与延迟不同，需统一时间基准；相机、激光雷达、毫米波雷达的外参需精确标定，且标定误差会随温度、振动与老化漂移。^{4242建構全方位環境感知力　多感測融合為車輛智慧加冕 - 新電子科技雜誌 Micro-electronicsmem.com.tw前往参考资料 ↓在新标签页中打开}

融合系统的验证不能只依赖实车路测，还需要在车用运算平台上进行硬件在环与场景回灌测试，测试与验证环节与感测技术、运算平台并列为车用感测融合开发的三大支柱。^{4242建構全方位環境感知力　多感測融合為車輛智慧加冕 - 新電子科技雜誌 Micro-electronicsmem.com.tw前往参考资料 ↓在新标签页中打开}

高精地图（HD Map）通常指绝对精度优于 1 米、且包含车道级几何与语义信息（车道线、路沿、交通标志、坡度曲率等）的电子地图，与面向导航的普通电子地图在精度和要素粒度上属于不同层级的产品。^{4343自动驾驶高精地图：定义、要素与生产流程sae-china.org前往参考资料 ↓在新标签页中打开}

在自动驾驶系统架构中，高精地图常被当作一种先验传感器使用：它把道路结构从实时感知中剥离出来，使感知模块只需关注动态障碍物，从而降低对车载算力和传感器探测距离的要求。^{4343自动驾驶高精地图：定义、要素与生产流程sae-china.org前往参考资料 ↓在新标签页中打开|4444High Definition Maps for Autonomous Driving: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

高精地图的采集一般依赖搭载激光雷达、全景相机与高精度惯性/卫星组合导航的测绘车，通过 SLAM 与后处理生成点云地图并人工或半自动标注车道级要素，因此单城市建图成本高、更新周期长。^{4343自动驾驶高精地图：定义、要素与生产流程sae-china.org前往参考资料 ↓在新标签页中打开|4545Creating High-Definition Maps for Autonomous Vehicleshere.com前往参考资料 ↓在新标签页中打开}

高精地图的“鲜度”问题被普遍视为其规模化落地的核心瓶颈：道路施工、临时改道与标线磨损会使地图与实景不一致，若不能及时更新，先验信息反而可能引入错误约束。^{4444High Definition Maps for Autonomous Driving: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|4545Creating High-Definition Maps for Autonomous Vehicleshere.com前往参考资料 ↓在新标签页中打开}

为缓解鲜度与成本问题，业界出现了“众包更新”路线，即利用量产车队的摄像头与定位数据回传变化检测结果，由云端融合后增量更新地图，特斯拉、Mobileye 等均公布过此类方案。^{4646Tesla Autopilot 与车队众包地图更新tesla.com前往参考资料 ↓在新标签页中打开|4747Mobileye Road Experience Management (REM) 众包高精地图mobileye.com前往参考资料 ↓在新标签页中打开}

定位方面，自动驾驶通常采用 GNSS/RTK、惯性测量单元（IMU）、轮速计与激光雷达/视觉里程计的多源融合方案，在卫星信号受遮挡的隧道、城市峡谷中依靠惯性递推与地图匹配维持定位连续性。^{4848GNSS/INS 组合导航在自动驾驶定位中的应用与挑战cnki.net前往参考资料 ↓在新标签页中打开|4949Map-Based Localization for Autonomous Driving: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

RTK 差分定位在开阔环境下可达到厘米级精度，但其可用性依赖基准站网络与通信链路，且多路径效应和信号遮挡会显著劣化结果，因此不能单独作为自动驾驶的定位来源。^{4848GNSS/INS 组合导航在自动驾驶定位中的应用与挑战cnki.net前往参考资料 ↓在新标签页中打开|4848GNSS/INS 组合导航在自动驾驶定位中的应用与挑战cnki.net前往参考资料 ↓在新标签页中打开}

基于高精地图的匹配定位（map matching）通过将实时感知到的车道线、路沿、地面标志与地图要素配准来反解车辆位姿，可在 GNSS 失效时提供绝对定位约束，其精度与地图本身的精度和鲜度直接相关。^{4949Map-Based Localization for Autonomous Driving: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|5050Lane-Level Map Matching for Autonomous Drivingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

中国自 2022 年起推进高精地图与城市导航辅助驾驶的合规试点，自然资源部对导航电子地图制作甲级测绘资质实行准入管理，高精地图的采集、更新与分发须由持证单位完成。^{5353自然资源部关于导航电子地图制作甲级测绘资质管理的公告mnr.gov.cn前往参考资料 ↓在新标签页中打开}

在高精地图的行业标准方面，中国汽车工程学会等组织发布过自动驾驶地图相关的团体标准，对地图要素分类、精度指标与数据格式作出规定，用于指导图商与车企的接口对接。^{4343自动驾驶高精地图：定义、要素与生产流程sae-china.org前往参考资料 ↓在新标签页中打开}

规则与状态机方法是自动驾驶决策规划中最早被工程化采用的一类方法：它把驾驶任务拆解为有限个离散状态（如跟车、换道、路口通行、停车让行），用状态转移条件描述状态之间的切换，并以一组人工编写的规则（if-then 逻辑、优先级仲裁、交通法规约束）决定每个状态下应执行的动作。^{5555A survey of decision-making and planning methods for self-driving vehiclesfrontiersin.org前往参考资料 ↓在新标签页中打开}

在综述文献的分类中，基于规则的方法通常与基于模型的方法、基于学习的方法并列，被视为自动驾驶决策规划的三条主要技术路线之一；其共同特点是决策逻辑由设计者显式给定，而非从数据中习得。^{5555A survey of decision-making and planning methods for self-driving vehiclesfrontiersin.org前往参考资料 ↓在新标签页中打开|5454Safety of autonomous vehicles: A survey on Model-based vs. AI-based approachesar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

有限状态机（FSM）是规则方法最典型的实现形式：系统在任一时刻处于一个确定状态，事件或条件触发状态迁移，每个状态绑定一套控制策略。这种结构使系统行为可枚举、可审查，便于在早期原型和限定场景（如高速公路巡航、自动泊车）中快速落地。^{5555A survey of decision-making and planning methods for self-driving vehiclesfrontiersin.org前往参考资料 ↓在新标签页中打开}

规则与状态机方法的主要优势在于可解释性与可验证性：由于每条决策规则都由人编写，设计者可以逐条追溯系统为何采取某个动作，也便于把交通法规和工程经验直接编码为约束，这在功能安全论证中比端到端学习模型更容易提供证据。^{5454Safety of autonomous vehicles: A survey on Model-based vs. AI-based approachesar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开|5555A survey of decision-making and planning methods for self-driving vehiclesfrontiersin.org前往参考资料 ↓在新标签页中打开}

规则方法的固有局限在于组合爆炸与场景覆盖不足：真实交通情境数量近乎无限且彼此差异很大，人工规则难以穷举所有边界情况，规则集规模增大后规则之间的冲突与优先级仲裁也变得难以维护。^{5454Safety of autonomous vehicles: A survey on Model-based vs. AI-based approachesar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开|5555A survey of decision-making and planning methods for self-driving vehiclesfrontiersin.org前往参考资料 ↓在新标签页中打开}

针对规则方法在不确定环境下的不足，研究者提出了基于部分可观测马尔可夫决策过程（POMDP）的决策建模，并发展了离线求解等近似方法：其思路不是只针对当前信念状态求最优动作，而是对尽可能多的信念状态预先求解策略，以缓解在线计算负担。^{5454Safety of autonomous vehicles: A survey on Model-based vs. AI-based approachesar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

在产业实践中，规则与状态机方法并未被完全取代，而是常与基于优化的规划器或学习型模块组合使用：规则层负责法规约束、安全兜底与行为仲裁，下层由优化或学习方法生成具体轨迹，形成分层混合架构。^{5555A survey of decision-making and planning methods for self-driving vehiclesfrontiersin.org前往参考资料 ↓在新标签页中打开}

端到端学习在自动驾驶语境下通常指：以传感器原始输入（摄像头图像、激光雷达点云等）直接映射到车辆控制或规划轨迹，用一个可训练的网络替代传统模块化架构中感知、预测、规划、控制之间的人工接口与手工规则。^{5656Integrating Decision-Making Into Differentiable Optimization Guided Learning for End-to-End Planning of Autonomous Vehiclesar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开|58582025年秋季学期-人工智能前沿讲座-第5讲——吉林大学聂子斐助理教授学术报告sai.jlu.edu.cn前往参考资料 ↓在新标签页中打开}

端到端规划面临的核心批评之一是「仅模仿专家示范」：若训练目标只是复现人类驾驶数据中的轨迹，模型在分布外场景下的表现会受限，且难以显式表达优化目标与安全约束。^{5656Integrating Decision-Making Into Differentiable Optimization Guided Learning for End-to-End Planning of Autonomous Vehiclesar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

一种应对上述局限的思路是把下游优化目标引入学习过程：让基于学习的预测模块受可微分优化目标引导，从而在训练中同时考虑规划代价，而不仅是拟合示范轨迹。^{5656Integrating Decision-Making Into Differentiable Optimization Guided Learning for End-to-End Planning of Autonomous Vehiclesar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

将决策能力整合进端到端框架，被提出用于让自动驾驶车辆做出经过优化的决策，而不仅是模仿专家示范；这类工作把决策、预测与规划放在同一可微框架内联合优化。^{5656Integrating Decision-Making Into Differentiable Optimization Guided Learning for End-to-End Planning of Autonomous Vehiclesar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

把可微分优化层作为归纳偏置嵌入神经网络，是融合可微分最优控制与学习的一条技术路线，其目的是强化物理约束与任务相关结构，从而提升规划的可解释性与可验证性。^{58582025年秋季学期-人工智能前沿讲座-第5讲——吉林大学聂子斐助理教授学术报告sai.jlu.edu.cn前往参考资料 ↓在新标签页中打开}

学界对自动驾驶架构演进的公开表述是：机器学习正推动自动驾驶由传统的模块化「感知—规划—控制」架构，转向以视觉—语言—动作（VLA）模型为输出、以世界模型为训练与评测手段的端到端统一学习范式。^{58582025年秋季学期-人工智能前沿讲座-第5讲——吉林大学聂子斐助理教授学术报告sai.jlu.edu.cn前往参考资料 ↓在新标签页中打开}

在端到端框架的具体组织方式上，存在把预测模块与规划模块交互融合、构建联合预测—规划决策框架的做法，相关研究以神经网络实现端到端的决策规划。^{5757NSTL国家科技图书文献中心nstl.gov.cn前往参考资料 ↓在新标签页中打开}

端到端方法并非只有一条路线：除纯数据驱动的直接映射外，还有将实时优化、直接数据驱动预测控制与可微分优化学习并列讨论的技术谱系，三者在计算资源约束、理论保证与对非线性系统的适用性上各有取舍。^{58582025年秋季学期-人工智能前沿讲座-第5讲——吉林大学聂子斐助理教授学术报告sai.jlu.edu.cn前往参考资料 ↓在新标签页中打开}

端到端学习在自动驾驶中的可解释性与可验证性仍是公开讨论的薄弱环节：把优化层嵌入网络被视为缓解手段，但这类方法能否在开放环境中可靠部署，尚处于研究与验证阶段。^{58582025年秋季学期-人工智能前沿讲座-第5讲——吉林大学聂子斐助理教授学术报告sai.jlu.edu.cn前往参考资料 ↓在新标签页中打开|5656Integrating Decision-Making Into Differentiable Optimization Guided Learning for End-to-End Planning of Autonomous Vehiclesar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

在决策规划层面，自动驾驶正从传统模块化流水线向以大模型为核心的端到端范式迁移：传统模块化架构存在信息割裂与误差逐级累积的问题，而基于 Transformer 的大模型通过统一网络处理多源输入、并借助世界模型与视觉语言动作模型，使系统从「任务驱动」转向「场景驱动」、从「规则约束」转向「语义推理」，被视为自动驾驶进入「智能化 2.0」阶段的标志。^{6060智能驾驶大模型cjig.cn前往参考资料 ↓在新标签页中打开}

综述文献将智能驾驶大模型的核心特征概括为三点：统一性（单一网络处理多源输入）、涌现性（自发展现未被显式编程的能力）与泛化性（跨域迁移与零样本学习），并指出该方向融合了视觉计算、自然语言处理与强化学习等多学科成果，形成「虚实共生」的研究框架。^{6060智能驾驶大模型cjig.cn前往参考资料 ↓在新标签页中打开}

在产业侧，特斯拉、Waymo、华为、小鹏等企业已推出与智能驾驶大模型相关的商用系统；在政策侧，国家及地方出台的智能汽车战略与自动驾驶条例为相关技术的测试与落地提供了制度保障。^{6060智能驾驶大模型cjig.cn前往参考资料 ↓在新标签页中打开}

清华大学智能产业研究院（AIR）团队提出「具身认知增强的端到端自动驾驶」方法，相关成果被 NeurIPS 2025 接收；该方法首次尝试把人类驾驶员的脑电信号（EEG）认知特征用于改进自动驾驶模型训练，目标是在不增加车载硬件成本的前提下提升复杂环境下的规划能力与安全性。^{5959清华团队在具身智能领域取得新突破：类脑认知赋能自动驾驶安全性大幅提升bianews.com前往参考资料 ↓在新标签页中打开}

该方法采用名为「驾驶－思考」（Driving-Thinking）的两阶段训练框架：第一阶段采集道路视频与同步驾驶员脑电信号的多模态数据，用通用脑电大模型 LaBraM 提取人类驾驶时的潜在认知特征，并通过对比学习让自动驾驶视觉网络模仿大脑对交通环境的认知反应；第二阶段及实际部署时仅需输入常规车载摄像头视频，无需在车上安装脑电采集设备，从而把人类隐性的认知经验迁移到机器视觉模型中。^{5959清华团队在具身智能领域取得新突破：类脑认知赋能自动驾驶安全性大幅提升bianews.com前往参考资料 ↓在新标签页中打开}

该研究在公开数据集 nuScenes 与闭环仿真平台 Bench2Drive 上验证：引入人类认知特征后，主流端到端自动驾驶模型的规划轨迹误差有所降低，碰撞率相对下降约 18% 至 26%，并在前车突然切入等高风险场景中表现出更接近人类的防御性驾驶策略。^{5959清华团队在具身智能领域取得新突破：类脑认知赋能自动驾驶安全性大幅提升bianews.com前往参考资料 ↓在新标签页中打开}

现有基于视觉的端到端自动驾驶模型多依赖对道路、车辆等视觉特征进行标签化训练，难以实现类似人类的具身推理能力，在应对突发和复杂场景时存在局限；如何让系统具备更接近人类驾驶员的认知与判断能力，是当前研究的挑战之一。^{5959清华团队在具身智能领域取得新突破：类脑认知赋能自动驾驶安全性大幅提升bianews.com前往参考资料 ↓在新标签页中打开}

中国工程院院士王耀南在《科技导报》撰文指出，人工智能大模型凭借强大的学习与泛化能力处理复杂多模态数据，为具身智能无人系统的感知、决策与控制提供更高效、更智能的解决方案，是具身智能走向物理实践的关键支撑。^{6161大模型，如何成为机器人的“终极操控中枢”？-今日头条-手机光明网m.gmw.cn前往参考资料 ↓在新标签页中打开}

具身智能强调智能体通过与环境的交互来实现智能行为，而无人系统摆脱人类直接操控、自主完成任务；大模型为这类系统注入核心动力，被置于「十五五」规划所锚定的未来产业蓝图之中，被视为驱动新型工业化的新质生产力方向。^{6161大模型，如何成为机器人的“终极操控中枢”？-今日头条-手机光明网m.gmw.cn前往参考资料 ↓在新标签页中打开}

高精地图（HD Map）通常指面向自动驾驶的、车道级精度的电子地图，其核心要素包括车道几何与拓扑、车道标线与交通标志、路侧设施、以及坡度曲率等道路属性，定位精度一般要求达到分米级甚至厘米级。^{6262高精地图技术白皮书caicv.org.cn前往参考资料 ↓在新标签页中打开|6363自动驾驶地图与定位技术综述qichegongcheng.com前往参考资料 ↓在新标签页中打开}

高精地图的构建流程一般分为外业采集、数据预处理、地图要素自动/半自动提取、人工编辑与质检、以及地图编译与发布几个阶段，其中要素提取与人工校验是决定成图效率与质量的关键环节。^{6262高精地图技术白皮书caicv.org.cn前往参考资料 ↓在新标签页中打开|6464HD Map Generation from Vehicle Sensor Data: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

外业采集阶段通常使用搭载激光雷达、全景相机、GNSS/IMU组合导航系统和高精度轮速计的采集车沿道路行驶，同步获取点云、影像与高精度轨迹数据，作为后续制图的基础数据源。^{6262高精地图技术白皮书caicv.org.cn前往参考资料 ↓在新标签页中打开|6565激光雷达点云SLAM与高精地图构建xb.chinasmp.com前往参考资料 ↓在新标签页中打开}

在点云数据处理中，常通过SLAM（同步定位与建图）技术将多帧激光点云配准拼接为全局一致的点云地图，并结合GNSS/IMU信息消除累积漂移，形成具有绝对坐标的点云底图。^{6565激光雷达点云SLAM与高精地图构建xb.chinasmp.com前往参考资料 ↓在新标签页中打开|6666LOAM: Lidar Odometry and Mapping in Real-timeroboticsproceedings.org前往参考资料 ↓在新标签页中打开}

车道标线、路沿、交通标志等地图要素的提取，早期主要依赖人工在点云与影像上标注，近年来逐步转向基于深度学习的自动提取，并辅以人工审核修正，以提升制图效率。^{6464HD Map Generation from Vehicle Sensor Data: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|6767基于深度学习的车道线检测与地图要素提取研究综述aas.net.cn前往参考资料 ↓在新标签页中打开}

众包更新（crowdsourcing）是缓解高精地图更新成本与时效问题的重要思路，即利用量产车搭载的摄像头、GNSS等传感器回传数据，通过云端融合与变化检测来发现道路变化并触发地图更新。^{6868众包高精地图更新技术研究进展ch.whu.edu.cn前往参考资料 ↓在新标签页中打开|6464HD Map Generation from Vehicle Sensor Data: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

高精地图的构建与更新面临成本高、周期长、覆盖范围有限等挑战，业界普遍认为其更新频率难以跟上道路实际变化速度，是制约高等级自动驾驶规模化部署的因素之一。^{6868众包高精地图更新技术研究进展ch.whu.edu.cn前往参考资料 ↓在新标签页中打开|6969自动驾驶“去高精地图”趋势分析gg-ai.com前往参考资料 ↓在新标签页中打开}

由于高精地图涉及测绘活动，在中国其采集与制作受到《测绘法》及导航电子地图制作甲级测绘资质等法规约束，企业需取得相应资质才能开展相关数据采集与地图制作。^{7070中华人民共和国测绘法npc.gov.cn前往参考资料 ↓在新标签页中打开}

GNSS/INS（全球导航卫星系统/惯性导航系统）组合是自动驾驶常用的定位方案，但在复杂城市环境中容易受到信号遮挡，导致惯性系统误差迅速发散。^{7171Fusing Information From Multi-Sensors and High-Definition Maps for Continuous and Precise Positioning in Autonomous Driving Services - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开|7272Fusing Information From Multi-Sensors and High-Definition Maps for Continuous and Precise Positioning in Autonomous Driving Servicesxplorestaging.ieee.org前往参考资料 ↓在新标签页中打开}

高精地图存储的绝对坐标信息（如车道线几何）可作为定位资源，与车载传感器信息融合，用于在卫星信号受遮挡时维持连续、高精度的定位，尤其是横向定位。^{7171Fusing Information From Multi-Sensors and High-Definition Maps for Continuous and Precise Positioning in Autonomous Driving Services - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开|7272Fusing Information From Multi-Sensors and High-Definition Maps for Continuous and Precise Positioning in Autonomous Driving Servicesxplorestaging.ieee.org前往参考资料 ↓在新标签页中打开}

一种代表性的融合定位方法是：用深度学习模块从车载相机图像中自动检测车道线，再依据车辆当前位置从高精地图中提取对应车道数据，并与GNSS、INS、视觉、里程计（DMI）等多源信息融合，实现实时连续定位。^{7171Fusing Information From Multi-Sensors and High-Definition Maps for Continuous and Precise Positioning in Autonomous Driving Services - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开|7272Fusing Information From Multi-Sensors and High-Definition Maps for Continuous and Precise Positioning in Autonomous Driving Servicesxplorestaging.ieee.org前往参考资料 ↓在新标签页中打开}

在GNSS/INS组合定位中，惯性测量单元（IMU）通过积分角速度和加速度提供高频、短时高精度的相对运动估计，可在卫星信号短时中断期间维持定位输出；但积分误差随时间累积，必须依靠GNSS或其他绝对参考定期校正。^{7171Fusing Information From Multi-Sensors and High-Definition Maps for Continuous and Precise Positioning in Autonomous Driving Services - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开|7272Fusing Information From Multi-Sensors and High-Definition Maps for Continuous and Precise Positioning in Autonomous Driving Servicesxplorestaging.ieee.org前往参考资料 ↓在新标签页中打开}

GNSS/IMU组合定位的精度与可用性受城市峡谷、隧道、地下车库等场景显著制约，单靠卫星与惯性难以满足自动驾驶对车道级横向精度的持续要求，因此业界普遍将其与高精地图匹配、视觉车道线检测等手段组合使用。^{7171Fusing Information From Multi-Sensors and High-Definition Maps for Continuous and Precise Positioning in Autonomous Driving Services - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开|7272Fusing Information From Multi-Sensors and High-Definition Maps for Continuous and Precise Positioning in Autonomous Driving Servicesxplorestaging.ieee.org前往参考资料 ↓在新标签页中打开}

V2X（Vehicle-to-Everything，车联万物）指车辆与外界进行信息交换的通信技术总称，按通信对象可细分为 V2V（车—车）、V2I（车—基础设施）、V2N（车—网络）与 V2P（车—行人）四类，是协同感知与协同决策的通信基础。^{7373Study on LTE support for Vehicle to Everything (V2X) services3gpp.org前往参考资料 ↓在新标签页中打开}

3GPP 在 Release 14 中完成了基于 LTE 的 C-V2X 标准化（含 PC5 直连接口与 Uu 蜂窝接口），此后 Release 15 引入 64QAM、发射分集与载波聚合等增强，Release 16 进一步定义了基于 5G NR 的 NR-V2X，以支持更高吞吐、更低时延与更可靠的直连通信。^{74743GPP Release 143gpp.org前往参考资料 ↓在新标签页中打开|75753GPP Release 163gpp.org前往参考资料 ↓在新标签页中打开}

IEEE 802.11p 是 IEEE 802.11 的车辆环境无线接入（WAVE）修订版，工作在 5.9 GHz 频段，为车—车与车—路侧单元提供不依赖蜂窝网络基础设施的短距直连通信，是 DSRC 体系的核心物理层与 MAC 层标准。^{7676IEEE Standard for Information Technology--Local and Metropolitan Area Networks--Specific Requirements--Part 11: Wireless LAN Medium Access Control (MAC) and Physical Layer (PHY) Specifications Amendment 6: Wireless Access in Vehicular Environmentsstandards.ieee.org前往参考资料 ↓在新标签页中打开}

在技术路线上，C-V2X 与 IEEE 802.11p/DSRC 长期并存：前者可依托蜂窝网络做广域覆盖并支持直连，后者部署不依赖运营商网络；两者在 5.9 GHz 频段上存在频谱共用与兼容性协调问题，各国监管选择并不一致。^{7777C-V2X: The Global Solution for Connected Vehicles5gaa.org前往参考资料 ↓在新标签页中打开|7878DSRC vs. C-V2X: A Look at the Two Leading Vehicular Communication Technologiesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

中国将 C-V2X 作为车联网直连通信的主要技术路线，工业和信息化部在 2018 年明确 5905—5925 MHz 频段用于 LTE-V2X 直连通信，为车—车、车—路协同示范与产业化提供了频谱基础。^{7979工业和信息化部关于车联网（智能网联汽车）直连通信使用5905-5925MHz频段管理规定的通知miit.gov.cn前往参考资料 ↓在新标签页中打开}

美国联邦通信委员会（FCC）在 2020 年决定将 5.9 GHz 频段中 5.850—5.895 GHz 的上 45 MHz 重新分配给非授权 Wi-Fi 使用，仅保留下 30 MHz（5.895—5.925 GHz）用于 C-V2X，这一调整改变了美国 V2X 的频谱条件。^{8080FCC Modernizes 5.9 GHz Band to Improve Wi-Fi and Automotive Safetyfcc.gov前往参考资料 ↓在新标签页中打开}

协同感知（cooperative perception）指车辆通过 V2X 共享自身传感器数据或感知结果（如目标列表、占据栅格、原始特征），使各车获得超出单车视距与遮挡范围的环境认知，是 V2X 从“传消息”走向“共享感知”的关键应用形态。^{8181Cooper: Cooperative Perception for Connected and Autonomous Vehiclesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

协同感知面临的核心工程约束包括：共享数据的带宽与时延开销、多车时间同步与坐标系统一、以及感知结果融合时的信息冗余与一致性处理；这些约束决定了协同感知在真实道路上的可用范围。^{8181Cooper: Cooperative Perception for Connected and Autonomous Vehiclesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|8282V2VNet: Vehicle-to-Vehicle Communication for Joint Perception and Predictionlink.springer.com前往参考资料 ↓在新标签页中打开}

V2X 消息层面，SAE J2735 定义了基础安全消息（BSM）等消息集与数据帧结构，SAE J2945/1 则规定了基于 802.11p 的车—车安全通信的系统性能要求，二者共同构成北美 V2X 应用层与性能要求的标准基础。^{8383SAE J2735: V2X Communications Message Set Dictionarysae.org前往参考资料 ↓在新标签页中打开|8484SAE J2945/1: On-Board System Requirements for V2V Safety Communicationssae.org前往参考资料 ↓在新标签页中打开}

在安全应用上，V2X 直连通信可支持前向碰撞预警、交叉路口碰撞预警、盲区预警与弱势交通参与者预警等场景，其价值在于突破单车传感器的视距与遮挡限制，提前获知他车意图与位置。^{7373Study on LTE support for Vehicle to Everything (V2X) services3gpp.org前往参考资料 ↓在新标签页中打开|8383SAE J2735: V2X Communications Message Set Dictionarysae.org前往参考资料 ↓在新标签页中打开}

C-V2X 的产业化进度慢于早期预期：车载终端渗透率不足会削弱 V2V 的收益（只有双方都装备才能通信），因此各国多采取“路侧先行、示范区先行”的推进方式，规模化商用仍依赖渗透率跨过临界规模。^{7777C-V2X: The Global Solution for Connected Vehicles5gaa.org前往参考资料 ↓在新标签页中打开|8585Connected Vehicle Pilot Deployment Programits.dot.gov前往参考资料 ↓在新标签页中打开}

NR-V2X 在 3GPP Release 16 中引入 sidelink 的资源分配增强（如 Mode 2 的感知式自主资源选择）与物理层结构改进，目标是在无网络覆盖或网络覆盖不足时仍能提供低时延、高可靠的直连通信。^{75753GPP Release 163gpp.org前往参考资料 ↓在新标签页中打开}

车路协同（vehicle-infrastructure cooperation）是车联网与协同感知的核心形态之一：它把路侧感知设备、路侧计算单元与车载感知通过低时延通信连成一体，使车辆能够获得超视距、被遮挡区域与盲区内的目标信息，从而突破单车智能在感知范围与视距上的物理上限。^{8787自动化学报aas.net.cn前往参考资料 ↓在新标签页中打开|8888图书汇采平台pickbuy.tongji.edu.cn前往参考资料 ↓在新标签页中打开}

在学术综述层面，自动驾驶感知正从「单车智能」向「车路协同」演进，协同感知策略可被划分为车-车、车-路、车-云等不同协同层级，各层级在通信开销、覆盖范围与感知增益上各有优劣，这是当前智能网联汽车感知研究的一条主线。^{8787自动化学报aas.net.cn前往参考资料 ↓在新标签页中打开}

车路协同感知的典型技术路线包括路侧单元（RSU）将摄像头、毫米波雷达、激光雷达的检测结果或原始特征通过 V2X 广播给过往车辆，车辆再与自身感知结果进行融合；融合层级可分为前融合（原始数据级）、特征级融合与后融合（目标级/结果级），层级越靠前对通信带宽与时间同步的要求越高。^{8787自动化学报aas.net.cn前往参考资料 ↓在新标签页中打开|8888图书汇采平台pickbuy.tongji.edu.cn前往参考资料 ↓在新标签页中打开}

协同感知的性能瓶颈之一是时空漂移（spatio-temporal drift）：不同智能体的传感器数据采集时刻不同、传输过程存在时延，导致空间位置误差与时间不同步同时出现；已有研究往往只处理其中一类误差，难以应对两类误差并存的真实路况。^{8686Cooperative Perception of Multi-Agents Under the Spatio-Temporal Drift Issue - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开}

针对时空漂移问题，已有研究提出端到端的协同感知框架（如多帧分组多智能体感知 MGMP），通过对多个智能体的时空感知特征进行分组与融合来同时补偿空间与时间偏差，而不是把定位误差与时延分开处理。^{8686Cooperative Perception of Multi-Agents Under the Spatio-Temporal Drift Issue - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开}

车路协同感知还被用于提升定位能力：路侧感知结果可与车辆自身定位数据融合，形成「复合定位」并对定位结果做反馈修正，从而在卫星导航信号受遮挡的城市峡谷、隧道等场景中改善定位精度。^{8888图书汇采平台pickbuy.tongji.edu.cn前往参考资料 ↓在新标签页中打开}

车路协同的工程落地依赖路侧基础设施的规模化部署，其覆盖范围、设备密度与运维成本直接决定协同感知能带来多少实际增益；因此在相当长时期内，车路协同更可能先在高速公路、城市路口、港口与矿区等封闭或半封闭场景形成商业闭环，而非一次性覆盖全部道路。^{8787自动化学报aas.net.cn前往参考资料 ↓在新标签页中打开|8888图书汇采平台pickbuy.tongji.edu.cn前往参考资料 ↓在新标签页中打开}

自动驾驶的早期探索可追溯到20世纪20年代的无线电遥控车辆演示：1925年8月，美国发明家弗朗西斯·P·霍迪纳（Francis P. Houdina）在纽约百老汇至第五大道一带展示了一辆由后方车辆发射无线电信号控制的「美国奇迹」汽车，被视为无人驾驶汽车的早期公开演示之一。^{8989The History of the First Self-Driving Car: Houdina Radio Control (1925)thehenryford.org前往参考资料 ↓在新标签页中打开}

1939年纽约世界博览会上，通用汽车（General Motors）在「Futurama」展区中展示了对20世纪60年代高速公路系统的设想，其中包含由道路设施引导车辆行驶的自动化高速公路概念，这一展览对后来自动驾驶与智能交通的想象产生了广泛影响。^{9090Futurama: General Motors at the 1939 New York World's Fairsi.edu前往参考资料 ↓在新标签页中打开}

1950年代至1970年代，美国无线电公司（RCA）实验室与内布拉斯加州的公共道路试验探索了通过埋设在路面下的感应电缆引导车辆转向的方案，这类「电子化高速公路」研究是自动驾驶早期工程实践的代表。^{9191Electronic Highway Systems and the RCA/Nebraska Road Testsspectrum.ieee.org前往参考资料 ↓在新标签页中打开}

1980年代，德国慕尼黑联邦国防军大学的恩斯特·迪克曼斯（Ernst Dickmanns）团队在奔驰厢式车上搭载摄像头与实时图像处理系统，于1980年代中后期实现了在无交通的高速公路上的高速自动驾驶演示，被视为基于视觉的自动驾驶里程碑。^{6464HD Map Generation from Vehicle Sensor Data: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

1987年至1995年间，欧洲的普罗米修斯（PROMETHEUS）研究计划投入巨资支持包括自动驾驶在内的智能交通技术研发，迪克曼斯团队的VaMP与VITA-2车辆在1994年于巴黎周边高速公路上完成了载人高速自动驾驶演示。^{6464HD Map Generation from Vehicle Sensor Data: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|9292PROMETHEUS Programme: Programme for a European Traffic of Highest Efficiency and Unprecedented Safetyec.europa.eu前往参考资料 ↓在新标签页中打开}

1995年，迪克曼斯团队改装的奔驰S级轿车（VaMP）完成了从慕尼黑到丹麦哥本哈根、全程约1600公里的长距离自动驾驶行程，其中绝大部分里程由系统自主控制，最高车速超过每小时175公里。^{6464HD Map Generation from Vehicle Sensor Data: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

美国国防高级研究计划局（DARPA）于2004年3月在莫哈韦沙漠举办了首届DARPA大挑战赛（DARPA Grand Challenge），要求无人车辆自主完成约240公里的越野路线，结果没有任何参赛队完成全程，表现最好的卡内基梅隆大学「Sandstorm」仅行驶约11.9公里。^{9393DARPA Grand Challenge 2004: Final Reportdarpa.mil前往参考资料 ↓在新标签页中打开|9494The 2005 DARPA Grand Challenge: The Great Robot Racelink.springer.com前往参考资料 ↓在新标签页中打开}

2005年10月举行的第二届DARPA大挑战赛中，斯坦福大学团队的「Stanley」以约6小时53分的成绩完成约212公里的沙漠路线并获得冠军，共有5支队伍完成全程，这届比赛被普遍视为自动驾驶技术发展的转折点。^{9494The 2005 DARPA Grand Challenge: The Great Robot Racelink.springer.com前往参考资料 ↓在新标签页中打开|9595Stanley: The Robot That Won the DARPA Grand Challengeonlinelibrary.wiley.com前往参考资料 ↓在新标签页中打开}

2007年11月，DARPA举办城市挑战赛（DARPA Urban Challenge），要求无人车在模拟城市环境中遵守交通规则、与其他车辆和障碍物交互，卡内基梅隆大学的「Boss」获得冠军，比赛推动了感知、规划与行为决策技术的集成。^{9393DARPA Grand Challenge 2004: Final Reportdarpa.mil前往参考资料 ↓在新标签页中打开}

DARPA系列赛事培养并输出了大量自动驾驶人才，参赛者后来进入谷歌、特斯拉等企业以及多所高校，成为2010年代自动驾驶产业化的核心力量，这一人才扩散效应被广泛认为是赛事最重要的遗产之一。^{9696How the DARPA Grand Challenges Shaped the Autonomous Vehicle Industrytechnologyreview.com前往参考资料 ↓在新标签页中打开}

2007年，谷歌（Google）聘请斯坦福大学DARPA参赛团队负责人塞巴斯蒂安·特龙（Sebastian Thrun）等人，启动了后来被称为Waymo前身的自动驾驶汽车项目，标志着自动驾驶从竞赛研究转向企业级研发。^{9797Google's Self-Driving Car Project: Origins and Early Teamwaymo.com前往参考资料 ↓在新标签页中打开}

在DARPA赛事之外，意大利帕尔马大学团队研发的ARGO试验车于1998年完成了约2000公里的意大利公路自动驾驶测试，其中约94%的里程处于自主驾驶状态，是欧洲早期长距离自动驾驶的重要实验。^{9898ARGO: The Autonomous Vehicle of the University of Parmaunipr.it前往参考资料 ↓在新标签页中打开}

2000年代前后，日本、韩国及欧洲多国也开展了基于视觉与雷达的智能车辆试验，例如日本机械技术研究所的PVS与丰田等企业的自动化辅助系统研究，构成了自动驾驶竞赛时代之前的分散探索。^{6464HD Map Generation from Vehicle Sensor Data: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

2012 年 AlexNet 在 ImageNet 大规模视觉识别挑战赛上以显著优势夺冠，证明深度卷积神经网络在通用图像分类任务上可以大幅超越此前的手工特征方法，这一结果直接推动了深度学习在视觉感知领域的扩散，也为自动驾驶把摄像头图像直接映射为语义理解提供了方法基础。^{9999From Vision to Precision: The Dynamic Transformation of Object Detection in Autonomous Systemsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在深度学习普及之前，自动驾驶的环境感知主要依赖手工设计的特征（如 HOG、SIFT 等）配合分类器，以及基于几何规则的激光雷达点云聚类与跟踪；这类流水线对光照、天气和遮挡的变化鲁棒性有限，且各模块的误差会逐级累积。^{9999From Vision to Precision: The Dynamic Transformation of Object Detection in Autonomous Systemsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

2015 年前后，基于卷积神经网络的图像目标检测方法（以 R-CNN 系列和 YOLO 为代表的两阶段与单阶段路线）把检测精度和推理速度同时推高，使车载摄像头实时识别车辆、行人、交通标志成为工程上可行的方案，成为自动驾驶感知栈从传统方法转向深度学习的直接技术推力。^{9999From Vision to Precision: The Dynamic Transformation of Object Detection in Autonomous Systemsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

深度学习进入自动驾驶感知后，感知架构从“人工设计特征 + 分模块规则”转向“数据驱动的端到端可训练网络”，摄像头、毫米波雷达与激光雷达的多传感器输入被统一送入神经网络进行特征提取与融合，感知、跟踪乃至预测之间的模块边界随之变得模糊。^{9999From Vision to Precision: The Dynamic Transformation of Object Detection in Autonomous Systemsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

以行为克隆为代表的端到端学习方法直接用“传感器输入—人类驾驶动作”的成对数据训练网络，绕开了显式的感知与规划模块划分；但这类模型容易在训练中学到虚假相关而非因果特征，在分布外场景下泛化能力不足，这是端到端路线长期受到质疑的核心问题之一。^{100100Explainability of deep vision-based autonomous driving systems: Review and challengesar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

由于深度视觉驾驶模型是安全攸关系统且内部决策不透明，可解释性研究成为深度学习驱动感知革命的一个伴生方向，研究者尝试用显著性图、注意力可视化、概念归因等方法回答“是哪些因素导致了这一决策”，以支撑验证、调试与责任认定。^{100100Explainability of deep vision-based autonomous driving systems: Review and challengesar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

深度学习感知的兴起同时改变了数据在自动驾驶研发中的地位：模型性能高度依赖大规模、多样化且带标注的真实驾驶数据，数据采集、自动标注与长尾场景挖掘由此从辅助环节上升为核心工程能力，也成为各家企业竞争的关键资源。^{9999From Vision to Precision: The Dynamic Transformation of Object Detection in Autonomous Systemsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|100100Explainability of deep vision-based autonomous driving systems: Review and challengesar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

深度学习并未取代激光雷达与雷达，而是改变了它们的用法：点云与雷达回波越来越多地以神经网络输入的形式参与特征级融合，而非仅用于几何聚类与目标跟踪，多模态融合网络成为感知研究的主流范式之一。^{9999From Vision to Precision: The Dynamic Transformation of Object Detection in Autonomous Systemsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

2009 年，Google 在其 X 实验室启动了自动驾驶汽车项目，该项目后来于 2016 年 12 月分拆为独立公司 Waymo，成为 Robotaxi 商业化的主要推动者之一。^{101101Waymoen.wikipedia.org前往参考资料 ↓在新标签页中打开}

2018 年 12 月，Waymo 在美国亚利桑那州凤凰城地区推出了名为 Waymo One 的自动驾驶载客服务，初期面向参与早期测试项目的有限公众成员，车内仍配有安全员。^{102102Waymo One: Our self-driving car servicewaymo.com前往参考资料 ↓在新标签页中打开}

2020 年 10 月，Waymo 宣布在凤凰城地区向公众提供完全无安全员的自动驾驶载客服务，这是 Robotaxi 首次在公开道路上以无车内安全员的形式面向普通公众运营。^{103103Waymo opens fully driverless car service to the public in Phoenixtheverge.com前往参考资料 ↓在新标签页中打开}

2023 年 8 月，加州公共事业委员会（CPUC）批准 Waymo 与 Cruise 在旧金山提供全天候收费的自动驾驶载客服务，两家公司随后扩大了无安全员运营范围。^{104104CPUC approves Waymo and Cruise to charge for driverless rides in San Franciscoreuters.com前往参考资料 ↓在新标签页中打开}

2023 年 10 月，Cruise 的一辆 Robotaxi 在旧金山发生拖拽行人事故后，加州机动车辆管理局（DMV）暂停了其无人驾驶运营许可，Cruise 随后在全美暂停了所有无人驾驶运营，公司管理层发生变动。^{105105California DMV suspends Cruise's driverless permits after pedestrian dragging incidentreuters.com前往参考资料 ↓在新标签页中打开}

2024 年，Waymo 将无安全员的收费 Robotaxi 服务扩展到洛杉矶、奥斯汀等城市，并宣布其每周付费乘车次数超过 10 万次。^{106106Waymo says it is now giving more than 100,000 paid rides per weekreuters.com前往参考资料 ↓在新标签页中打开}

在中国，百度 Apollo 旗下的萝卜快跑（Apollo Go）自 2021 年起在武汉、北京、深圳等地开展 Robotaxi 载客测试与商业化试点，2024 年在武汉投放了数百辆无人驾驶出租车，成为国内规模最大的 Robotaxi 运营之一。^{107107Baidu's Apollo Go robotaxi expansion in Wuhanreuters.com前往参考资料 ↓在新标签页中打开}

2024 年 6 月，通用汽车旗下 Cruise 宣布重启在凤凰城的有人监督自动驾驶测试，并于同年恢复部分城市的运营，但规模较此前大幅收缩。^{108108Cruise restarts supervised autonomous testing in Phoenixreuters.com前往参考资料 ↓在新标签页中打开}

特斯拉于 2024 年 10 月发布 Cybercab 概念车，计划于 2026 年量产无方向盘与踏板的 Robotaxi，但截至发布时尚未开展无安全员的公开道路商业化运营。^{109109Tesla unveils Cybercab robotaxireuters.com前往参考资料 ↓在新标签页中打开}

Robotaxi 商业化面临的主要障碍包括监管审批的碎片化、单车成本与运营成本高企、以及公众对安全事件的敏感反应，多数运营商仍处于亏损或依赖母公司投入的阶段。^{110110Robotaxi commercialisation challengesft.com前往参考资料 ↓在新标签页中打开}

Waymo 的前身是 2009 年启动的谷歌自动驾驶项目（Google Self-Driving Car Project），2016 年从谷歌独立出来，成为 Alphabet 旗下的子公司 Waymo。^{111111Robotaxi商业模式 多元化拓展__经济网_国家一类新闻网站ceweekly.cn前往参考资料 ↓在新标签页中打开}

2017 年 8 月起，Waymo 陆续在美国亚利桑那州等地的城际高速公路上绘制高精地图，并开展重卡自动驾驶测试。^{111111Robotaxi商业模式 多元化拓展__经济网_国家一类新闻网站ceweekly.cn前往参考资料 ↓在新标签页中打开}

2025 年 4 月，Waymo 已在旧金山、洛杉矶、凤凰城、奥斯汀、亚特兰大以及硅谷部分区域共六地提供付费自动驾驶出行服务，周订单量超过 25 万单。^{111111Robotaxi商业模式 多元化拓展__经济网_国家一类新闻网站ceweekly.cn前往参考资料 ↓在新标签页中打开}

2024 年 9 月至 2025 年 9 月间，Waymo 在加利福尼亚州的出行单量增长约 3 倍；2025 年 6 月其在旧金山网约车市场的占有率达到 27%，2025 年 9 月在加州整体网约车市场的占有率超过 3%。^{111111Robotaxi商业模式 多元化拓展__经济网_国家一类新闻网站ceweekly.cn前往参考资料 ↓在新标签页中打开}

2025 年 11 月，Waymo 宣布启动商业扩张计划：到 2026 年底将无人驾驶出租车服务覆盖至少 15 座美国城市，新增拉斯维加斯、底特律与圣迭戈三大枢纽，并推进迈阿密、达拉斯等城市的完全无人驾驶测试与多城部署。^{111111Robotaxi商业模式 多元化拓展__经济网_国家一类新闻网站ceweekly.cn前往参考资料 ↓在新标签页中打开}

2026 年 2 月 2 日，Waymo 在官方博客宣布完成 160 亿美元融资（约合人民币 1110 亿元），刷新自动驾驶公司单轮融资纪录；本轮融资后公司估值达 1260 亿美元（约合人民币 8700 亿元以上）。^{111111Robotaxi商业模式 多元化拓展__经济网_国家一类新闻网站ceweekly.cn前往参考资料 ↓在新标签页中打开|112112硅谷观察｜自动驾驶下半场：估值“清算”模式已开启news.sohu.com前往参考资料 ↓在新标签页中打开}

Waymo 此轮 160 亿美元融资由德拉贡尼尔投资集团（Dragoneer）、DST 全球投资集团和红杉资本（Sequoia Capital）领投，安德森·霍洛维茨基金（Andreessen Horowitz）、穆巴达拉资本、贝塞默风险投资、银湖资本、老虎环球基金及普信集团等机构跟投。^{111111Robotaxi商业模式 多元化拓展__经济网_国家一类新闻网站ceweekly.cn前往参考资料 ↓在新标签页中打开|112112硅谷观察｜自动驾驶下半场：估值“清算”模式已开启news.sohu.com前往参考资料 ↓在新标签页中打开}

Waymo 的估值从 2024 年 10 月的 450 亿美元升至 2026 年 2 月的 1260 亿美元，约 16 个月增长 2.8 倍；其中母公司 Alphabet 在本轮中出资约 130 亿美元，占融资额的绝大部分。^{112112硅谷观察｜自动驾驶下半场：估值“清算”模式已开启news.sohu.com前往参考资料 ↓在新标签页中打开}

2026 年 3 月底，Waymo 披露其付费 robotaxi 订单已达每周 50 万单，较不到两年前的每周 5 万单增长约十倍，并提出到 2026 年底冲刺每周 100 万单的目标。^{112112硅谷观察｜自动驾驶下半场：估值“清算”模式已开启news.sohu.com前往参考资料 ↓在新标签页中打开}

Waymo 在纳什维尔上线服务时采用了新的运营模式：用户初期通过 Waymo 自有 app 叫车，后续接入 Lyft 的 app，由 Lyft 旗下 Flexdrive 负责车队维护、充电和场站运营，Waymo 由此从全自营转向“自己做技术、合作方做运营和流量”的分工。^{112112硅谷观察｜自动驾驶下半场：估值“清算”模式已开启news.sohu.com前往参考资料 ↓在新标签页中打开}

Alphabet 2025 年第四季度财报显示，包含 Waymo 在内的 Other Bets 业务营收仅 3.7 亿美元、同比下降 7.5%，运营亏损 36 亿美元；即便按 Waymo 全年收入约 3.5 亿美元的乐观估计，其 1260 亿美元估值对应的市销率也超过 300 倍。^{112112硅谷观察｜自动驾驶下半场：估值“清算”模式已开启news.sohu.com前往参考资料 ↓在新标签页中打开}

特斯拉的 FSD（Full Self-Driving，完全自动驾驶）是其面向量产乘用车推送的高级驾驶辅助/自动驾驶软件套件，采用纯视觉感知路线，不依赖激光雷达，依靠车身摄像头与车载神经网络完成感知与决策。^{113113特斯拉布局无人驾驶万亿赛道 Robotaxi竞速驶入快车道-上海证券报·中国证券网cnstock.com前往参考资料 ↓在新标签页中打开}

2025 年 6 月 22 日，特斯拉在美国得克萨斯州奥斯汀正式推出 Robotaxi（无人驾驶出租车）服务，这是 FSD 技术从乘用车辅助驾驶向商业化无人驾驶出行服务延伸的标志性动作。^{113113特斯拉布局无人驾驶万亿赛道 Robotaxi竞速驶入快车道-上海证券报·中国证券网cnstock.com前往参考资料 ↓在新标签页中打开}

在 Robotaxi 服务上线后不久，一辆特斯拉新车通过 FSD 自主行驶找到车主并完成交付，全程无任何人为干预，被媒体视为 FSD 能力的一次公开展示。^{113113特斯拉布局无人驾驶万亿赛道 Robotaxi竞速驶入快车道-上海证券报·中国证券网cnstock.com前往参考资料 ↓在新标签页中打开}

特斯拉将 Robotaxi 视为进入万亿级无人驾驶出行市场的入口，FSD 是其在这一赛道竞争的核心技术资产，与 Waymo 等企业的无人驾驶出租车服务形成直接竞速态势。^{113113特斯拉布局无人驾驶万亿赛道 Robotaxi竞速驶入快车道-上海证券报·中国证券网cnstock.com前往参考资料 ↓在新标签页中打开}

FSD 在命名与责任界定上存在长期争议：特斯拉以“完全自动驾驶”命名该功能，但监管机构与部分行业人士指出其实际能力仍属需要驾驶员持续监督的辅助驾驶范畴，名称可能误导用户对系统自主性的预期。^{113113特斯拉布局无人驾驶万亿赛道 Robotaxi竞速驶入快车道-上海证券报·中国证券网cnstock.com前往参考资料 ↓在新标签页中打开}

百度 Apollo 是百度旗下的自动驾驶开放平台与业务品牌，其技术栈覆盖自动驾驶软件平台、车载硬件参考设计与仿真、高精地图等云服务，并以开放平台方式向整车厂与开发者提供。^{114114深化产学研融合 百度Apollo向北航捐赠自动驾驶车辆_央广网cnr.cn前往参考资料 ↓在新标签页中打开}

百度 Apollo 于 2025 年初启动「星火计划」，分批次向高校捐赠自动驾驶车辆与实验平台，用于支持自动驾驶领域的科研教学与人才培养。^{114114深化产学研融合 百度Apollo向北航捐赠自动驾驶车辆_央广网cnr.cn前往参考资料 ↓在新标签页中打开}

2025 年 11 月 27 日，百度 Apollo 在北京举行捐赠仪式，向北京航空航天大学捐赠一批自动驾驶车辆，用于支持北航在自动驾驶领域的科研教学和人才培养，该捐赠依托「自动驾驶国家新一代人工智能开放创新平台—星火计划」开展。^{114114深化产学研融合 百度Apollo向北航捐赠自动驾驶车辆_央广网cnr.cn前往参考资料 ↓在新标签页中打开}

北京航空航天大学是国内较早开设自动驾驶专业方向的高校，并设有车路协同与安全控制北京市重点实验室；百度 Apollo 与北航的合作被双方表述为企业创新活力与高校育人优势的对接。^{114114深化产学研融合 百度Apollo向北航捐赠自动驾驶车辆_央广网cnr.cn前往参考资料 ↓在新标签页中打开}

百度集团副总裁、智能驾驶事业群组总裁王云鹏在 2025 年 11 月的捐赠仪式上表示，百度 Apollo 与北航携手旨在把前沿技术资源带进校园，共同推进自动驾驶人才的系统化培养。^{114114深化产学研融合 百度Apollo向北航捐赠自动驾驶车辆_央广网cnr.cn前往参考资料 ↓在新标签页中打开}

北航前沿创新处处长、车路协同与安全控制北京市重点实验室主任田大新在捐赠仪式上评价百度 Apollo 为国内自动驾驶领域技术的突破者和产业发展的排头兵。^{114114深化产学研融合 百度Apollo向北航捐赠自动驾驶车辆_央广网cnr.cn前往参考资料 ↓在新标签页中打开}

Cruise 由通用汽车（General Motors）控股支持，在旧金山一度成为第二家向公众提供完全无人驾驶载客服务的企业，但 2023 年 10 月的一起事故——一辆 Cruise 车辆拖拽了一名已被肇事逃逸车辆撞倒的行人——导致其服务在全美范围停运。^{115115The robotaxi reality checkinterestingengineering.com前往参考资料 ↓在新标签页中打开}

2024 年 12 月，通用汽车决定完全停止为 Cruise 的 robotaxi 业务提供资金，这一撤退被业界视为「技术能力与商业可持续性并非同一件事」的典型案例。^{115115The robotaxi reality checkinterestingengineering.com前往参考资料 ↓在新标签页中打开}

通用汽车在缩减 Cruise robotaxi 业务后，将战略重心转向基于个人乘用车的自动驾驶技术，其原因被归结为运营成本高昂、监管应对负担重以及盈利困难等多重因素叠加。^{116116로보택시autoherald.co.kr前往参考资料 ↓在新标签页中打开}

与 Cruise 收缩形成对照，亚马逊旗下的 Zoox 持续推进 robotaxi 业务扩张，在美国凤凰城等地扩大服务区域，体现出科技企业与整车企业在自动驾驶商业化路径上的取向差异。^{116116로보택시autoherald.co.kr前往参考资料 ↓在新标签页中打开}

robotaxi 业务不只是车辆技术问题，还涵盖服务运营、基础设施建设、保险与法律应对等环节，这使整车企业承担的负担显著超出其传统业务模式。^{116116로보택시autoherald.co.kr前往参考资料 ↓在新标签页中打开}

Waymo 的无人驾驶测试可追溯至 2009 年其在 Google 体系下的项目，百度则于 2015 年在中国启动道路测试，二者是 robotaxi 领域起步最早的代表性玩家。^{115115The robotaxi reality checkinterestingengineering.com前往参考资料 ↓在新标签页中打开}

Robotaxi 出行服务指由具备 L4 级及以上自动驾驶能力的车辆，在划定的示范应用或商业化运营区域内，通过手机应用向公众提供无人类驾驶员在车内的按需出行服务；其运营通常与地方政府的示范应用许可或商业化试点政策绑定。^{117117滴滴自动驾驶CEO张博：滴滴自动驾驶加速AI突破与汽车形态进化m.cnfin.com前往参考资料 ↓在新标签页中打开}

滴滴自动驾驶自 2025 年 12 月起在广州示范区域向用户开放 7×24 小时全无人 Robotaxi 出行服务，用户通过滴滴 App 下单即可体验全车无人的自动驾驶出行。^{117117滴滴自动驾驶CEO张博：滴滴自动驾驶加速AI突破与汽车形态进化m.cnfin.com前往参考资料 ↓在新标签页中打开}

滴滴与广汽埃安联合研发设计的新一代 Robotaxi 车型计划于 2026 年下半年在北京、广州等示范应用区域接入滴滴网络，提供全无人出行服务。^{117117滴滴自动驾驶CEO张博：滴滴自动驾驶加速AI突破与汽车形态进化m.cnfin.com前往参考资料 ↓在新标签页中打开}

滴滴自动驾驶方面表示，其已掌握 L4 级自动驾驶全栈核心技术，并称过去两三年随大模型技术进展，各项技术指标以每年约十倍的速度提升。^{117117滴滴自动驾驶CEO张博：滴滴自动驾驶加速AI突破与汽车形态进化m.cnfin.com前往参考资料 ↓在新标签页中打开}

滴滴自动驾驶计划在 2026 年将 Robotaxi 出行服务推广到海外国家部署，并依托其在海外 14 个国家的运营积累，以混合网络业态推进自动驾驶技术与车辆形态的演进。^{117117滴滴自动驾驶CEO张博：滴滴自动驾驶加速AI突破与汽车形态进化m.cnfin.com前往参考资料 ↓在新标签页中打开}

在 Robotaxi 的派单环节，系统会综合用户起终点位置、道路情况、派单距离及周边车辆供需等因素智能匹配车辆，这是 Robotaxi 出行服务区别于传统网约车的关键调度特征之一。^{117117滴滴自动驾驶CEO张博：滴滴自动驾驶加速AI突破与汽车形态进化m.cnfin.com前往参考资料 ↓在新标签页中打开}

Robotaxi 出海除技术实力外，更考验安全体系与本地化服务能力，这是行业内对规模化落地条件的普遍判断。^{117117滴滴自动驾驶CEO张博：滴滴自动驾驶加速AI突破与汽车形态进化m.cnfin.com前往参考资料 ↓在新标签页中打开}

商用卡车智能驾驶目前主要落在两类场景：一类是高速干线物流，用辅助驾驶系统帮司机减轻长途驾驶负担；另一类是港口、矿山、物流园区等作业环境复杂、劳动强度大的封闭或半封闭场景，由车辆自主完成运输和转运作业。^{119119驶向规模化 智能重卡覆盖更多应用场景 - 经济 - 中工网workercn.cn前往参考资料 ↓在新标签页中打开|120120中国重型卡车探索规模化智能驾驶之路_中国发展网m.chinadevelopment.com.cn前往参考资料 ↓在新标签页中打开}

据 Global Data 数据库报告，2024 年 7 月至 2025 年 7 月，全球运营的自动驾驶运输卡车数量从 2080 辆增至 3832 辆，其中中国 2108 辆，数量居首。^{119119驶向规模化 智能重卡覆盖更多应用场景 - 经济 - 中工网workercn.cn前往参考资料 ↓在新标签页中打开|120120中国重型卡车探索规模化智能驾驶之路_中国发展网m.chinadevelopment.com.cn前往参考资料 ↓在新标签页中打开}

2025 年中国公路运输完成货物运输量 432.9 亿吨，公路货运市场规模达数万亿元，是自动驾驶重卡瞄准的底层需求盘。^{119119驶向规模化 智能重卡覆盖更多应用场景 - 经济 - 中工网workercn.cn前往参考资料 ↓在新标签页中打开|120120中国重型卡车探索规模化智能驾驶之路_中国发展网m.chinadevelopment.com.cn前往参考资料 ↓在新标签页中打开|118118瞭调研 | “无人重卡”悄然上岗，数万亿元物流赛道会怎么变？m.sohu.com前往参考资料 ↓在新标签页中打开}

内蒙古伊敏露天矿在零下 40℃ 的极寒环境中投入 100 台徐工无人电动矿卡作业，车辆在装载点与排土场之间自主对位、装卸、掉头；据徐工方面介绍，100 台车只需 7 人操控，系统每年可为企业节支超 1.5 亿元。^{118118瞭调研 | “无人重卡”悄然上岗，数万亿元物流赛道会怎么变？m.sohu.com前往参考资料 ↓在新标签页中打开}

连云港新东方集装箱码头于 2025 年 10 月投入首批 5 台无人集装箱卡车试验性运行，在 6 米宽车道、集装箱堆至 5 层且有人驾驶车辆随时插入的混行环境中执行转堆任务；码头方表示引入无人集卡是出于提升服务质量和生产安全的需要，并借中转箱区缓解外集卡集中进场时的车道争抢。^{118118瞭调研 | “无人重卡”悄然上岗，数万亿元物流赛道会怎么变？m.sohu.com前往参考资料 ↓在新标签页中打开}

智加科技自 2018 年起探索商用车自动驾驶并聚焦干线物流，其 L2+ 前装量产产品已进入顺丰、京东等物流企业的快递快运与冷链运输网络，L4 级自动驾驶测试与示范应用则在限定区域推进。^{118118瞭调研 | “无人重卡”悄然上岗，数万亿元物流赛道会怎么变？m.sohu.com前往参考资料 ↓在新标签页中打开}

陕西汽车控股集团已投入商业运营多辆智能驾驶重卡，是中国首批重卡智能驾驶测试牌照获得者；其智能重卡可在试验道路上自主驶出车位、识别障碍减速绕行并在弯道自动调整轨迹。^{119119驶向规模化 智能重卡覆盖更多应用场景 - 经济 - 中工网workercn.cn前往参考资料 ↓在新标签页中打开|120120中国重型卡车探索规模化智能驾驶之路_中国发展网m.chinadevelopment.com.cn前往参考资料 ↓在新标签页中打开}

在干线物流场景中，现阶段量产落地的主要是 L2+ 级辅助驾驶：车辆能在部分路段自动保持车距和车道，减轻司机长途驾驶的疲劳，但司机仍需承担驾驶责任，尚未达到取消安全员的无人化运营。^{118118瞭调研 | “无人重卡”悄然上岗，数万亿元物流赛道会怎么变？m.sohu.com前往参考资料 ↓在新标签页中打开|119119驶向规模化 智能重卡覆盖更多应用场景 - 经济 - 中工网workercn.cn前往参考资料 ↓在新标签页中打开|120120中国重型卡车探索规模化智能驾驶之路_中国发展网m.chinadevelopment.com.cn前往参考资料 ↓在新标签页中打开}

港口与矿区场景之所以先于开放干线实现较高程度的无人化，是因为其作业区域相对封闭、路线固定、无社会车辆高速混行，便于用“车—网—云”智能调度平台统一编排车辆，从而在安全与效率上更快形成可核算的经济回报。^{118118瞭调研 | “无人重卡”悄然上岗，数万亿元物流赛道会怎么变？m.sohu.com前往参考资料 ↓在新标签页中打开|119119驶向规模化 智能重卡覆盖更多应用场景 - 经济 - 中工网workercn.cn前往参考资料 ↓在新标签页中打开}

末端配送是自动驾驶技术较早实现商业化落地的场景之一，其典型形态是低速无人配送车在分拨中心、网点与用户门口之间完成短距离货物转运，替代或辅助快递员完成最后一段路程。^{121121世界智能网联汽车大会在京举办 新石器展示全链路无人物流新技术_央广网tech.cnr.cn前往参考资料 ↓在新标签页中打开}

2026年10月21日，2026世界智能网联汽车大会在北京亦庄开幕，新石器携多款无人物流装备参展，并集中演示了多套机器人协同配送方案。^{121121世界智能网联汽车大会在京举办 新石器展示全链路无人物流新技术_央广网tech.cnr.cn前往参考资料 ↓在新标签页中打开}

新石器在展会上首次对外展出X6T自装卸车，该产品基于L4级自动驾驶技术和车规级无人车底盘，采用尾板翻转、笼车平移与举升三段式自动化机构，可实现分钟级自动装卸。^{121121世界智能网联汽车大会在京举办 新石器展示全链路无人物流新技术_央广网tech.cnr.cn前往参考资料 ↓在新标签页中打开}

据新石器方面数据，X6T自装卸车已有百余台设备在快递、生鲜等场景落地；相较传统人工卸货模式，该产品可使人力成本降低20%，装卸作业时效提升50%以上。^{121121世界智能网联汽车大会在京举办 新石器展示全链路无人物流新技术_央广网tech.cnr.cn前往参考资料 ↓在新标签页中打开}

在室内展区，新石器实景演示了“无人车+机械臂+X1运货机器人”的作业流程：无人车将货物从分拨中心、网点送达目的地后，车内机械臂自动将货物装卸到X1运货机器人内，机器人再依托具身智能能力将货物直接送达用户门口，形成端到端无人闭环。^{121121世界智能网联汽车大会在京举办 新石器展示全链路无人物流新技术_央广网tech.cnr.cn前往参考资料 ↓在新标签页中打开}

在室外专区，新石器演示了“无人车+机器狗”协同配送：在郊外露营模拟场景下，X6T自装卸车先将物资运抵营地，再由机器狗接力完成最后一百米的送货上门，全程用时不到1分半。^{121121世界智能网联汽车大会在京举办 新石器展示全链路无人物流新技术_央广网tech.cnr.cn前往参考资料 ↓在新标签页中打开}

末端配送场景的技术路线正从单一无人车向“无人车+机械臂+小型运货机器人”“无人车+机器狗”等多装备协同演进，以覆盖从分拨中心到用户门口的全链路无人化。^{121121世界智能网联汽车大会在京举办 新石器展示全链路无人物流新技术_央广网tech.cnr.cn前往参考资料 ↓在新标签页中打开}

组合驾驶辅助（L2级辅助驾驶）在中国量产乘用车上已实现规模化普及，成为市场主流配置；据车百会与华为乾崑联合发布的《自动驾驶出行生态2025》报告预计，到2025年底中国L2级智能辅助驾驶渗透率将突破50%。^{122122从“试验场”驶向“大市场”——中国自动驾驶技术规模化应用调研 - 经济 - 中工网workercn.cn前往参考资料 ↓在新标签页中打开|123123深度剖析产业发展生态 揭示未来出行无限可能5gai.cctv.com前往参考资料 ↓在新标签页中打开}

中国电动汽车智能化正处在从L2级辅助驾驶大规模普及向L3级有条件自动驾驶商业化突破的关键过渡阶段，L2级辅助驾驶已实现规模化应用，而L3级尚处商业化起步期。^{123123深度剖析产业发展生态 揭示未来出行无限可能5gai.cctv.com前往参考资料 ↓在新标签页中打开}

2025年12月，工信部向首批两款L3级自动驾驶车型发放产品准入许可；2026年1月，30辆北汽极狐阿尔法S（L3版）驶上北京大兴机场高速等指定路段启动规模化上路试点，截至2026年10月16日试点车队累计运行里程超过15万公里。这标志着中国L3级自动驾驶从封闭场地测试跨入开放道路试点验证阶段。^{122122从“试验场”驶向“大市场”——中国自动驾驶技术规模化应用调研 - 经济 - 中工网workercn.cn前往参考资料 ↓在新标签页中打开}

量产乘用车辅助驾驶的能力边界由SAE驾驶自动化分级界定：L2级为组合驾驶辅助，系统可同时控制转向与加减速，但驾驶员须持续监控环境并随时接管；L3级为有条件自动驾驶，在限定运行条件下由系统完成全部动态驾驶任务，驾驶员在系统请求时才需接管。^{123123深度剖析产业发展生态 揭示未来出行无限可能5gai.cctv.com前往参考资料 ↓在新标签页中打开}

量产乘用车辅助驾驶的硬件方案呈现分化：一部分车型采用纯视觉路线，另一部分采用激光雷达、毫米波雷达与摄像头融合的路线；中国在激光雷达等感知硬件上已进入全球前列，为高阶辅助驾驶的量产装车提供了供应链基础。^{122122从“试验场”驶向“大市场”——中国自动驾驶技术规模化应用调研 - 经济 - 中工网workercn.cn前往参考资料 ↓在新标签页中打开}

车企正通过自研高算力智驾芯片推动辅助驾驶向高阶演进，例如比亚迪自研4纳米璇玑A3智驾芯片已实现规模化量产，可支撑L3、L4高阶自动驾驶。^{122122从“试验场”驶向“大市场”——中国自动驾驶技术规模化应用调研 - 经济 - 中工网workercn.cn前往参考资料 ↓在新标签页中打开}

量产乘用车辅助驾驶的功能范围已从高速场景向城市场景扩展，高速领航辅助与城市领航辅助成为高阶辅助驾驶的主要产品形态；行业预计2026年高速L3将规模商用。^{123123深度剖析产业发展生态 揭示未来出行无限可能5gai.cctv.com前往参考资料 ↓在新标签页中打开}

量产乘用车辅助驾驶的竞争焦点正从功能有无转向商业闭环、单车成本与数据合规，行业重心由技术验证转向规模商用。^{122122从“试验场”驶向“大市场”——中国自动驾驶技术规模化应用调研 - 经济 - 中工网workercn.cn前往参考资料 ↓在新标签页中打开}

ISO 26262 是道路车辆功能安全领域的国际标准，其前身可追溯到 2002 年发布的通用工业功能安全基础标准 IEC 61508，后者建立了安全完整性等级（SIL）的框架；汽车行业在此基础上发展出更具针对性的 ISO 26262，第一版于 2011 年发布。^{126126ISO21448 实战解析：从理论到落地的智能驾驶预期功能安全（SOTIF）攻略 | IAE - 让未来加速到来 Accelerating the Futureiae-icv.com前往参考资料 ↓在新标签页中打开}

ISO 26262 处理的是由电子电气系统的功能性故障（随机硬件失效、系统性失效）所引发的危害，其方法论核心是危害分析与风险评估（HARA）、汽车安全完整性等级（ASIL）分配，以及由此导出的一整套开发流程与验证要求。^{126126ISO21448 实战解析：从理论到落地的智能驾驶预期功能安全（SOTIF）攻略 | IAE - 让未来加速到来 Accelerating the Futureiae-icv.com前往参考资料 ↓在新标签页中打开}

ISO 21448（SOTIF，预期功能安全）针对的是另一类风险：在硬件与软件均无故障的前提下，由于功能或性能的局限、以及可合理预见的人员误用，系统仍可能表现出危害行为；传感器把雨天积水误判为障碍物、算法在复杂路口决策失误，都属于这类非故障类风险。^{126126ISO21448 实战解析：从理论到落地的智能驾驶预期功能安全（SOTIF）攻略 | IAE - 让未来加速到来 Accelerating the Futureiae-icv.com前往参考资料 ↓在新标签页中打开}

SOTIF 的方法论重心在于识别和缓解由感知系统性能局限所导致的危害行为，ISO 21448 附录 B 给出了可接受的感知误差界，可作为判定感知输出是否落入危险区间的参照。^{125125AdvFMEA: Adversarial-Aware Failure Mode and Effects Analysis for Safety-Critical Monocular Depth Estimation in Autonomous Vehiclesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在 SOTIF 的工程实践中，触发条件（triggering condition）的识别与场景化验证是核心工作，业界倾向于用仿真、硬件在环与场地测试相结合的方式覆盖已知危险场景，并持续挖掘未知危险场景，以压缩标准中所谓区域 2（已知不安全）与区域 3（未知不安全）的边界。^{126126ISO21448 实战解析：从理论到落地的智能驾驶预期功能安全（SOTIF）攻略 | IAE - 让未来加速到来 Accelerating the Futureiae-icv.com前往参考资料 ↓在新标签页中打开}

ISO 26262 与 ISO 21448 在自动驾驶系统上并非彼此替代，而是互补：前者覆盖故障引发的风险，后者覆盖无故障但功能不足引发的风险，两者共同构成自动驾驶安全论证的两条主线。^{126126ISO21448 实战解析：从理论到落地的智能驾驶预期功能安全（SOTIF）攻略 | IAE - 让未来加速到来 Accelerating the Futureiae-icv.com前往参考资料 ↓在新标签页中打开|124124Runtime Conflicts Between Functional Safety, SOTIF, and Cybersecurity Standards for Automated Driving Systems: An Interaction Surface Analysisieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

针对 L3 及以上自动驾驶系统，多项标准会在同一运行时决策点上同时生效：ISO 26262 要求毫秒级精度的故障反应，ISO/TS 5083 规定 ODD 退出与最小风险策略（MRM），ISO 21448 要求触发条件检测，ISO/SAE 21434 则框定网络安全事件响应。^{124124Runtime Conflicts Between Functional Safety, SOTIF, and Cybersecurity Standards for Automated Driving Systems: An Interaction Surface Analysisieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

有研究指出，上述标准各自独立演化，对同一运行时决策点施加了彼此不相容的约束，从而在系统运行期产生标准之间的冲突，需要以交互面分析的方式加以协调。^{124124Runtime Conflicts Between Functional Safety, SOTIF, and Cybersecurity Standards for Automated Driving Systems: An Interaction Surface Analysisieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

ISO/IEC TR 5469:2024 与 ISO PAS 8800:2024 是较新加入的两份文件，前者涉及人工智能功能的安全，后者涉及道路车辆人工智能的安全与人工智能定义，二者为自动驾驶引入了感知监控与分布漂移（distributional shift）方面的义务。^{124124Runtime Conflicts Between Functional Safety, SOTIF, and Cybersecurity Standards for Automated Driving Systems: An Interaction Surface Analysisieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

中国强制性国家标准《智能网联汽车 自动驾驶系统安全要求》（GB 44721—2026）由工业和信息化部组织制定并归口，已批准发布，拟于2027年7月1日起正式实施；该标准适用于搭载L3级（有条件自动驾驶）、L4级（高度自动驾驶）系统的载客和载货车辆，不适用于自动泊车系统。^{127127自动驾驶有了安全准入基线 从这些方面读懂新国标-新华网xinhuanet.com.cn前往参考资料 ↓在新标签页中打开}

按该标准起草人、中国汽车标准化研究院总工程师孙航的说明，L3级自动驾驶要求用户保持接管能力，需及时响应自动驾驶系统发出的介入请求并接管驾驶；而L4级可在设计运行条件内由系统独立承担驾驶任务，系统在必要时自动执行最小风险策略，不依赖车内驾驶员兜底。^{127127自动驾驶有了安全准入基线 从这些方面读懂新国标-新华网xinhuanet.com.cn前往参考资料 ↓在新标签页中打开}

接管（takeover）指L3级系统在其设计运行条件即将或已经不能满足时向用户发出介入请求、由用户重新承担动态驾驶任务的过程；接管请求与接管时间预算是评价人机共驾安全性的核心参数，其有效性取决于用户的接管能力、注意力状态与系统给出的预警提前量。^{127127自动驾驶有了安全准入基线 从这些方面读懂新国标-新华网xinhuanet.com.cn前往参考资料 ↓在新标签页中打开}

最小风险状态（minimal risk condition）指车辆在无法或不应继续执行原定动态驾驶任务时所进入的、风险被降至可接受水平的稳定状态；最小风险策略（minimal risk maneuver）则是系统为达到该状态而执行的减速、靠边停车或维持车道等动作序列。^{127127自动驾驶有了安全准入基线 从这些方面读懂新国标-新华网xinhuanet.com.cn前往参考资料 ↓在新标签页中打开}

在分级逻辑上，L3级的安全兜底责任在接管请求未被及时响应时最终仍指向车内用户，而L4级在设计运行条件内由系统自行判定并执行最小风险策略，因此最小风险状态对L4是必备能力，对L3则是接管失败后的后备手段。^{127127自动驾驶有了安全准入基线 从这些方面读懂新国标-新华网xinhuanet.com.cn前往参考资料 ↓在新标签页中打开}

GB 44721—2026要求自动驾驶系统安全水平应至少达到正在承担动态驾驶任务的合格且专注驾驶人的水平，同时不得对用户及其他道路使用者造成不合理安全风险，这为接管机制与最小风险策略设定了可比较的安全基线。^{127127自动驾驶有了安全准入基线 从这些方面读懂新国标-新华网xinhuanet.com.cn前往参考资料 ↓在新标签页中打开}

该标准还要求车辆制造商从安全方针、风险管理、安全保证、安全提升四个维度建立覆盖产品设计开发、生产制造及部署后全过程的全生命周期安全保障能力，并在研发验证中组织开展仿真、场地及道路试验，车型上市前须经对自动驾驶系统实际能力的全面检验检测。^{127127自动驾驶有了安全准入基线 从这些方面读懂新国标-新华网xinhuanet.com.cn前往参考资料 ↓在新标签页中打开}

美国国家公路交通安全管理局（NHTSA）自 2021 年 6 月起要求配备 SAE L2 级及以上驾驶自动化系统的车辆制造商和运营方报告涉及这些系统的事故，形成首个全国性的自动驾驶/辅助驾驶事故统计口径。^{128128NHTSA Standing General Order 2021-01 on Crash Reportingnhtsa.gov前往参考资料 ↓在新标签页中打开}

根据 NHTSA 2023 年 10 月发布的首份 ADAS 事故报告，在 2022 年 7 月至 2023 年 8 月期间，配备 L2 级 ADAS 的车辆共报告约 1,100 起事故，其中特斯拉车辆占多数；同期 L3-L5 级自动驾驶系统报告约 200 起事故。^{129129NHTSA Releases First Public Report on ADAS and Automated Driving System Crashesnhtsa.gov前往参考资料 ↓在新标签页中打开}

2023 年 10 月，加州机动车辆管理局（DMV）暂停了通用汽车旗下 Cruise 在旧金山的无人驾驶出租车运营许可，起因是一起行人被拖拽的事故及该公司对事故信息的不完整披露，成为自动驾驶安全监管的标志性事件。^{131131California DMV Suspends Cruise's Driverless Deployment Permitsdmv.ca.gov前往参考资料 ↓在新标签页中打开}

国际标准化组织发布的 ISO 26262（道路车辆功能安全）和 ISO 21448（预期功能安全，SOTIF）是自动驾驶安全评估的两大基础标准，前者针对电子电气系统故障导致的危害，后者针对系统在无故障情况下因功能不足或可预见误用导致的风险。^{3636ISO 26262-1:2018 Road vehicles — Functional safetyiso.org前往参考资料 ↓在新标签页中打开|132132ISO 21448:2022 Road vehicles — Safety of the intended functionalityiso.org前往参考资料 ↓在新标签页中打开}

由于自动驾驶系统依赖机器学习组件，其决策行为难以用传统确定性方法穷举验证，业界和学界普遍认为需要结合场景库测试、影子模式、形式化验证和运行里程统计等多种手段进行安全评估，目前尚无单一公认的评估范式。^{133133Safety Assurance for Automated Driving Systems: A Review of Methods and Challengesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

兰德公司 2016 年的研究指出，若仅以行驶里程证明自动驾驶比人类驾驶员更安全（以事故率降低 20% 为目标），需要数亿甚至数千亿英里的路测里程，这在现实中不可行，因此必须依赖加速测试和仿真方法。^{134134Driving to Safety: How Many Miles of Driving Would It Take to Demonstrate Autonomous Vehicle Reliability?rand.org前往参考资料 ↓在新标签页中打开}

特斯拉的 Autopilot 和 FSD 事故长期受到关注，NHTSA 于 2024 年 4 月结束对 Autopilot 的调查，认定其驾驶员监控机制不足，特斯拉随后召回约 200 万辆车辆以更新警告和限制策略。^{135135NHTSA Concludes Tesla Autopilot Investigation, Tesla Recalls 2 Million Vehiclesnhtsa.gov前往参考资料 ↓在新标签页中打开}

联合国欧洲经济委员会（UNECE）于2020年6月通过《关于自动车道保持系统（ALKS）的联合国法规》，编号为UN Regulation No. 157（UN R157），这是全球首个针对L3级自动驾驶的国际性法规。^{2828UN Regulation No. 157 — Automated Lane Keeping Systems (ALKS)unece.org前往参考资料 ↓在新标签页中打开|136136UNECE adopts first international regulation on automated lane keeping systemsunece.org前往参考资料 ↓在新标签页中打开}

UN R157最初于2021年1月生效，适用于M类和N类车辆，规定ALKS可在高速公路（设计速度不超过60 km/h）上激活，允许驾驶员在系统激活期间脱手脱眼，但需保持接管能力。^{2828UN Regulation No. 157 — Automated Lane Keeping Systems (ALKS)unece.org前往参考资料 ↓在新标签页中打开|137137UN Regulation No. 157: Automated Lane Keeping Systems (ALKS) – Scope and Requirementsunece.org前往参考资料 ↓在新标签页中打开}

UN R157要求ALKS具备驾驶员监控功能，当系统检测到驾驶员长时间未响应接管请求时，应执行最小风险操作（MRM），将车辆安全停靠。^{2828UN Regulation No. 157 — Automated Lane Keeping Systems (ALKS)unece.org前往参考资料 ↓在新标签页中打开|137137UN Regulation No. 157: Automated Lane Keeping Systems (ALKS) – Scope and Requirementsunece.org前往参考资料 ↓在新标签页中打开}

2022年6月，UNECE WP.29通过UN R157的修正案，将ALKS的最高设计速度从60 km/h提升至130 km/h，并扩展了适用场景（如允许在更多道路上激活），该修正案于2023年1月生效。^{138138UNECE WP.29 adopts amendments to UN Regulation No. 157 to allow ALKS up to 130 km/hunece.org前往参考资料 ↓在新标签页中打开|139139Amendment to UN Regulation No. 157: Extension of ALKS speed to 130 km/hunece.org前往参考资料 ↓在新标签页中打开}

UN R157是1958年《关于轮式车辆及可安装和/或用于轮式车辆的系统和部件的统一技术规定以及基于这些规定的相互承认批准条件的协定》（简称1958年协定书）框架下的法规，缔约方包括欧盟、日本、韩国等，但中国和美国未加入该协定书。^{1401401958 Agreement - Agreement Concerning the Adoption of Harmonized Technical United Nations Regulations for Wheeled Vehiclesunece.org前往参考资料 ↓在新标签页中打开|141141Contracting Parties to the 1958 Agreementunece.org前往参考资料 ↓在新标签页中打开}

日本于2020年4月成为首个依据UN R157批准L3级自动驾驶车辆（本田Legend）上路的缔约国，该车型于2021年3月上市。^{142142Japan approves Honda Legend for Level 3 automated driving under UN R157reuters.com前往参考资料 ↓在新标签页中打开|143143Honda Legend with Level 3 automated driving approved in Japanglobal.honda前往参考资料 ↓在新标签页中打开}

欧盟于2022年7月实施的《一般安全法规》（EU）2019/2144要求所有新车型必须满足UN R157等自动驾驶相关法规，但欧盟对L3级自动驾驶的批准仍基于UN R157框架。^{144144Regulation (EU) 2019/2144 on type-approval requirements for motor vehicles with respect to their general safetyeur-lex.europa.eu前往参考资料 ↓在新标签页中打开}

UN R157仅覆盖ALKS这一特定功能，不涵盖城市道路或全场景自动驾驶，因此并非全面的L3级自动驾驶法规，其他功能（如自动泊车、城市巡航）仍需单独立法。^{2828UN Regulation No. 157 — Automated Lane Keeping Systems (ALKS)unece.org前往参考资料 ↓在新标签页中打开|137137UN Regulation No. 157: Automated Lane Keeping Systems (ALKS) – Scope and Requirementsunece.org前往参考资料 ↓在新标签页中打开}

UN R157要求车辆配备数据记录系统（DSSAD），用于记录系统激活、接管请求、碰撞等事件，以支持事故调查和责任认定。^{2828UN Regulation No. 157 — Automated Lane Keeping Systems (ALKS)unece.org前往参考资料 ↓在新标签页中打开|137137UN Regulation No. 157: Automated Lane Keeping Systems (ALKS) – Scope and Requirementsunece.org前往参考资料 ↓在新标签页中打开}

2022年8月1日起施行的《深圳经济特区智能网联汽车管理条例》是中国首部针对智能网联汽车的地方性法规，对道路测试、准入登记、使用管理、交通违法与事故责任划分等作出规定，明确有条件自动驾驶和高度自动驾驶的车辆在无驾驶人情况下上路需满足相应条件。^{147147深圳经济特区智能网联汽车管理条例sz.gov.cn前往参考资料 ↓在新标签页中打开}

在标准层面，中国已发布《汽车驾驶自动化分级》（GB/T 40429-2021）推荐性国家标准，将驾驶自动化分为0至5级，为智能网联汽车的产品定义和测试评价提供分级依据。^{148148汽车驾驶自动化分级（GB/T 40429-2021）openstd.samr.gov.cn前往参考资料 ↓在新标签页中打开}

在事故责任方面，中国现行道路交通安全法律体系仍以驾驶人责任为基础，智能网联汽车发生事故时的责任认定尚缺乏全国统一的上位法规定；深圳、北京等地方法规已先行作出探索性规定，但国家层面的专门立法仍在推进中。^{147147深圳经济特区智能网联汽车管理条例sz.gov.cn前往参考资料 ↓在新标签页中打开}

美国对高度自动驾驶（SAE 3-5 级）车辆的测试与部署没有统一的联邦专门立法，规制主要落在各州：各州通过立法、行政规章或政策文件，分别规定是否允许测试与部署、是否需要安全驾驶员、事故报告、许可与保险等要求。^{149149Advanced driver assistance: Highly automated vehicles: laws and regulationsiihs.org前往参考资料 ↓在新标签页中打开|150150美国自动驾驶安全监管的联邦框架和地州实践 Federal Framework and State-Level Practice of Autonomous Driving Safety Regulation in the United Statescppsup.net.cn前往参考资料 ↓在新标签页中打开}

IIHS-HLDI 维护了一份按州汇总的表格，专门梳理各州针对高度自动驾驶车辆测试或部署的法律、法规与政策；该机构同时声明，各州一般机动车法典中的许多条款同样适用，但表格未予收录，且内容不保证实时更新、需独立核实。^{149149Advanced driver assistance: Highly automated vehicles: laws and regulationsiihs.org前往参考资料 ↓在新标签页中打开}

IIHS 指出，高度自动驾驶车辆因创新速度快而难以监管，且自动化等级更高并不必然带来更高的安全性，这一判断构成各州立法时的重要背景。^{149149Advanced driver assistance: Highly automated vehicles: laws and regulationsiihs.org前往参考资料 ↓在新标签页中打开}

在联邦层面，美国至今没有一部综合性自动驾驶监管立法在国会获得通过，现行联邦框架主要由交通部的政策战略与联邦机动车安全标准共同构成，这使州级立法成为实际约束测试与部署的主要规范来源。^{150150美国自动驾驶安全监管的联邦框架和地州实践 Federal Framework and State-Level Practice of Autonomous Driving Safety Regulation in the United Statescppsup.net.cn前往参考资料 ↓在新标签页中打开}

美国各州在推动自动驾驶应用的同时也在强化安全监管，手段包括财政补贴、税收优惠等激励措施，以及事故报告、技术标准等约束性要求，形成激励与监管并行的州级治理格局。^{150150美国自动驾驶安全监管的联邦框架和地州实践 Federal Framework and State-Level Practice of Autonomous Driving Safety Regulation in the United Statescppsup.net.cn前往参考资料 ↓在新标签页中打开}

据美国国家公路交通安全管理局（NHTSA）数据，2024 年 7 月至 2025 年 6 月间，该局分别收到 999 起与 L1、L2 级辅助驾驶车辆相关的事故报告和 870 起与 L3 级及以上自动驾驶车辆相关的事故报告，事故报告制度已成为州与联邦监管的共同抓手。^{150150美国自动驾驶安全监管的联邦框架和地州实践 Federal Framework and State-Level Practice of Autonomous Driving Safety Regulation in the United Statescppsup.net.cn前往参考资料 ↓在新标签页中打开}

自动驾驶的推广同时带来环境可持续性收益与社会公平风险：效率提升可能减少能耗与排放，但就业替代和对弱势群体出行服务的不平等获取构成显著的社会公平关切。^{151151The equity-environmental sustainability nexus in autonomous vehicles: An integrated framework for policy and planning - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开}

针对自动驾驶部署的研究指出，现有文献在“同时优化社会公平与环境可持续性”的整合性政策框架上存在明显空白，政策、社区影响、行为接受度与综合评估方法之间缺乏衔接。^{151151The equity-environmental sustainability nexus in autonomous vehicles: An integrated framework for policy and planning - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开}

有研究提出面向公平且可持续的自动驾驶部署的概念框架，强调自动驾驶技术、政策干预与社会及环境结果之间存在动态相互作用，而非技术单向决定社会后果。^{151151The equity-environmental sustainability nexus in autonomous vehicles: An integrated framework for policy and planning - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开}

在就业影响方面，自动驾驶对驾驶类职业的替代效应是相关研究反复提及的社会公平议题之一，与出行服务可及性不平等并列为自动驾驶社会影响的两类核心关切。^{151151The equity-environmental sustainability nexus in autonomous vehicles: An integrated framework for policy and planning - TRIDtrid.trb.org前往参考资料 ↓在新标签页中打开}

在传统交通事故责任框架下，驾驶员是主要责任主体；但在L3级以上智能驾驶模式下，侵权责任方呈扩大趋势，汽车制造商、软件供应商、基础设施方等都可能成为交通事故的实际责任主体，而现行道路交通安全法规定的交通事故责任主体与民法典规定的产品责任主体均难以完全涵盖这些新主体。^{152152智能网联汽车涉诉纠纷中的法律问题与应对措施-安徽省高级人民法院ahfy.ahcourt.gov.cn前往参考资料 ↓在新标签页中打开}

因车联网通信故障导致的自动驾驶事故中，道路运营商是否需要承担责任，现行法律缺乏明确规定；多主体之间可能存在无意思联络的共同侵权，其责任边界难以厘清，个案中很难确定由哪个或哪几个主体就损害结果承担责任。^{152152智能网联汽车涉诉纠纷中的法律问题与应对措施-安徽省高级人民法院ahfy.ahcourt.gov.cn前往参考资料 ↓在新标签页中打开}

对于L3级以上智能网联汽车因系统缺陷导致交通肇事，是否需要承担刑事责任、承担何种刑事责任，缺乏明确法律依据；安徽省高级人民法院的调研显示，受访法官对此持不同意见。^{152152智能网联汽车涉诉纠纷中的法律问题与应对措施-安徽省高级人民法院ahfy.ahcourt.gov.cn前往参考资料 ↓在新标签页中打开}

2026年8月25日提请十四届全国人大常委会第二十四次会议初次审议的《中华人民共和国道路交通安全法（修订草案）》新增了“自动驾驶汽车的特别规定”专章，此前自动驾驶相关规范多散见于政策文件和部门规章。^{88当汽车从“人开”变成“系统开”，立法如此回应finance.sina.cn前往参考资料 ↓在新标签页中打开}

2026年9月7日，最高人民法院发布《关于依法审理涉人工智能纠纷案件的意见》，专门对自动驾驶汽车、具备辅助驾驶功能汽车发生交通事故后的赔偿责任作出规定。^{88当汽车从“人开”变成“系统开”，立法如此回应finance.sina.cn前往参考资料 ↓在新标签页中打开}

在责任分配的基本立场上，使用辅助驾驶功能的驾驶人负有安全驾驶义务，但这不意味着生产企业可以免除因产品缺陷应当承担的责任；若企业存在错误提示或者误导宣传，仍须依照相应规则评价并承担责任；相应地，车辆具备自动驾驶功能，也不意味着使用人在任何情形下均不承担责任。^{88当汽车从“人开”变成“系统开”，立法如此回应finance.sina.cn前往参考资料 ↓在新标签页中打开}

学界对自动驾驶事故归责模式的讨论已形成专门研究，例如有论文从伦理风险角度分析自动驾驶事故的归责模式与责任规避问题，反映出责任分配在学理上仍是持续讨论的议题。^{153153西华师范大学学报(哲学社会科学版)publish.cnki.net前往参考资料 ↓在新标签页中打开}

自动驾驶汽车在智能城市中被视为移动基础设施的核心组成，但其推广同时带来远超技术部署层面的伦理、社会与监管挑战，数据隐私与网络安全是其中被反复点名的关切领域之一。^{154154Toward Inclusive and Ethical Adoption of Autonomous Vehicles in Smart Urban Environmentsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

有研究以罗尔斯正义论与价值敏感设计（Value-Sensitive Design）为框架，评估自动驾驶融入城市生态的伦理问题，并借助 Cityscapes 数据集的仿真识别出需要重点关注的关切领域，说明隐私与数据治理问题已被纳入规范性伦理评估框架，而不只是工程层面的加固问题。^{154154Toward Inclusive and Ethical Adoption of Autonomous Vehicles in Smart Urban Environmentsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

针对印度自动驾驶可持续性的研究指出，自动驾驶在带来机动性、安全、市场、交通疏解与减排收益的同时，其大规模落地前必须解决若干监管与伦理张力，其中法律规则的不一致被视为首要障碍之一；这类监管碎片化会直接放大跨境数据流动与网络安全责任归属的不确定性。^{155155The Study of Regulatory and Ethical Challenge in the Road of Sustainability of Autonomous Vehicle in Indiaieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

自动驾驶车辆的感知与运行依赖摄像头、激光雷达、毫米波雷达、GNSS 接收机与车联网通信模块，这些传感器持续采集车内外影像、精确位置轨迹与驾驶行为数据，构成与传统汽车截然不同的高粒度数据画像，是隐私争议的直接来源。^{154154Toward Inclusive and Ethical Adoption of Autonomous Vehicles in Smart Urban Environmentsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

车联网协同感知要求车辆与路侧单元、云平台之间持续交换位置、感知目标与意图信息，扩大了攻击面：一旦通信链路或云端平台被攻破，影响可能从单车扩展到路段乃至车队级别，因此网络安全在自动驾驶语境下同时是功能安全问题。^{155155The Study of Regulatory and Ethical Challenge in the Road of Sustainability of Autonomous Vehicle in Indiaieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

现有文献普遍把隐私与网络安全列为自动驾驶社会接受度的关键影响因素，但不同法域在数据分类、留存期限、事故数据取证与责任分配上的规则并不统一，这种不一致本身被研究者视为阻碍规模化部署的监管挑战。^{155155The Study of Regulatory and Ethical Challenge in the Road of Sustainability of Autonomous Vehicle in Indiaieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

自动驾驶的「长尾场景」指发生频率极低、但种类近乎无穷的极端与边缘情形，包括极端天气导致传感器失效、突发交通事件超出预测、弱势交通参与者（行人、自行车）的不可预知行为等；这些情形构成单车智能从特定场景走向全域普及的主要障碍。^{156156为“聪明的车”重造“聪明的路”news.ifeng.com前往参考资料 ↓在新标签页中打开}

即便装备了摄像头、激光雷达、毫米波雷达等顶级感知硬件，单车的感知范围仍存在物理局限，例如高大货车遮挡红绿灯、急弯后静止的事故车、恶劣天气下被污损的交通标识，这类遮挡与视距受限是长尾场景的典型来源。^{156156为“聪明的车”重造“聪明的路”news.ifeng.com前往参考资料 ↓在新标签页中打开}

美国国家公路交通安全管理局（NHTSA）披露的数据显示，约94%的严重交通事故与人为错误有关，其中感知失误是主要原因之一；而机器的感知在特定场景下可能比人类更脆弱，这意味着长尾场景中的感知失效风险不容低估。^{156156为“聪明的车”重造“聪明的路”news.ifeng.com前往参考资料 ↓在新标签页中打开}

应对长尾场景的一条主要技术路线是车路云一体化：通过数字化、网联化的道路基础设施提供超视距感知与全局交通态势，弥补单车智能的视觉盲区与认知局限，从而把「单车孤岛智能」扩展为车路协同的系统能力。^{156156为“聪明的车”重造“聪明的路”news.ifeng.com前往参考资料 ↓在新标签页中打开}

车路云一体化路线涉及万亿级投资，被描述为城市交通系统的「基因重组」，其推进不仅是技术问题，也是涉及道路基础设施大规模改造的社会工程学实践。^{156156为“聪明的车”重造“聪明的路”news.ifeng.com前往参考资料 ↓在新标签页中打开}

随着L3及以上高级别智能驾驶逐步临近落地，车端「智慧」被认为已逼近天花板，单靠车端算法与算力迭代难以覆盖长尾场景的全部情形，这使长尾问题成为制约无人驾驶全域普及的关键瓶颈。^{156156为“聪明的车”重造“聪明的路”news.ifeng.com前往参考资料 ↓在新标签页中打开}

车百会研究院理事长张永伟表示，过去两年高阶自动驾驶的整体成本下降了40%至60%，此前主要搭载于高端车型的智能驾驶功能正加速渗透到十几万元级的主流车型市场。^{157157自动驾驶驶向规模化前夜，安全与商业化成关键一跃rss.jingjiribao.cn前往参考资料 ↓在新标签页中打开|158158自动驾驶驶向规模化前夜 安全与商业化成关键一跃__经济网_国家一类新闻网站ceweekly.cn前往参考资料 ↓在新标签页中打开}

随着软硬件成本下探，智能驾驶正从少数车型的配置卖点，转变为更多用户可实际体验的基础功能，这是自动驾驶走向量产普及的前提条件之一。^{157157自动驾驶驶向规模化前夜，安全与商业化成关键一跃rss.jingjiribao.cn前往参考资料 ↓在新标签页中打开|158158自动驾驶驶向规模化前夜 安全与商业化成关键一跃__经济网_国家一类新闻网站ceweekly.cn前往参考资料 ↓在新标签页中打开}

在第二届自动驾驶产业发展论坛上，多位行业人士认为自动驾驶已不再是单一技术竞赛，而是集技术成熟度、成本可控性、标准法规等多维度于一体的系统工程，成本可控性被列为规模化的核心维度之一。^{157157自动驾驶驶向规模化前夜，安全与商业化成关键一跃rss.jingjiribao.cn前往参考资料 ↓在新标签页中打开|158158自动驾驶驶向规模化前夜 安全与商业化成关键一跃__经济网_国家一类新闻网站ceweekly.cn前往参考资料 ↓在新标签页中打开}

行业普遍认为，自动驾驶产业要真正跨过规模化门槛，需要回答“能不能安全运行”“能不能形成商业闭环”“能不能在监管框架下持续迭代”三道核心问题，其中商业闭环直接取决于成本与量产规模。^{157157自动驾驶驶向规模化前夜，安全与商业化成关键一跃rss.jingjiribao.cn前往参考资料 ↓在新标签页中打开|158158自动驾驶驶向规模化前夜 安全与商业化成关键一跃__经济网_国家一类新闻网站ceweekly.cn前往参考资料 ↓在新标签页中打开}

中国汽车工业协会资料显示，2026年我国L2级辅助驾驶新车渗透率有望达到较高水平，城市NOA渗透率也在持续提升；但不同机构的统计口径存在差异，具体数值不宜直接横向比较。^{157157自动驾驶驶向规模化前夜，安全与商业化成关键一跃rss.jingjiribao.cn前往参考资料 ↓在新标签页中打开|158158自动驾驶驶向规模化前夜 安全与商业化成关键一跃__经济网_国家一类新闻网站ceweekly.cn前往参考资料 ↓在新标签页中打开}

自动驾驶对数据、算力、网络、传感器、执行器和整车平台提出一体化要求，产业边界不断被打破，竞争从车企自身的技术升级演变为智能汽车产业生态综合实力的比拼，这意味着量产成本的控制需要跨产业链协同而非单点降本。^{157157自动驾驶驶向规模化前夜，安全与商业化成关键一跃rss.jingjiribao.cn前往参考资料 ↓在新标签页中打开|158158自动驾驶驶向规模化前夜 安全与商业化成关键一跃__经济网_国家一类新闻网站ceweekly.cn前往参考资料 ↓在新标签页中打开}

Robotaxi、无人重卡、自动泊车、园区接驳等场景正在加速验证，但越接近高阶自动驾驶，对安全验证、责任边界、数据闭环、测试认证和监管协同的要求越高，这些非硬件成本构成了量产之外的另一重门槛。^{157157自动驾驶驶向规模化前夜，安全与商业化成关键一跃rss.jingjiribao.cn前往参考资料 ↓在新标签页中打开|158158自动驾驶驶向规模化前夜 安全与商业化成关键一跃__经济网_国家一类新闻网站ceweekly.cn前往参考资料 ↓在新标签页中打开}

自动驾驶系统需要在严格的功耗、存储和环境约束下，实时完成感知、推理、决策与控制，因此智能芯片的算力与能效是支撑其安全、可靠运行的核心底座。^{159159电子学院彭练矛、姜建峰联合国内外59位学者提出下一代智能芯片跨层协同发展路径-北京大学新闻网news.pku.edu.cn前往参考资料 ↓在新标签页中打开}

智能网联汽车与具身机器人、低空飞行器等自主系统被归为同一类受功耗与实时性约束的物理世界智能系统，其芯片需求强调高性能、高能效与高可靠三者的协同，而非单纯追求峰值算力。^{159159电子学院彭练矛、姜建峰联合国内外59位学者提出下一代智能芯片跨层协同发展路径-北京大学新闻网news.pku.edu.cn前往参考资料 ↓在新标签页中打开}

面向自动驾驶等自主系统的下一代智能芯片，学界提出的路径是跨层协同发展，即从器件、电路、架构到算法与系统的多个层次联合优化，而非仅在单一层次上做缩放。^{159159电子学院彭练矛、姜建峰联合国内外59位学者提出下一代智能芯片跨层协同发展路径-北京大学新闻网news.pku.edu.cn前往参考资料 ↓在新标签页中打开}

车载算力平台的能耗约束直接来自供电与散热条件：车辆在有限电池容量与封闭散热环境下运行，算力提升会同时抬高功耗与热设计压力，形成算力—功耗—散热的耦合瓶颈。^{159159电子学院彭练矛、姜建峰联合国内外59位学者提出下一代智能芯片跨层协同发展路径-北京大学新闻网news.pku.edu.cn前往参考资料 ↓在新标签页中打开}

自动驾驶算力需求的一个结构性矛盾在于：车端算力必须在确定的功耗与成本上限内满足实时性，而模型规模与传感器数据量仍在增长，二者之间的缺口难以靠单一代际的制程进步填补。^{159159电子学院彭练矛、姜建峰联合国内外59位学者提出下一代智能芯片跨层协同发展路径-北京大学新闻网news.pku.edu.cn前往参考资料 ↓在新标签页中打开}