低速自動駕駛在技術上有什么側重點？

[首發于智駕最前沿微信公眾號]最近有一位小伙伴提出：一直說無人駕駛難實現，但已經有很多無人快遞車和無人送餐車投入使用了，他們不是無人駕駛嗎？對于這個問題，智駕最前沿想說的是，對于乘用車要求的高速自動駕駛和無人快遞車這類的低速自動駕駛，在技術上是趨同的，但并不完全一致。

圖片源自：網絡

乘用車的高速自動駕駛要面對的是載人的出行場景，速度高、路況多變、駕駛員和乘客的安全感和舒適性是設計核心。而送外賣、送快遞的低速無人車只是在封閉或半封閉的運營區域里跑末端配送，車速低、運行邊界更受限，但它會頻繁和大量的行人、騎行者、樓道門口、路邊送貨點打交道。簡單類比就可以發現，高速自動駕駛追求的是“以速度換時間、以復雜性換效率”，而低速無人車的挑戰更偏向“在低速、密集交互環境里保證高度可預測與魯棒的行為”。

兩者的使用要求及場景決定了兩者的設計目標和優先級不同。乘用車需要在高速公路、城市主干道等處以高速度處理遠距離感知、長時稀疏但高危的事件；低速無人車則要把注意力放在近距離、細節豐富、頻繁的交互上。這些差異會直接影響傳感器選擇、算法側重、系統冗余與安全驗證策略。

感知與定位的不同

低速無人車的感知體系與乘用車有共同點，但側重點不一樣。對于乘用車來說，長距離探測（如遠處車輛、匝道入侵）和高速下的可靠跟蹤至關重要，因此激光雷達的探測距離、毫米波雷達的穿透能力、攝像頭在高速運動下的圖像穩定性都是技術重視點。

低速無人車則看重近距離的細節感知和小目標識別，像是小孩子突然從車后探出、門口臺階、外賣取餐箱前有沒有障礙物等，都是低速無人車在行駛時需要考慮的，這些都要求在短距離內做到非常精細的檢測和語義理解。

圖片源自：網絡

在定位要求上，兩者的需求也不同。乘用車在高速和復雜道路上常依賴高精地圖（HD Map）+差分GPS+慣性導航做冗余定位，而低速無人車常在GPS劣勢區域（城市樓宇縫隙、室內院落、地下通道）活動，這就要求更強的視覺/激光SLAM、本地執行級別的閉環定位和基于語義的定位（例如“第二棟樓西門”而不是一個經緯度（參數丨圖片）點）。由于低速無人車體積小、輪廓與載貨結構多變，車底特征、輪廓匹配等都是提高定位穩定性的可用信息源。

兩者傳感器布局與成本也有不同考量。低速無人車為了壓縮成本和提升續航，在傳感器數量與規格上會比乘用車輕量，但會更注重在關鍵位置的冗余與多模態覆蓋。相比之下，乘用車更傾向于高端長距激光雷達、更多高清攝像頭與強算力中樞。

決策、規劃與控制的不同

乘用車自動駕駛系統需要在毫秒到幾百毫秒級別對高速變化做出反應，規劃出兼顧舒適與安全的路徑，這就涉及到高階預測（比如預測對向車輛會不會突然變線）和大尺度車道級規劃的內容。低速無人車的控制頻率雖然沒那么高，但必須把“人與環境的社會規范”理解得更細致。它不能只是按靜態規則避障，還要處理復雜的人-車互動，送餐員把餐放下后短暫停靠，行人繞車不按人行道走，寵物跑出來追車等場景，都要求其應采取更保守、更可解釋的行為策略。

低速無人車的路徑多是“點到點、最后一公里”的精細機動，軌跡會涉及窄道倒車、低速轉彎、在人行道邊短暫停靠等。這要求軌跡生成器對空間約束和動力學約束更敏感，同時更重視穩定停靠、重復性好和對非結構化環境的適應能力。乘用車則需要兼顧車道變換、超車、匝道合流等復雜場景，規劃器需要做更大膽的空間利用與時間窗規劃。

圖片源自：網絡

低速無人車允許更大的制動裕度和更慢的響應曲線，但要求低速下能夠保持低抖動、高定位精度（比如在取貨點精確停車到指定投放點），因此控制器在低速區要解決摩擦力變化、地形不平與頻繁啟停帶來的動力學非線性問題。乘用車在高速下則更關注穩定性、高速轉向的橫向耦合、以及在極限工況下的車輛動力學控制（ESP、ABS等融合）等內容。

由于低速無人車經常與普通行人近距離互動，運營方和監管方需要判斷車輛為什么在某個地點停下、為什么繞行，這就要求在設計上采用更顯式的規則集、行為樹或可審計的決策日志，而不是采用純粹的黑盒深度模型。乘用車領域雖然也在重視可解釋性，但在決策的復雜度與實時性壓力下，更多還是靠大模型和端到端方法去提升性能。

運營與監管的不同

低速無人車采取落地路徑是“設備化”的大量部署，單車造價要低、維護成本要可控、能形成標準化的模塊化硬件和云端運維體系。送貨/快遞業務看重的是每輛車的單位成本和單次配送的效率，因此硬件選型、續航與充電策略、車體防護、以及抗破壞設計都要在成本與可靠性之間權衡。乘用車自動駕駛更像是“高端產品”，每臺車的傳感器和算力預算高，應更注重用戶體驗與舒適性。

在運營方面，低速無人車采用集中式調度與云端路線下發，并且大量依賴遠程監控與人工接管。這類車在遇到未預見情形時會要求能快速連上遠程操作者做輔助駕駛或半自動遙控，遠程干預和人工回滾流程是運營安全體系的一部分。乘用車領域的遠程介入比例相對較低，更多是通過車內冗余系統自動應對極端情況，或者在部分場景下要求駕駛員介入。

由于使用場景的不同，兩者的規模化測試與驗證也不同。乘用車自動駕駛要在千萬公里、跨地區的復雜路況下驗證系統的全面性，會采用大量實車里程+仿真的方式，確保系統穩定。低速無人車的運營區域明確、ODD（Operational Design Domain）受限，這就要求更集中、更可控的閉環驗證。當然，對于低速無人車來說，同一地區內的微觀變化（路邊攤位置、臨時圍擋、快遞柜搬遷）可能對系統產生影響，這就需要頻繁的場景回歸測試與在線學習機制支持。數據標注和場景重放在低速車隊運營中尤為重要，短距離高頻次的交互回產生大量有價值的小樣本異常，這就需要高效的數據流處理和場景檢索能力。

圖片源自：網絡

安全與可靠性工程（SRE）在兩者之間也有側重差異。乘用車自動駕駛在安全上更強調車內安全冗余、功能安全（如ISO 26262）和系統級的失效機理分析；低速無人車除了要滿足基本的功能安全外，更需要在聯網安全、物理安全（防破壞、防篡改）、以及運營等方面的安全策略上投入更多資源。

用戶交互與社會接受度的不同

低速無人車面對的是用戶取餐、取貨的場景，這就帶來了如何讓用戶在指定地點能順利取到物品，如何在車輛附近安全地與行人溝通（例如通過燈光、屏幕或語音提示車輛即將離開），如何解決無人車被別人誤拿貨品的風險等許多人機交互的細節問題，這些都不是純技術問題，而是要技術+流程+產品設計進行結合。

小區、街道、行人的認知也會影響低速無人車系統的設計。和乘用車相比，低速無人車更需要“被理解”，社區內的人可能不知道這是一輛無人車，會好奇圍觀、觸碰或試圖攔車，系統需要設計防范與教育機制，如提供清晰的標識、合適的聲音提醒、以及異常接觸時的安全停靠邏輯。運營方通常還需要與社區、物業、城市管理部門建立溝通渠道，形成可接受的運營規范。

乘用車的長尾問題主要出現在稀有高危事件，驗證要靠海量里程與場景合成來逼近極端情形。低速無人車則更多面對如臨時占道、裸露電纜、小范圍施工、臨時擺攤等頻繁但多樣的小異常，這些場景在仿真里需要更精細的語義豐富度。低速車隊部署后還會產生海量近場交互數據，如何高效抽取、標注、回放并用來在線或離線改進模型是運營效率的關鍵。

圖片源自：網絡

為確保低速無人車的正常使用，需在小區、樓道等近距離場景采集大量含有個人信息的視頻與傳感器數據，運營方需要合規地進行脫敏、存儲和使用。乘用車同樣面臨隱私問題，但低速無人車的采集頻率和地點更靠近個人活動空間，敏感性會更高。

最后的話

乘用車自動駕駛的難點在于高速、遠距和場景廣泛性；低速無人車的難點在于近距交互、運營規模化和社會適應性。前者需要更強的遠距感知能力、更復雜的動態預測和更嚴苛的功能安全認證；后者則需要細致的近場語義理解、更完善的運營化工具、以及對社會行為的耐心適配。