產(chǎn)學(xué)研用多方對(duì)話(huà)：低速無(wú)人駕駛的技術(shù)突圍與場(chǎng)景進(jìn)階之道

發(fā)布時(shí)間：2025-07-16 10:44:35來(lái)源：低速無(wú)人駕駛產(chǎn)業(yè)聯(lián)盟作者：茜茜

2025年7月3日，由低速無(wú)人駕駛產(chǎn)業(yè)聯(lián)盟主辦，新戰(zhàn)略低速無(wú)人駕駛?cè)襟w、新戰(zhàn)略低速無(wú)人駕駛產(chǎn)業(yè)研究所承辦的“2025(第五屆)低速無(wú)人駕駛場(chǎng)景生態(tài)共建拓展大會(huì)”在杭州盛大舉行！

本次大會(huì)特設(shè)2場(chǎng)圓桌論討，邀請(qǐng)了學(xué)術(shù)專(zhuān)家、主流企業(yè)代表、產(chǎn)業(yè)研究學(xué)者等多方對(duì)話(huà)，從“前瞻技術(shù)”和“市場(chǎng)探索”雙角度，圍繞數(shù)個(gè)核心熱點(diǎn)話(huà)題，深度探討了低速無(wú)人駕駛產(chǎn)業(yè)發(fā)展的當(dāng)下與未來(lái)。

其中，圓桌論壇一（技術(shù)前瞻）由低速無(wú)人駕駛產(chǎn)業(yè)聯(lián)盟副主席、海神機(jī)器人創(chuàng)始人&董事長(zhǎng)于明坤主持。

特邀嘉賓：

麥迪克智行汽車(chē)董事長(zhǎng)/吉林大學(xué)汽車(chē)工程學(xué)院教授靳立強(qiáng)

盟識(shí)科技副總裁沈俊

中科智馳董事長(zhǎng) 江如海

昆明理工大學(xué)副教授/未來(lái)交通創(chuàng)新研究院執(zhí)行院長(zhǎng) 沈世全

華中科技大學(xué)人工智能與自動(dòng)化學(xué)院教授陶文兵

盈峰環(huán)境智能技術(shù)中心副主任、博士方小永

低速無(wú)人駕駛產(chǎn)業(yè)聯(lián)盟副主席、海神機(jī)器人創(chuàng)始人&董事長(zhǎng)于明坤

隨著人工智能、大模型技術(shù)與自動(dòng)駕駛算法的快速發(fā)展，低速無(wú)人駕駛作為率先落地的場(chǎng)景之一，正站在產(chǎn)業(yè)化的關(guān)鍵拐點(diǎn)。本次圓桌邀請(qǐng)六位來(lái)自產(chǎn)業(yè)界與學(xué)術(shù)界的重量級(jí)嘉賓，圍繞“突破感知與決策瓶頸”與“聚焦AI技術(shù)與大模型應(yīng)用，實(shí)現(xiàn)技術(shù)降本”兩大議題展開(kāi)深度探討，洞察低速無(wú)人駕駛系統(tǒng)的核心演進(jìn)路徑與未來(lái)創(chuàng)新方向。

突破感知與決策瓶頸：下一代低速無(wú)人駕駛系統(tǒng)的核心技術(shù)融合與演進(jìn)自動(dòng)駕駛系統(tǒng)通常由多個(gè)技術(shù)模塊構(gòu)成，包括環(huán)境感知、精準(zhǔn)定位、決策規(guī)劃、控制執(zhí)行、高精地圖、車(chē)聯(lián)網(wǎng)協(xié)同等。在這些模塊中，感知與決策是整個(gè)系統(tǒng)中最復(fù)雜、最核心，也是目前技術(shù)突破難度最大的兩大環(huán)節(jié)。它們直接決定了自動(dòng)駕駛系統(tǒng)所能達(dá)到的智能等級(jí)和安全邊界。如何提升傳感器融合的效率，如何優(yōu)化決策系統(tǒng)在復(fù)雜場(chǎng)景下的穩(wěn)定性，也是企業(yè)重點(diǎn)關(guān)注的方向。同時(shí)，業(yè)界在探索各種技術(shù)路徑，包括輕量化多傳感器融合方案、基于AI大模型的感知增強(qiáng)、決策與感知協(xié)同優(yōu)化、云端算法迭代更新等。這些探索正在推動(dòng)技術(shù)走出實(shí)驗(yàn)室，邁向更廣泛、更復(fù)雜的真實(shí)場(chǎng)景應(yīng)用。盟識(shí)科技副總裁沈俊

盟識(shí)科技副總裁沈俊表示盟識(shí)科技專(zhuān)注于無(wú)人礦山領(lǐng)域，盟識(shí)的初衷不僅是用技術(shù)替代人力，更希望通過(guò)智能化手段在整個(gè)產(chǎn)業(yè)鏈中創(chuàng)造更大價(jià)值。特別是在國(guó)家關(guān)鍵礦產(chǎn)資源的開(kāi)采環(huán)節(jié)，公司致力于通過(guò)自動(dòng)化與智能化提升其安全性、效率與可持續(xù)性。圍繞這一目標(biāo)，盟識(shí)構(gòu)建了面向礦山場(chǎng)景的無(wú)人駕駛平臺(tái)，不僅解決了礦區(qū)“缺人、少人”的現(xiàn)實(shí)問(wèn)題，更重要的是推動(dòng)礦產(chǎn)資源開(kāi)采向著更加安全、高效、持續(xù)的方向發(fā)展。
麥迪克智行汽車(chē)董事長(zhǎng)/吉林大學(xué)汽車(chē)工程學(xué)院教授靳立強(qiáng)

麥迪克智行汽車(chē)董事長(zhǎng)/吉林大學(xué)汽車(chē)工程學(xué)院教授靳立強(qiáng)在談感知與決策時(shí)，表示當(dāng)前企業(yè)往往只關(guān)注算法本身，卻忽視了決策必須以車(chē)輛動(dòng)態(tài)性能為前提這一根本事實(shí)。當(dāng)前低速無(wú)人車(chē)大多沿用傳統(tǒng)商用底盤(pán)或工程裝備的設(shè)計(jì)邏輯，其制動(dòng)、加速和轉(zhuǎn)向能力并不匹配自動(dòng)駕駛決策的需求，導(dǎo)致算法“想得快、動(dòng)得慢”。
他以某個(gè)港口啟用無(wú)人轉(zhuǎn)運(yùn)車(chē)將出口整車(chē)從堆場(chǎng)運(yùn)往泊位為例，以無(wú)人車(chē)運(yùn)輸雖然降低了人力成本，但速度緩慢，而船舶靠泊按小時(shí)計(jì)費(fèi)，整體運(yùn)營(yíng)成本反而上升。問(wèn)題不在算法，而在“底盤(pán)不對(duì)、決策受限”：這些無(wú)人車(chē)的制動(dòng)系統(tǒng)按工程機(jī)械標(biāo)準(zhǔn)開(kāi)發(fā)，無(wú)法實(shí)現(xiàn)乘用車(chē)級(jí)的快速制動(dòng)。我的觀點(diǎn)是，低速無(wú)人駕駛沒(méi)有必要照搬傳統(tǒng)底盤(pán)。面向場(chǎng)景的輕量化、模塊化底盤(pán)能顯著提升制動(dòng)與動(dòng)力響應(yīng)，為決策算法釋放更大空間——只需處理核心的六自由度車(chē)輛運(yùn)動(dòng)，就能避免許多原本無(wú)法規(guī)避的風(fēng)險(xiǎn)。換言之，感知決策的突破不能脫離車(chē)輛本體的重新設(shè)計(jì)。只有讓硬件與算法協(xié)同演進(jìn)，低速無(wú)人駕駛才能真正做到高效、安全、低成本落地。盈峰環(huán)境智能技術(shù)中心副主任、博士方小永

盈峰環(huán)境智能技術(shù)中心副主任、博士方小永則從技術(shù)的角度為我們分析了兩條自動(dòng)駕駛主流技術(shù)路線(xiàn)：即以特斯拉為代表的視覺(jué)主導(dǎo)（端到端）路線(xiàn)，外界常稱(chēng)其為“純視覺(jué)”，其實(shí)更準(zhǔn)確的說(shuō)法是“視覺(jué)主導(dǎo) + 端到端深度學(xué)習(xí)”。車(chē)輛直接處理攝像頭視頻，通過(guò)大模型從數(shù)據(jù)中學(xué)習(xí)駕駛決策，盡可能減少人為規(guī)則干預(yù)。以及絕大多數(shù)企業(yè)仍采用“感知決策控制執(zhí)行”的分層框架，典型代表百度開(kāi)源的Apollo。該框架用多傳感器融合做感知，再按人工設(shè)計(jì)規(guī)則進(jìn)行決策與控制。

傳統(tǒng)框架的瓶頸在于高度依賴(lài)手工規(guī)則：車(chē)輛交付后，研發(fā)團(tuán)隊(duì)仍需不斷回收數(shù)據(jù)、修補(bǔ)規(guī)則來(lái)應(yīng)對(duì)新場(chǎng)景——這也是為什么“服務(wù)”往往被迫成為產(chǎn)品的一部分。相比之下，端到端大模型通過(guò)對(duì)海量視頻數(shù)據(jù)的持續(xù)學(xué)習(xí)，直接形成安全駕駛策略。例如遇到障礙物時(shí)，它不是按工程師預(yù)設(shè)的規(guī)則“如果那么”避障，而是像人類(lèi)司機(jī)一樣基于經(jīng)驗(yàn)做出最合適的動(dòng)作。這種自學(xué)習(xí)能力讓系統(tǒng)更容易泛化到陌生環(huán)境。

他認(rèn)為，隨著大模型能力的快速提升，端到端自動(dòng)駕駛技術(shù)可能是突破當(dāng)前感知決策瓶頸、從根本上提升自動(dòng)駕駛可靠性與效率的關(guān)鍵路徑。
中科智馳董事長(zhǎng) 江如海

中科智馳董事長(zhǎng)&總經(jīng)理江如海提到，作為最早一批布局大模型技術(shù)的企業(yè)，中科智馳已聯(lián)合中科院推出了“驍行動(dòng)力”多模態(tài)端到端智駕大模型，探索新一代智能決策路徑。
他認(rèn)為，當(dāng)前自動(dòng)駕駛決策端的提升主要依賴(lài)于大數(shù)據(jù)與模型訓(xùn)練，但感知端仍受制于傳感器物理極限與樣本稀缺。例如在真實(shí)場(chǎng)景中，無(wú)人車(chē)常難以區(qū)分不同類(lèi)型的路面，甚至在高速上識(shí)別錐筒也會(huì)出錯(cuò)，這反映出傳統(tǒng)感知手段的局限性。行業(yè)正在嘗試“車(chē)路云一體化”，但基礎(chǔ)設(shè)施成本高，落地難度大。未來(lái)感知與決策的技術(shù)突破應(yīng)以“場(chǎng)景定義先行”為核心，結(jié)合多模態(tài)大模型進(jìn)行有針對(duì)性的能力構(gòu)建，而非追求一套通用方案。端到端架構(gòu)、多模態(tài)融合、強(qiáng)化學(xué)習(xí)等先進(jìn)方法，將成為提升低速無(wú)人駕駛安全性和泛化能力的重要方向。昆明理工大學(xué)副教授/未來(lái)交通創(chuàng)新研究院執(zhí)行院長(zhǎng) 沈世全

昆明理工大學(xué)副教授/未來(lái)交通創(chuàng)新研究院執(zhí)行院長(zhǎng)沈世全指出，低速無(wú)人駕駛與乘用車(chē)自動(dòng)駕駛應(yīng)區(qū)分對(duì)待。由于速度低、場(chǎng)景相對(duì)可控，低速無(wú)人車(chē)對(duì)感知、決策、規(guī)劃等系統(tǒng)的性能要求相對(duì)較低，更應(yīng)關(guān)注成本控制與方案實(shí)用性。
但一旦進(jìn)入城市末端物流、鄉(xiāng)村道路等非結(jié)構(gòu)化場(chǎng)景，感知復(fù)雜度甚至超過(guò)乘用車(chē)，對(duì)系統(tǒng)能力提出更高要求。此時(shí)雖然端到端具備潛力，但受限于數(shù)據(jù)稀缺和泛化能力，目前尚難支撐大規(guī)模落地。從決策層面看，低速無(wú)人車(chē)在大多數(shù)場(chǎng)景下已有較為成熟的決策方案。未來(lái)，隨著人工智能與多智能體協(xié)同技術(shù)的發(fā)展，其在復(fù)雜動(dòng)態(tài)環(huán)境下的交互能力也有望進(jìn)一步提升。華中科技大學(xué)人工智能與自動(dòng)化學(xué)院教授陶文兵

華中科技大學(xué)人工智能與自動(dòng)化學(xué)院教授陶文兵認(rèn)為，低速無(wú)人駕駛不能簡(jiǎn)單照搬乘用車(chē)的端到端大模型方案，而應(yīng)結(jié)合行業(yè)特色，設(shè)計(jì)針對(duì)性的數(shù)據(jù)采集和模型優(yōu)化策略，提升系統(tǒng)性能與可靠性。
他強(qiáng)調(diào)，低速場(chǎng)景對(duì)感知和決策的實(shí)時(shí)性要求較低，因此算法復(fù)雜度可以適當(dāng)降低，可靠性反而更易保證。相比高速環(huán)境，低速無(wú)人駕駛在成本控制上也更具優(yōu)勢(shì)，不必依賴(lài)昂貴的芯片和算力。
不過(guò)，低速無(wú)人駕駛的應(yīng)用場(chǎng)景往往更為特殊且復(fù)雜，例如垃圾清掃、無(wú)人配送等涉及多功能、多任務(wù)的操作，對(duì)感知模型提出更高要求。特別是在無(wú)車(chē)道線(xiàn)、小區(qū)、地下車(chē)庫(kù)等復(fù)雜、無(wú)GPS信號(hào)的環(huán)境中，定位和導(dǎo)航成為挑戰(zhàn)。此外，極端天氣和惡劣環(huán)境下的感知與避障能力也是關(guān)鍵瓶頸。

聚焦AI技術(shù)與大模型應(yīng)用，實(shí)現(xiàn)技術(shù)降本

隨著低速無(wú)人駕駛技術(shù)應(yīng)用場(chǎng)景的不斷深入，數(shù)據(jù)規(guī)模也在持續(xù)增長(zhǎng)，推動(dòng)技術(shù)逐步革新。大模型的核心價(jià)值之一，就是通過(guò)技術(shù)創(chuàng)新降低整體成本。在人工智能產(chǎn)業(yè)落地過(guò)程中，通用模型與垂直領(lǐng)域模型正逐漸形成協(xié)同運(yùn)營(yíng)的模式。同時(shí)，深度生成式AI也變得更加“接地氣”，逐步從概念走向?qū)嶋H生產(chǎn)力，越來(lái)越多企業(yè)開(kāi)始關(guān)注如何利用AI大模型降低技術(shù)和應(yīng)用的門(mén)檻。同時(shí)，AI大模型雖然能推動(dòng)制造業(yè)等產(chǎn)業(yè)的智能升級(jí)，但在落地過(guò)程中仍面臨數(shù)據(jù)安全、模型泛化能力不足等挑戰(zhàn)。“大模型正成為推動(dòng)應(yīng)用落地的關(guān)鍵力量”，華中科技大學(xué)人工智能與自動(dòng)化學(xué)院教授陶文兵首先肯定了大模型對(duì)于智能駕駛乃至自動(dòng)駕駛發(fā)展的重要性，當(dāng)前，越來(lái)越多企業(yè)通過(guò)收集語(yǔ)言、語(yǔ)音、視頻乃至三維空間數(shù)據(jù)來(lái)訓(xùn)練大模型，這已成為不可逆轉(zhuǎn)的趨勢(shì)。他建議，針對(duì)低速無(wú)人駕駛場(chǎng)景，企業(yè)應(yīng)充分利用場(chǎng)景的可控性和細(xì)分性。不同領(lǐng)域如礦山、港口等，實(shí)際上可以用更少的數(shù)據(jù)和資源，訓(xùn)練專(zhuān)用的小型大模型，這對(duì)成本控制非常有利。傳統(tǒng)無(wú)人駕駛需要大量實(shí)地?cái)?shù)據(jù)采集，成本高昂，尤其對(duì)中小企業(yè)來(lái)說(shuō)幾乎難以承受。但在大模型時(shí)代，生成式AI技術(shù)能夠合成各種訓(xùn)練數(shù)據(jù)，如具身智能事件模型，幫助我們?cè)跀?shù)據(jù)不足時(shí)通過(guò)合成數(shù)據(jù)進(jìn)行模型訓(xùn)練。這為低速無(wú)人駕駛前期減少數(shù)據(jù)采集成本提供了有效手段，也帶來(lái)了門(mén)檻的大幅降低。麥迪克智行汽車(chē)董事長(zhǎng)/吉林大學(xué)汽車(chē)工程學(xué)院教授靳立強(qiáng)則對(duì)當(dāng)前智能駕駛大模型的應(yīng)用持比較謹(jǐn)慎的態(tài)度。雖然大模型已經(jīng)深刻改變了我們的生活和工作方式，但在無(wú)人駕駛領(lǐng)域，尤其是智駕大模型的成熟和普及，還還有很長(zhǎng)的路要走。他結(jié)合自己試乘國(guó)內(nèi)頭部企業(yè)智能駕駛車(chē)輛的經(jīng)驗(yàn)，表示現(xiàn)階段智能駕駛系統(tǒng)依然面臨認(rèn)知世界的巨大挑戰(zhàn)，智能駕駛大模型的完善還有許多技術(shù)難點(diǎn)需要突破。盈峰環(huán)境智能技術(shù)中心副主任、博士方小永結(jié)合自身在環(huán)衛(wèi)領(lǐng)域的經(jīng)驗(yàn)，剖析當(dāng)前大模型的實(shí)際應(yīng)用層次：第一層，是像OpenAI或國(guó)內(nèi)頭部企業(yè)這種具備全棧訓(xùn)練能力、能深度調(diào)參的團(tuán)隊(duì)，他們真正用到了大模型的“靈魂”；第二層，是具備一定技術(shù)能力，能對(duì)部分參數(shù)進(jìn)行微調(diào)的企業(yè)，這類(lèi)還屬于少數(shù)；第三層，絕大多數(shù)企業(yè)僅使用開(kāi)源模型進(jìn)行簡(jiǎn)單調(diào)用，沒(méi)有深入優(yōu)化，嚴(yán)格意義上這還稱(chēng)不上是“生產(chǎn)級(jí)”應(yīng)用。以環(huán)衛(wèi)行業(yè)為例，模型的落地應(yīng)用必須考慮“低速、高頻、強(qiáng)作業(yè)”三個(gè)特點(diǎn)。環(huán)衛(wèi)車(chē)不僅需要自主行駛，還必須精準(zhǔn)、高效地執(zhí)行清掃等作業(yè)任務(wù)，作業(yè)動(dòng)作頻繁，對(duì)系統(tǒng)實(shí)時(shí)性和穩(wěn)定性要求極高。
因此，大模型不能一蹴而就地“接管”全部流程，但可以局部賦能，例如在感知模塊中引入大模型提升識(shí)別精度與泛化能力。問(wèn)題在于，當(dāng)前大模型需要強(qiáng)大算力，若部署在云端，又必須解決時(shí)延與通信穩(wěn)定性問(wèn)題；若部署在車(chē)端，則對(duì)芯片能力和系統(tǒng)協(xié)同優(yōu)化提出極高要求。
相對(duì)于前瞻性布局未來(lái)10年大模型芯片需求的企業(yè)，我們當(dāng)前仍處于探索階段。這說(shuō)明，唯有實(shí)現(xiàn)端、云、邊在算法與算力層的深度協(xié)同，智能駕駛的大模型應(yīng)用才能真正落地并降本增效。

中科智馳董事長(zhǎng)&總經(jīng)理江如海提出：初創(chuàng)公司要將有限資源用在最關(guān)鍵的“刀刃”上，將AI視為“工具型能力”來(lái)賦能產(chǎn)品與服務(wù)，而不是盲目追逐“自研大模型”的技術(shù)熱點(diǎn)。

大模型和AI技術(shù)在智能駕駛領(lǐng)域確實(shí)帶來(lái)了顯著的便利，尤其是在從感知到?jīng)Q策的數(shù)據(jù)處理環(huán)節(jié)，提升了整體效率。但它同時(shí)也是一把雙刃劍。原因在于，大模型的訓(xùn)練和應(yīng)用通常需要高昂的算力投入和基礎(chǔ)設(shè)施支撐，這對(duì)很多初創(chuàng)企業(yè)來(lái)說(shuō)是沉重負(fù)擔(dān)。

他表示，并不建議中小型企業(yè)在當(dāng)前階段盲目進(jìn)行大規(guī)模自建模型或算力平臺(tái)的投資。更合理的方式是將大模型作為降本增效的輔助工具，而不是作為主要的技術(shù)路線(xiàn)或核心資產(chǎn)。同樣，在生產(chǎn)端，許多輔助性工具也在幫助我們提升工程效率。我們應(yīng)聚焦于如何借助這些現(xiàn)有AI能力優(yōu)化業(yè)務(wù)流程、提升交付質(zhì)量，而非重資產(chǎn)投入自主研發(fā)通用大模型。

昆明理工大學(xué)副教授/未來(lái)交通創(chuàng)新研究院執(zhí)行院長(zhǎng)沈世全也認(rèn)同這一觀點(diǎn)，他表示，大模型強(qiáng)調(diào)通用性，什么都能做，但往往“廣而不精”。而在低速無(wú)人駕駛領(lǐng)域，車(chē)輛運(yùn)行必須滿(mǎn)足高安全性、實(shí)時(shí)性、可靠性和穩(wěn)定性，這些特性對(duì)模型的精度和專(zhuān)用性要求極高。
他建議企業(yè)更應(yīng)聚焦于將大模型“專(zhuān)業(yè)化”“小型化”“場(chǎng)景化”。針對(duì)特定應(yīng)用場(chǎng)景打造輕量、精準(zhǔn)的模型，才是當(dāng)前落地應(yīng)用的關(guān)鍵路徑。
最后，盟識(shí)科技副總裁沈俊則從礦山無(wú)人駕駛企業(yè)的角度指出了大模型研發(fā)方向：一是強(qiáng)化學(xué)習(xí)驅(qū)動(dòng)的車(chē)輛調(diào)度，由于礦山數(shù)據(jù)保密性，在本地利用強(qiáng)化學(xué)習(xí)訓(xùn)練調(diào)度模型，在高耦合、復(fù)雜作業(yè)條件下優(yōu)化礦卡運(yùn)行效率，同時(shí)避免對(duì)礦區(qū)投入過(guò)多專(zhuān)業(yè)人力。
二是多模態(tài)感知壓縮，一輛礦卡往往需要 6–7?個(gè)高清攝像頭，原始視頻帶寬和算力開(kāi)銷(xiāo)巨大。盟識(shí)通過(guò)大模型實(shí)現(xiàn)多模態(tài)特征壓縮，顯著降低算法側(cè)的計(jì)算與傳輸成本。
三是世界模型 + 規(guī)則庫(kù)應(yīng)對(duì)長(zhǎng)尾場(chǎng)景，礦區(qū)真實(shí)數(shù)據(jù)稀缺且長(zhǎng)尾情況多，盟識(shí)正與學(xué)術(shù)界合作，將世界模型引入數(shù)字孿生仿真，結(jié)合現(xiàn)有規(guī)則庫(kù)持續(xù)迭代“補(bǔ)丁”，既解決數(shù)據(jù)不足，又保持決策的可解釋性。
通過(guò)這三條路徑，在不泄露敏感數(shù)據(jù)的前提下，打造安全、高效且易于落地的礦業(yè)無(wú)人駕駛大模型。

寫(xiě)在最后

最后，于明坤董事長(zhǎng)指出，低速無(wú)人駕駛正站在智能技術(shù)深度融合與產(chǎn)業(yè)場(chǎng)景加速落地的關(guān)鍵節(jié)點(diǎn)上。企業(yè)要在這條新賽道上穿越周期、行穩(wěn)致遠(yuǎn)，核心在于“走好三步”：第一步是打好技術(shù)基礎(chǔ)，穩(wěn)住安全、感知、決策等底盤(pán)能力；第二步是走出場(chǎng)景閉環(huán)，把技術(shù)真正嵌入港口、礦山、環(huán)衛(wèi)、物流等高價(jià)值應(yīng)用；第三步是邁向智能驅(qū)動(dòng)，用AI與大模型實(shí)現(xiàn)效率重構(gòu)與成本革命。