3.2 智能网联汽车

3.2.1 智能网联汽车的概念

国务院印发的《中国制造2025》中，节能与新能源汽车被归为重点发展领域之一，其中智能网联汽车是重点发展内容。《中国制造2025》明确了智能网联汽车的发展目标，即到2025年，掌握自动驾驶总体技术及各项关键技术，建立较完善的智能网联汽车自主研发体系、生产配套体系及产业群，基本完成汽车产业转型升级。国务院印发的《关于积极推进“互联网+”行动的指导意见》明确提出了促进人工智能在智能汽车领域的推广应用，“互联网+”人工智能为11个重点行动之一。

科技部推出了多个国家计划，对车路协同、车联网等方面进行政策支持，同时，在国家重点研发计划的新能源汽车重点专项中，对智能网联汽车做出重要布局。工信部发布的“智能网联汽车技术路线图”描绘出智能网联汽车发展所需的关键核心技术及发展路径。中国汽车工业协会发布的汽车工业发展规划意见中，智能网联汽车也被列为我国汽车工业8个重点发展方向之一。

所谓智能网联汽车（Intelligent and Connected Vehicle, ICV），是指搭载先进的车载传感器、控制器、执行器等装置，并融合现代通信与网络技术，实现车与X（车、路、人、云等）的智能信息交换、共享，具备复杂环境感知、智能决策、协同控制等功能，可实现安全、高效、舒适、节能行驶，并最终实现替代人来操作的新一代汽车。

智能网联汽车主要由传感器系统、自动驾驶控制与运算单元、人机界面（HMI）系统、数据记录系统组成。通过搭载的视觉传感器、激光雷达、毫米波雷达、车辆与外界的信息交换系统（Vehicle to Everything, V2X）等传感器及通信设备，可实时观测车辆周边环境态势，识别道路、交通标志，感知其他交通参与者（其他车辆、行人等）等与驾驶行为相关的信息并进行分类，追踪及预测其行为轨迹，生成以自身为中心的周边交通态势，通过高精度地图及周边交通态势智能决策并规划最优驾驶方案，同时根据该方案对车辆进行精确控制。

智能网联汽车是国际公认的未来发展方向和关注焦点，发展智能网联汽车有利于推动汽车出行经济新模式，解决交通安全、能源消耗问题，构建数据驱动、跨界融合、共创共享的智能交通和智能社会。研究表明，在智能网联汽车的初级阶段，通过先进智能驾驶辅助技术有助于减少30%左右的交通事故，交通效率提升10%，油耗与排放分别降低5%。进入智能网联汽车的终极阶段，即完全自动驾驶阶段，甚至可以完全避免交通事故，提升交通效率30%以上，并最终把人从枯燥的驾驶任务中解放出来，这也是智能网联汽车最吸引人的价值魅力所在。

3.2.2 智能网联汽车的发展阶段

1.智能驾驶分级

按照美国汽车工程师学会SAE分级标准，汽车智能驾驶主要分为6个等级，如图3-1所示。

L0级别：完全由驾驶员进行操作驾驶，包括转向、制动、油门等都由驾驶员自行判断，汽车只负责命令的执行。

L1级别：能够辅助驾驶员完成某些驾驶任务，例如许多车型装配的自适应巡航（ACC）功能，雷达实时控制车距和车辆加减速。

L2级别：可自动完成某些驾驶任务，并经过处理分析，自动调整车辆状态，例如车道保持功能就属于此级别，除了能控制加减速，同时还能对方向盘进行控制，驾驶员需观察周围情况提供车辆安全操作。

L3级别：该级别通过更有逻辑性的行车电脑控制车辆，驾驶员不需要手脚待命，车辆能够在特定环境下独立完成操作驾驶，但驾驶员无法进行睡眠或休息，在人工智能不能准确判断时，仍需人工操作。

L4级别：车辆自动做出自主决策，并且驾驶者无须任何操作，一般需依靠可实时更新的道路信息数据支持，实现自动取还车、自动编队巡航、自动避障等出行的真实场景。

L5级别：与L4级别最大的区别是完全不需要驾驶员配合任何操作，实现全天候、全地域的自动驾驶，并能应对环境气候及地理位置的变化，驾驶员可将注意力放在休息或其他工作上。

2.智能汽车的发展路径

从技术发展路径来说，智能汽车分为3个发展方向：网联式智能（Connected Vehicle, CV）、自主式智能（Autonomous Vehicle, AV），及前二者的融合，即智能网联汽车（Connected and Automated Vehicle, CAV或Intelligent and Connected Vehicle, ICV），如图3-2所示。

从发展阶段上划分，智能网联汽车的发展过程可大致分为：自主式驾驶辅助（对应美国汽车工程师学会SAE分级L1、L2）、网联式驾驶辅助（对应SAE分级L1、L2）、人机共驾（对应SAE分级L3）、高度自动/无人驾驶（对应SAE分级L4、L5）4个阶段。目前在全球范围内，自主式驾驶辅助系统已经开始大规模产业化，网联化技术的应用已经进入大规模测试和产业化前期准备阶段，人机共驾技术和无人驾驶技术还处于研发和小规模测试阶段。

3.智能网联汽车的发展阶段划分

（1）自主式驾驶辅助（ADAS）

自主式驾驶辅助系统（Advanced Driver Assistance Systems, ADAS）是指依靠车载传感系统进行环境感知并对驾驶员进行驾驶操作辅助的系统（广义上也包括网联式驾驶辅助系统），目前已经得到大规模产业化发展，主要可分为预警系统与控制系统两类。

其中常见的预警类系统包括前向碰撞预警（Forward Collision Warning, FCW）、车道偏离预警（Lane Departure Warning, LDW）、盲区预警（Blind Spot Detection, BSD）、驾驶员疲劳预警（Driver Fatigue Warning, DFW）、全景环视（Top View System, TVS）、胎压监测（Tire Pressure Monitoring System, TPMS）等。

常见的控制类系统包括车道保持系统（Lane Keeping System, LKS）、自动泊车辅助（Auto Parking System, APS）、自动紧急刹车（Auto Emergency Braking, AEB）、自适应巡航（Adaptive Cruise Control, ACC）等。

美日欧等发达国家和地区已经开始将ADAS系统引入了其相应的新车评价体系。美国新车评价规程（United States New Car Assessment Program, US-NCAP）从2011年起引入LDW与FCW作为测试加分项，美国公路安全保险协会（IIHS）从2013年起将FCW系统作为评价指标之一；而欧洲新车评价规程（European New Car Assessment Program, E-NCAP）也从2014年起引入了LDW/LKA与AEB系统的评价，2016年增加了行人防撞AEB的测试，2018年加入了自动车防撞AEB系统的测试。2014年起，汽车驾驶辅助技术已经成为获取E-NCAP四星和五星的必要条件。我国的C-NCAP已将LDW/FCW/AEB等驾驶辅助系统纳入其评价体系之中。

在引入新车评价体系之外，各国也纷纷开始制定强制法规推动ADAS系统安装。2015年起，欧洲新生产的重型商用车要求强制安装车道偏离警告系统（LDW）及车辆自动紧急制动系统（AEB）。2018年起，美国各车企被强制要求对其生产的的车辆安装后视摄像头。而从2017年开始，中国也逐步在大型客车上开始强制安装LDW与AEB系统。

从产业发展角度，目前ADAS核心技术与产品仍掌握在境外公司手中，尤其是在基础的车载传感器与执行器领域，博世、德尔福、天合、法雷奥等企业垄断了大部分国内市场，Mobileye等新兴的高技术公司在环境感知系统方面占据了全球大部分市场；TTE等一些中国台湾省企业也有一定市场份额。近年来，中国内地也涌现了一批ADAS领域的自主企业，在某些方面与境外品牌形成了一定竞争，但总体仍有较大差距。

（2）网联式驾驶辅助

网联式驾驶辅助系统是指依靠信息通信技术（Information Communication Technology, ICT）对车辆周边环境进行感知，并可对周围车辆未来运动进行预测，进而对驾驶员进行驾驶操作辅助的系统。通过现代通信与网络技术，汽车、道路、行人等交通参与者都已经不再是孤岛，而是成为智能交通系统中的信息节点。

在美国、欧洲、日本等汽车发达国家和地区，基于车-路通信（Vehicle-to-Infrastructure, V2I）/车-车通信（Vehicle-to-Vehicle, V2V）的网联式驾驶辅助系统正在进行实用性技术开发和大规模试验场测试。典型的是美国在密歇根安娜堡开展的示范测试，在美国交通部与密歇根大学等支持下，Safety Pilot项目进行了车辆示范测试，并建设了智能汽车模拟城市（m-city），作为智能网联汽车的专用测试场。通过此示范测试，得到了车联网技术能够减少80%交通事故的结论，直接推动了美国政府宣布将强制安装车-车通信系统以提高行驶安全。美国交通部预测，到2040年美国90%的轻型车辆将会安装专用短距离通信（Dedicated Short Range Communication, DSRC）系统。

除美国外，欧洲以及日本等都开展了大量对车联网技术的研究与应用示范。欧盟eCoMove项目展示了车联网技术对于降低排放和提高通行效率的作用，综合节油效果可达到20%，simTD项目开展“荷兰-德国-奥地利”之间的跨国高速公路测试，验证基于车联网的智能安全系统。日本Smartwa系统可提供导航、不停车收费（Electronic Toll Collection, ETC）、信息服务、驾驶辅助等多种功能，基于车路协同的驾驶安全支援系统（Driving Safety Support Systems, DSSS），可以提供盲区碰撞预警、信号灯预警、停止线预警等多种功能。

我国清华大学、同济大学、长安汽车等高校与企业合作，在国家“863”高新技术研究开发计划项目的支持下开展了车路协同技术应用研究，并进行了小规模示范测试，各汽车企业也在开展初步研究。

在工业和信息化部支持下，上海、北京、重庆等多地都开始积极建设智能网联汽车测试示范区，网联式驾驶辅助系统均为测试区设计时考虑的重要因素。华为、大唐等企业力推的车间通信长期演进技术（Long Term Evolution-Vehicle, LTE-V）系统相比DSRC具有兼容蜂窝网、可平稳过渡至5G系统等优势，目前已发展成为我国特色的车联网通信系统，并在国际市场与DSRC形成了竞争之势。但中国内地也存在缺少类似美日欧的大型国家项目支撑、各企业间未能形成合力等问题，导致网联式驾驶辅助系统发展相对较慢。

案例3-1 车联网

车联网（Internet of Vehicles, IoV），是以车内网、车际网和车载移动互联网为基础，按照约定的通信协议和数据交互标准，在车-X（X：车、路、行人及互联网等）之间，进行无线通信和信息交换的大系统网络，是能够实现智能化交通管理、智能动态信息服务和车辆智能化控制的一体化网络，是物联网技术在交通系统领域的典型应用。（资料来源：百度百科）

（3）人机共驾

人机共驾指驾驶人和智能系统同时在用，分享车辆控制权，人机一体化协同完成驾驶任务。与一般的驾驶辅助系统相比，共驾型智能汽车由于人机同为控制实体，双方受控对象交联耦合，状态转移相互制约，具有双环并行的控制结构，因此要求系统具备更高的智能化水平。系统不仅可以识别驾驶人的意图，实现行车决策的步调一致，而且能够增强驾驶人的操纵能力，减轻其操作负荷。

广义的人机共驾包含感知层、决策层和控制层3个层次。感知层主要是利用特定传感器（如超声波雷达、摄像头、红外热释电传感器等）向人提供环境信息，增强人的感知能力。例如通过方向盘的力反馈协助驾驶人进行车道保持，既减轻了驾驶负担又提高了车辆安全性。决策层主要技术包括驾驶人决策意图识别、驾驶决策辅助和轨迹引导。例如通过建立基于实际道路的驾驶人换道意图预测模型，系统能够在实际换道行为发生前3秒有效预测驾驶人换道意图。控制层主要实现人和系统的控制互补，驾驶人操控动力学与智能系统操控动力学互相交叉，交互耦合，具有双环交叉的特点。

（4）高度自动/无人驾驶

处于高度自动/无人驾驶阶段的智能汽车，驾驶员不需要介入车辆操作，车辆将会自动完成所有工况下的自动驾驶。其中高度自动驾驶阶段（对应SAE分级L4），车辆在遇到无法处理的驾驶工况时，会提示驾驶员是否接管，如驾驶员不接管，车辆会采取如靠边停车等保守处理模式，保证安全。在无人驾驶阶段（对应SAE分级L5），车辆中可能已没有驾驶员或乘客，无人驾驶系统需要处理所有驾驶工况，并保证安全。目前以谷歌为代表的互联网技术公司，其发展思路是跨越人机共驾阶段，直接推广高度自动/无人驾驶系统，而传统汽车企业大多数还是按照渐进式发展路线逐级发展。

3.2.3 智能网联汽车的技术架构

智能网联汽车集中运用了汽车工程、人工智能、计算机、微电子、自动控制、通信与平台等技术，涉及汽车、信息通信、交通等诸多领域，是一个集环境感知、规划决策、控制执行、信息交互等于一体的高新技术综合体。

智能网联汽车技术架构较为复杂，可划分为“三横两纵”式技术架构：“三横”是指智能网联汽车主要涉及的车辆、信息交互与基础支撑3个领域技术，“两纵”是指支撑智能网联汽车发展的车载平台以及基础设施条件，如图3-3所示。

1.环境感知技术

环境感知系统的任务是利用摄像头、毫米波雷达、激光雷达、超声波等主要车载传感器以及V2X通信系统感知周围环境，配合高精度地图与定位技术，通过提取路况信息、检测障碍物，为智能网联汽车提供决策依据。

主要包括利用机器视觉的图像识别技术，利用雷达（激光、毫米波、超声波）的周边障碍物检测技术，多源信息融合技术，传感器冗余设计技术等。

案例3-2 基于车载图像的行人及骑车人联合识别方法

针对复杂行驶环境下行人及骑车人的有效识别，清华大学研究团队建立了基于车载图像的行人及骑车人联合识别方法，其架构如图3-4所示。（资料来源：李晓飞. 基于深度学习的行人及骑车人车载图像识别方法[D]. 北京：清华大学，2016.）

2.智能决策技术

决策系统的任务是根据全局行车目标、汽车状态及环境信息等，决定采用的驾驶行为及动作的时机。包括危险事态建模技术，危险预警与控制优先级划分，群体决策和协同技术，局部轨迹规划，驾驶员多样性影响分析等。常用的决策方法包括状态机、决策树、深度学习、增强学习等。

状态机是一种简便的决策方法，用有向图表示决策机制。状态机的优点在于：具有高可读性，能清楚表达状态间的逻辑关系，在状态明确且较少时设计简单；缺点在于：需要人工设计，在状态复杂时性能不易保证，不能用机器学习。目前的自动驾驶系统多针对部分典型工况，状态迁移不是特别复杂，故采用状态机方法进行决策的案例较多。

决策树是一种简单但是广泛使用的分类器，从根到叶子节点实现分类，每个非叶子节点为一个属性上的测试，边为测试的结果。决策树具有可读的结构，同时可以通过样本数据的训练来建立，但是有过拟合的倾向，需要广泛的数据训练。在部分工况的自动驾驶上应用，效果与状态机类似。

深度学习与增强学习是热门的机器学习方法。在处理自动驾驶决策方面，能通过大量的学习实现对复杂工况的决策，并能进行在线的学习优化；但是其综合性能不易评价，对未知工况的性能也不易明确。深度学习由于需要较多的计算资源，一般是计算机与互联网领域研究自动驾驶采用的热门技术。

3.控制执行技术

控制系统的任务是控制车辆的速度与行驶方向，使其跟踪规划的速度曲线与路径。包括面向驱动/制动的纵向运动控制，面向转向的横向运动控制，基于驱动/制动/转向/悬架的底盘一体化控制，融合车联网 (V2X) 通信及车载传感器的多车队列协同和车路协同控制等。

常用的控制方法，如比例-积分-微分（PID）控制、滑模控制、模糊控制、模型预测控制、自适应控制、鲁棒控制等。国内目前对制动、转向系统关键技术已有一定研发基础，但是相比博世、德尔福等国外大型企业，在控制稳定性、产品一致性和市场规模方面仍有较大差距。主要应用包括以下3个方面。

（1）自适应巡航控制

同时具备自动跟车行驶、低燃油消耗和符合驾驶员特性3类功能，对于全面提升行车安全性、改善车辆燃油经济性、减轻驾驶疲劳强度具有重要的意义。

（2）协同式多车队列控制

将单一车道内的相邻车辆进行编队，根据相邻车辆信息自动调整该车辆的纵向运动状态，最终达到一致的行驶速度和期望的构型。

（3）人机共驾技术

控制层的控制互补是目前人机共驾领域的核心关注点。在传统主动安全系统中融入驾驶决策识别及周车轨迹预测信息，构建包含动力学稳定性风险和运动学碰撞性风险的双重安全包络控制系统，是提高人机共驾行驶稳定性和主动安全性的核心。主要有以下两种控制方式。

共享型控制：指人机同时在线，驾驶人与智能系统的控制权随场景转移，人机控制并行存在。主要解决因控制冗余造成的人机冲突，以及控制权分配不合理引起的负荷加重等问题。

包络型控制：指通过获取状态空间的安全区域和边界条件形成控制包络，进而对行车安全进行监管，当其判定可能发生风险时进行干预，从而保证动力学稳定性和避免碰撞事故。

4.V2X通信技术

V2X通信技术主要包括车辆专用通信系统，实现车间信息共享与协同控制的通信保障机制、移动自组织网络技术、多模式通信融合技术等。通过网联无线通信技术，车载通信系统有效地获得的驾驶员信息、车辆自身的姿态信息和汽车周边的环境数据，进行整合与分析。

车载通信的模式，依据通信的覆盖范围可分为车内通信、车际通信和广域通信。

车内通信：从蓝牙技术发展到Wi-Fi技术和以太网通信技术。

车际通信：包括专用的短程通信（DSRC）技术和车间通信长期演进技术（LTE-V）。

广域通信：移动互联网领域的4G、5G等通信方式。

5.云平台与大数据技术

云平台与大数据技术包括智能网联汽车云平台架构与数据交互标准、云操作系统、数据高效存储和检索技术、大数据的关联分析和深度挖掘技术等。主要应用包括以下内容。

大数据云计算技术可基于车辆在特征道路环境、不同交通因素中的行驶特征和不同领域驾驶员的行驶需求，对车辆危险的预警阈值、行驶策略进行适应性调整，以便预警效果能够更加符合相应领域、状态下驾驶员的安全需要。

基于地图大数据信息的挖掘和分析可以基于路况特征、车辆性能、驾驶员操作习惯等因素提供节能减排、降低驾驶疲劳程度的行驶方案。

大数据存储及管理技术可对智能网联车载系统交互数据、控制系统数据的在线监控，提供车辆启动时的数据稳定性与可靠性检查，提供车载控制系统级安全性的在线检查。

对于商用车辆的管理，大数据技术的应用可以针对特定区域对不同车辆设定准入分级，设置电子围栏，如队列管理场景下的车辆进出队列的协调控制。

对于物流等高强度运营车辆的位置、故障信息、行驶时间、时长、路线驾驶的信息进行采集、存储和分析，判断高危运营车辆是否出现违章和疲劳驾驶行为，并通过智能网联车辆的远程控制功能，根据大数据分析结果采取碰撞发生前的紧急制动等安全防护措施。

对于突发交通事故，大数据技术通过对交管、医疗、保险等资源的有效调度，可以大幅提高道路安全救援、实时道路管理的效率。

案例3-3 基于云控平台的汽车节能驾驶系统

车辆通过车与云平台的通信将其位置信息及运动信息发送至云端，云端控制器结合道路信息（如坡道、曲率等）以及交通信息（如交通流、交通信号灯等）对车辆速度和档位等进行优化，以提高车辆燃油经济性和交通效率。基于云控平台的汽车节能驾驶系统框架如图3-5所示。（资料来源：李克强，戴一凡，李升波，边明远.智能网联汽车（ICV）技术的发展现状及趋势[J].汽车安全与节能学报，2017,8(01):1-14.）

6.信息安全技术

信息安全技术包括汽车信息安全建模技术，数据存储、传输与应用三维度安全体系，汽车信息安全测试方法，信息安全漏洞应急响应机制等。

智能网联汽车信息安全防护重点包括节点安全防护（包括ECU、智能传感器、执行器等）、车载网络防护（包括CAN、LIN、FlexRay、以太网等）、安全网关防护（包括OTA、智能网关、T-BOX、TCU等）、接口安全防护（包括OBD、OBU、蓝牙、Wi-Fi、GPS等）和云平台防护（包括TPS、移动终端、RSU、信息云平台等）。

智能网联汽车主要应用“端-管-云”数据安全技术框架。端安全：实现车载安全网关、安全监测监控系统、车载防火墙、车载入侵检测技术的应用；管安全：基于802.11p/IEEE1609.2，实现通信加密体系、身份认证体系、证书体系、防重放、防篡改、防伪造等技术应用；云安全：实现数据加密、数据混淆、数据脱敏、数据审计等技术的应用。

7.高精度地图与高精度定位技术

高精度地图与高精度定位技术包括高精度地图数据模型与采集式样、交换格式和物理存储的标准化技术，基于北斗地基增强的高精度定位技术，多源辅助定位技术等。

（1）高精度地图

高精度地图可以为自动驾驶车辆环境感知提供超视距路况信息，并帮助车辆进行规划决策。高精度地图，通俗来讲就是精度更高、数据维度更多的电子地图。精度更高体现在精确到厘米级别，数据维度更多体现在包括了除道路信息之外的与交通相关的周围静态信息。

高精度地图作为实现自动驾驶的关键能力之一，将成为对自动驾驶传感器的有效补充，为车辆提供了更加可靠的感知能力。与传统的导航地图相比，服务于自动驾驶的高精度地图在各方面要求更高，并能配合传感器和算法，为决策层提供支持。

（2）高精度定位

与高精度地图一并而来的是高精度定位，并且在自动驾驶系统中发挥着重要作用，定位精度越高，自动驾驶的可靠性越高，但是必须先有高精度地图，才能实现高精度定位。高精度定位一方面帮助自动驾驶系统更好地使用高精度地图提供的信息，为自动驾驶系统的路径规划和车辆控制提供准确的车辆位置和姿态；同时可以辅助感知系统，得到更加准确的检测和跟踪结果。

从定位的技术发展来看，大体可分为三代：第一代是GNSS定位，基于卫星定位技术，提供10m精度的定位能力；第二代是惯导定位，目前前装导航采用惯导定位的技术；第三代是高精度定位，基于视觉传感器、毫米波雷达、激光雷达等，提供亚米级到厘米级定位能力。

定位技术是自动驾驶的关键核心。自动驾驶有3个关键因素：感知层、决策层、控制层，其中感知层由电子地图和传感器信息组成，电子地图包含传统的导航、导航电子地图数据和高精度电子地图数据；决策层通过传感器的数据和传感器信息，对车辆进行定位，对路径进行规划，对环境进行理解，对车的行为进行预测；针对车的行动进行规划，从而代替驾驶员通过控制层的电子驱动，对车辆进行控制，从而逐步实现自动驾驶。

8.标准法规

标准法规包括智能网联汽车整体标准体系以及汽车设计、交通、通信等各领域的关键技术标准。

智能网联汽车标准体系框架如图3-6所示，包括基础标准、通用规范、产品与技术应用、相关标准4个部分。

基础标准主要包括智能网联汽车术语和定义、分类和编码、标识和符号三类基础标准。

通用规范类标准主要从整车层面提出全局性的要求和规范，主要包括功能评价、人机界面、功能安全和信息安全等方面。

产品与技术应用类标准主要涵盖信息感知、决策预警、辅助控制、自动控制和信息交互等智能网联汽车核心技术和应用的功能、性能要求及试验方法，但不限定具体的技术方案，以避免对未来技术的创新发展和应用产生制约或障碍。

相关标准主要包括车辆信息通信的基础——通信协议，主要涵盖实现车与X（人、车、路、云端等）智能信息交互的中短程通信、广域通信等方面的协议规范；在各种物理层和不同的应用层之间，还包含软硬件界面接口的标准规范。

9.测试评价

测试评价包括智能网联汽车测试评价方法与测试环境建设。

测试评价方法主要包括“端-管-云”测试评价技术方法、功能安全测评技术方法、信息安全测试评估技术方法和试验验证技术方法等。

测试环境建设主要针对自主式驾驶辅助（ADAS）测试、V2X测试和自动驾驶测试3类场地进行建设。

3.2.4 智能网联汽车的应用与发展

1.智能网联汽车的产业链

智能网联汽车的产品体系可分为传感系统、决策系统、执行系统3个层次，分别可类比人类的感知器官、大脑以及手脚，如图3-7所示。产业链上下游主要包含车规级芯片、传感系统（视觉传感、雷达系统等）、决策算法、定位通信（高精地图、定位、V2X等）、系统集成、终端与云控平台、智能出行等。

智能网联汽车的产业链涉及汽车、电子、通信、互联网、交通等多个领域，按照产业链上下游关系主要包括以下内容。

芯片厂商：开发和提供车规级芯片系统，包括环境感知系统芯片、车辆控制系统芯片、通信芯片等。

传感器厂商：开发和供应先进的传感器系统，包括机器视觉系统、雷达系统（激光、毫米波、超声波）等。

汽车电子/通信系统供应商：能够提供智能驾驶技术研发和集成供应的企业，如自动紧急制动、自适应巡航、V2X通信系统、高精度定位系统等。

整车企业：提出产品需求，提供智能汽车平台，开放车辆信息接口，进行集成测试。

平台开发与运营商：开发车联网服务平台，提供平台运营与数据挖掘分析服务。

内容提供商：高精度地图、信息服务等的供应商。

图3-8展示出国内智能网联汽车产业结构及部分企业。

2.我国智能网联汽车的发展现状

从产业发展上看，长安、一汽、比亚迪、宇通、东风均已开展无人驾驶汽车研发。大部分主流乘用车企业在部分量产车型上装配了L1级驾驶辅助系统，部分企业则在少数高端车型上装配了L2级部分自动驾驶系统，并对L3和L4阶段自动驾驶系统进行了研发和试验。根据智能网联汽车指数（Intelligent Connected Vehicle Index, ICVI）评价体系，当前美、德、日等传统汽车发达国家仍然在智能网联汽车的技术端和生产端上有着巨大优势，而我国在该产业的消费端和使用端保有一定优势，产业竞争力与发达国家相比存在一定差距，但和传统汽车领域相比，差距有所缩小。

从技术水平上看，在车内人机交互方面，语音交互在车载领域应用广泛，比亚迪、长安等企业新一代车型几乎全部采用了触摸屏车机产品；科大讯飞、云知声等供应商开发的相关引擎日趋完善；TOF、双目等企业的手势交互技术快速发展，能与语音识别无缝结合，融合眼动、面部识别等前沿技术，多种交互技术并存的趋势越来越显著。在车辆决策与控制技术方面，国内企业对路径规划、行为决策、轨迹规划、车辆控制等核心算法开展了深入的研究，其中一些企业在前撞预警、车道线偏离预警、全景泊车辅助等方面已经达到国际先进水平，商用车的自动紧急制动系统（AEBS）已经开始装车应用。在环境感知方面，雷达和图像传感器的融合是未来发展的主要趋势，国内厂商在车载摄像头镜头上优势突出，其中舜宇光学的镜头出货量为全球第一；模组市场上国内厂商占有率超过50%，但市场集中度较低，上游核心芯片为国外产业巨头所垄断，国内车载毫米波雷达、激光雷达厂商面临巨大竞争压力和挑战。在计算平台系统方面，以百度为首的互联网和算法公司推出了自有的自动驾驶软硬件平台，逐渐开始路测，但自动驾驶计算平台依赖于国外提供的硬件芯片；国内芯片企业如华为、地平线、深鉴科技等研发了针对智能网联汽车的计算芯片平台，但与国际先进水平还有一定差距。

从行业投资上看，互联网企业在计算能力、海量数据、优秀算法等核心人工智能技术方面具备得天独厚的优势，腾讯、百度、乐视、阿里巴巴等国内互联网巨头纷纷宣布跨界造车或发布超前概念，并在车联网、整车制造及出行服务等领域展开布局。百度的Apollo计划，旨在提供开放、完整、安全的软硬件和服务平台，帮助开发者快速搭建属于自己的完整的自动驾驶系统，并与奇瑞、一汽、长安等超过50家企业达成战略合作；阿里巴巴和上汽签署互联网汽车战略合作协议，并合资设立10亿元的互联网汽车基金，用于共同推进智能网联汽车的开发和运营，同时与斑马网络、神龙汽车就未来汽车智能化达成战略合作；腾讯投资滴滴和四维图新，并持有特斯拉5%的股份。

3.智能网联汽车在物流领域的应用场景

基于人工智能的自动驾驶系统应用于物流领域，能够有效减少交通事故发生、降低碳排放，让长途货运更加安全、绿色和清洁。此外，自动驾驶还可以通过节省油耗及人力成本，极大地降低物流运输成本。

自动驾驶卡车是智能网联汽车应用于物流领域的主要体现形式。从自动驾驶卡车企业运营的情况来看，其商业化的场景应用主要有封闭场景（包括干线物流场景、场内物流场景），非封闭场景和全场景运营。

（1）干线物流场景

以高速公路为主的干线物流市场巨大，自动驾驶需求也大，是目前最大的货运场景之一。在这样的封闭场景中运行，因为路况较普通公路简单，不可控因素相对较少，自动驾驶技术相对容易落地，而且其产值比较大，因此成为众多企业激烈争夺的理想商业场景。也是目前被认为最有可能实现大规模盈利的场景，同时自动驾驶技术也刚好能很好地解决长途运输中的一些痛点，如降低司机的工作强度等。

例如赢彻科技、主线科技等成立了中国第一个干线物流联合创新中心，从保定拿到了中国第一张干线物流测试牌照，样车在保定和湖南进行测试。一汽解放、智加科技、满帮集团和英伟达等也通过在自动驾驶卡车产业链上的合作来推进自动驾驶在干线物流场景的落地。不过，目前自动驾驶卡车的干线物流发展还受到法律限制，国内外对高速公路并没有完全放开，因此，干线物流场景的自动驾驶要全面落地还需要时间。

案例3-4 菜鸟组建无人驾驶卡车编队

2018年5月，菜鸟宣布“驼峰计划”，联合一汽解放等多家公司共同推进无人设备量产，以打造新型立体智慧物流网络。其中一款无人驾驶产品是与一汽解放联合发布的新产品“公路高铁”，“火车头”使用无人驾驶技术，跟随的车队则是通过无线网络与车头协同，进行列车式运营，主要用于规模化的高速公路干线运输。（资料来源：运联智库搜狐号，2018年6月）

案例3-5 京东打造L4级别无人重卡

2018年5月，X事业部总裁肖军在JD CUBE大会上透露，京东美国研发中心正在打造L4级别的无人重卡，并在美国完成智能驾驶测试累计长达2400个小时。未来京东将基于该项成果建立自动驾驶物流网络，承接北上广三地和京东七大区域中心之间的干线中转和长途运输任务。（扩展视频3-2）

（2）港口、机场、工业园、矿山等场内场景

目前港口、机场、工业园、矿山等也成为货运自动驾驶商业化落地的重要场景。这些场景道路路线相对固定，便于自动驾驶落地，但与干线物流相比，单个产值相对较低，不过从长远而言，它们的综合价值也不容小觑。例如在矿山场景，有数据显示，200多辆自动驾驶矿用车累计运输矿石超过20亿吨，运输成本降低15%，轮胎寿命提高40%，运输效率提高30%。

很多企业较早开始该类场景试验。如主线科技在中国重汽等支持下在天津港进行自动驾驶集装箱卡车的运营尝试；西井科技在上汽红岩等支持下，2018年在珠海的港口已完成集装箱卡车自动驾驶的演示；驭势科技在机场尝试货运自动驾驶业务；智加科技与苏宁合作，完成L4级仓对仓场景（从一个物流园区仓库到另一个远端物流园区仓库）的卡车自动驾驶作业；慧拓智能与临工重机合作在矿山运行自动驾驶矿用车；易控智驾推出矿用自动驾驶整体解决方案；卡特彼勒公司在美国的矿山尝试自动驾驶矿用车；日本小松公司的自动驾驶矿用车在智利的铜矿运营等。图森未来2018年10月在上海获得全国第一张自动驾驶重卡道路测试牌照，在上海临港地区进行测试。

（3）非封闭场景

除了封闭场景，城市、乡村等非封闭场景也是自动驾驶公司追逐的货运战场。由于非封闭场景的路况等环境更为复杂，因此对货运自动驾驶提出了更高要求。从目前市场情况来看，以城市快递、外卖等“最后一公里”配送为主的低速城市物流场景更容易商业化落地。

非封闭场景的无人驾驶车辆主要以无人配送车为主，顺丰、京东、菜鸟、美团、饿了么等均在积极布局和实践尝试。此部分主要在第4章中详细介绍。

（4）全场景运营

全场景运营即实现无人驾驶从干线、支线到终端物流等的全场景覆盖。当前，菜鸟、京东、苏宁、百度等公司均在积极布局物流全场景的无人驾驶技术装备。

案例3-6 百度Apollo自动驾驶物流闭环

百度自动驾驶平台Apollo实现了物流干线、支线到终端的全场景覆盖，完成全球物流领域的首次自动驾驶闭环。其搭载的百度Apollo 3.5平台，支持在高速公路和复杂的城市道路上进行自动驾驶，包括在市中心和住宅小区等区域的窄车道、无信号灯路口、借道错车行驶等。（扩展视频3-3）