近日，百度旗下自动驾驶出行服务平台“萝卜快跑”在湖北武汉的无人驾驶订单量迎来爆发式增长，引发广泛讨论。与此同时，北京、上海、广州等地街头也出现越来越多的自动驾驶汽车。
多方利好，Robotaxi加速商用
目前Robotaxi（无人驾驶出租车）发展模式随着政策利好和技术加速成熟而逐步实现商业化落地。在海外方面，Waymo在加州实现了大规模商业化落地，特斯拉则在FSD技术迭代后加速部署Robotaxi。在国内，百度“萝卜快跑”在武汉、上海等多个城市实现商业化落地，小马智行、文远知行等公司也在加速布局。在政策端，多国出台支持自动驾驶发展的产业政策；在技术端，头部厂商（如特斯拉、百度、华为等）加速技术迭代；在成本端，随着Robotaxi规模化落地，产业链相关配套设施成本下降，推动Robotaxi整体成本下降。
然而，Robotaxi在商业化进程加速的同时也面临着挑战。
Robotaxi作为单车智能的激进式路线，一直以来与车路协同的系统架构被视为平行关系，其实不然。区别单车智能和车路协同的主要依据是感知和处理的主体不同。一类主要依赖于单车感知和边缘计算处理，单车自主决策，属于单车智能；另一类主要依赖于路端环境设施感知和云计算处理，路端发出信号，车端以路端信号为主要决策依据，属于车路协同。在车路协同系统中，车辆间可以共享周围环境的感知信息，从而提高决策的准确性。一方面，车辆上传的数据可与“车路云”共享，增强数据协同；另一方面，V2V通信可以改善Robotaxi调度效率和接单率，促进整体交通的流畅性。
“Transformer+BEV”端到端技术路线成新方向
对于单车智能的Robotaxi而言，一般采用“高精度地图+激光雷达”方案。在Robotaxi行业发展早期，为保证车辆行驶的安全性，“高精度地图+激光雷达”方案成为行业共识。高精度地图能够提供详细的车道模型，激光雷达具有较高的测距精度，两者相互结合有助于提高Robotaxi在特定区域内的感知能力。
端到端新技术的引入为算法提供了新的发展方向，有望加速Robotaxi算法迭代进程。特斯拉在业内首度提出“Transformer+BEV”端到端技术路线后，国内“蔚小理”等造车新势力纷纷紧随其后，目前业内智驾算法技术路线逐步趋同。端到端技术将感知、预测、规划、控制模块融合到同一个神经网络中，“Transformer+BEV”能够实现各类感知任务的融合统一，端到端技术路线摒弃了各类人为设定的规则转而“由数据驱动”。当前Robotaxi“模块化”算法对于复杂路况下“长尾场景”的处理能力还有待提升，而端到端技术有望减少信息传递损失，增强Robotaxi对Corner case（少数或极端场景）的应对能力。从自动驾驶算法架构的发展路径来看，其基本经历了从基于高精地图的“模块化”方案到无图“模块化”方案，再到刚刚兴起的端到端方案。其中第一阶段通过“Transformer+BEV”的感知架构，实现了从有图到无图的进步，让感知定位更具有泛化能力；第二阶段在大模型浪潮的助推下，深度神经网络算法从感知进一步拓展至规控，同时其数据驱动的特性也使该路线迭代速度大幅加快。
车路协同正由点及面扩展
相比于单车智能的技术瓶颈，车路协同的系统的不足更多体现在缺乏统一的系统性。在车路协同的融合技术方案中，不论是车端，还是路端，基础设施之间的感知任务分配都比较模糊，不同的厂家基于自己的理解进行产品定义，按照自己的思路和需求开展研究和应用试点。车路协同作为智慧交通的重要分支，需要在统一的框架下，发挥系统及集群效应，因此必须由政府牵头；同样，在车路通信技术发展方面，基础设施智能化和车辆智能化之间亦缺少协同。
目前来看，车路协同正处在一个由点及面的初步扩展阶段，即从单个“孤岛”，向成片规模覆盖发展的阶段。例如北京市高级别自动驾驶示范区初期的路端改造主要集中在经济技术开发区160平方千米范围内，今年则进一步扩展至通州和顺义。这也就造成车端即使装载车路协同设备，在使用过程中也不是连续状态，不能很好地满足需求；至于车企，自然不愿意增加成本为车辆安装相关设备，车企目前更愿意把资源投入到提高单车智能的竞争力上，从而实现技术变现。但点状的路侧设备覆盖也无法形成统一的数据收集、处理和运营机制，各地数据无法互联互通，自然也无法形成统一的调度运营平台。
由此，Robotaxi在单车智能的路线下，利用端到端的数据闭环优势，可以加快智能网联汽车的商业化落地，提高车端的数据感知能力，从而强化车路协同的“数字底座”。
产业各方应加强合作，打造商业新模式
从产业链的角度来看，Robotaxi商业化能力的初步显现将带动整个产业链协同发展。Robotaxi的上游主要包括自动驾驶和整车制造的相关产业链，将随着国内智能网联汽车的发展而不断升级。未来L4级别自动驾驶落地需要具备全域集中式控制、高算力、完备线控底盘、高速数据互传等能力。
产业链中游以OEM为主，中游的“造车势力”决定了Robotaxi的能力，其瓶颈主要体现在整车架构以及智驾算法方面。在整车架构方面，当前行业先行者正加速推进Robotaxi前装量产落地，除了成本的下降之外，还有望在整车电子电气架构、芯片算力、网络架构等方面实现升级，以支持更多不限定、复杂场景的应用。在智驾算法方面，当前行业逐步向端到端方案升级，国内头部乘用车自动驾驶企业已经公开端到端自动驾驶方案在2024—2025年“上车”的规划，端到端模型的成熟有望助推L4自动驾驶功能的完全落地。
从成本因素和技术成熟度两个角度出发，“去激光雷达”主导地位已经成为趋势，但目前其仍作为安全冗余方案“上车”。纯视觉方案仅基于摄像头进行感知，相较于多传感器融合有明显的硬件成本优势，同时对软件的要求较高，需要依靠强大的算法才能保证感知的准确性与效率。目前，业界仅有特斯拉凭借“数据+算力+算法”优势采用纯视觉方案，其他车企难以复制。当车辆搭载L4级自动驾驶功能时，对安全冗余的要求更高，在纯视觉方案基于深度学习的算法尚未达到全路况覆盖的情况下，其安全性存疑；相比之下，多传感器融合方案更加可靠，因此现有Robotaxi解决方案均采用该路线。纯视觉方案为行业发展趋势，但仍需补充雷达进行安全冗余。视觉方案具有更高的精度，随着训练数据规模的提升以及算法的优化，摄像头的性能有望超越雷达，国内厂商已开始相关研发，虽然均宣称其方案为纯视觉，但实际是“去激光雷达”的视觉方案。
产业链下游主要为Robotaxi运营平台以及相关服务方。下游Robotaxi运营相关的生态技术，将加速中游自动驾驶技术实现商业化落地，随着政策的支持以及Robotaxi运营成本的下降，下游市场有望实现加速发展。
因此，随着“软件定义”汽车的趋势不断深化，汽车产业本身从链式结构转变为网状结构，给各方势力入局Robotaxi带来可能性。从产业链发展的趋势来看，“主机厂+自动驾驶解决方案供应商+运营商”为Robotaxi主流合作模式，自动驾驶企业能够提供Robotaxi软硬件解决方案，OEM拥有整车量产能力，运营商提供服务场景，三者分别对应Robotaxi供给侧的基础层、载体层和出行层，比如“小马+吉利+曹操出行”“Waymo+捷豹+Uber”模式。目前三方合作的商业模式已经形成，但距离真正的商业化落地，仍任重道远。
