关于「车路协同vs单车智能」的全方位辩论

作者 / Carlos

从列入「十四五」规划，到过亿项目频现，基于V2X、5G、人工智能等技术的车路协同，正在被部分专家和从业公司视作中国自动驾驶的「战略窗口」。

车路协同通过将整个城市的「人-车-路-云」，融合成一个整体性的决策规划系统，不仅可以实现超视距、多维度的全局感知能力，还能基于更宽泛的城市信息，优化交通安全和通行效率。

不过，相比另一条自动驾驶路线——单车智能。车路协同虽然有全局性的感知决策规划优势，但从技术实现、参与者话语权、商业化落地等角度而言，现阶段还并未像单车智能那样。

为此，Auto Byte于近期收集了不同立场、不同路线的企业代表的声音，以及业内人士相对中立的观点，完整展示从不同角度看待这两种技术路线的可行性与未来走向。

关于高阶技术落地能力

不管是选择哪种路线，能否独立实现最高阶的自动驾驶能力，都是决定走通商业化的最初前提。

其中，车路协同支持者，普遍都在强调复杂场景下的感知决策优势。通过路侧智能提供的「上帝之眼」感知能力，与自动驾驶汽车进行交互协同，可以解决当前智能程度下的主要挑战。

就此，Auto Byte采访了在车路协同领域已有4年积累的中智行。该公司副总裁密叶舟向Auto Byte表示：「车路协同在城市复杂场景下能够发挥其在感知、数据与算力方面的优势。以静态环境下的动态感知，叠加其空间连续、时间连续、算力调用的特点，可以应对盲区死角、意图判断难等问题，提升感知准招率。同时，通过持续的路侧数据收集与数据训练，还能够解决自动驾驶的技术长尾问题。包括但不限于有效应对路口多车、人车博弈、鬼探头、故障车车道占用、消失的前车等自动驾驶标志性corner case场景。」

同样作为车路协同的代表公司，「蘑菇车联」方面也向Auto Byte举出了三个具体的例子：1、前方发生连环追尾事故或建筑物遮挡，路侧感知提前将信息同步给车辆，防止事故；2、遇无信号灯、路况复杂的十字路口，通过车-车协同，每辆车可实时获知其他方向来车轨迹意图；3、十字路口交叉车流调度，云端基于对交叉车道不同车流量的大数据分析，调整路口红绿灯授时，缓解车流量大的道路拥堵，提高道路资源利用率。

但与车路协同公司通过路侧基建「补足」车端智能的路线不同，单车智能支持者们认为，通过算法、数据和传感器的综合提升，也可彻底解决长尾场景。

AutoX（安途）发言人认为：「长尾问题是一个数据问题，单车智能可以获得300米甚至更长范围的视距，对开车来说已经完全足够，更远距离和更长时间信息对安全驾驶没有帮助，核心在于如何获取大数量+高质量+非雷同的数据。」

地平线算法平台总架构师穆黎森还提到，高等级自动驾驶接下来还将走向大感知和大规控的技术趋势。

其中，大感知就是指从传感器得到Raw Data，变成一个结构化的关于环境的描述，这里面包含动态、静态要素，以人、车、路等各种各样的要素，这些要素共同构成一个对自动驾驶规控模块充分且必要的集合。

大规控是拿到已经从Raw Data转换成结构化的、对于规控足够的信息之后，找到一个最优的规划和决策，精准地控制车辆达成目标，优化驾驶体验、驾驶时间、驾驶用户的个人习惯等。

关于商业化模式的可行性矛盾

技术可行之后，如何落地应用、建立起成熟的商业模式，则是决定两条路线可行性的一个要点。

仅从成本而言，车路协同的经济性优势，收获了一些支持的声音。

例如，清华大学智能产业研究院（AIR）与百度Apollo联合发布的《面向自动驾驶的车路协同关键技术与展望》曾做出过相关测算：从全国范围来看，只要在每辆车上节省1.98万元的成本，就可以在每公里的道路上投入100万元进行智能化改造。长远来看，车路协同自动驾驶可降低90%的成本。

每公里100万元的费用，与天风证券和中银国际证券测算的高速单公里智能化改造成本相符，这些费用包含了RSU (Road Side Unit)、边缘计算、摄像头等设备。

但是，自动驾驶技术的发展，不应只考虑对用户出行体验、整车销售模式及价值分配等格局的改变，还要看落地和商业模式上的可行性。

穆黎森指出：「车路协同听上去好像很美好、技术上也可以实现，但要想实现大规模商业运作却很艰难，会面临责任归属、法律法规、道德维度、市场监管、成本分摊、价值分配、商业保险等诸多复杂因素，实际上已经超出了技术范畴。」

另一位资深自动驾驶公司业内人士也在商业模式上做出了相应分析：车路协同虽然看起来可以大幅减少车企的开发和制造成本，但如果不能覆盖全部道路，就始终缺乏真正的实用价值。

而车路协同的大规模覆盖，在AutoX（安途）发言人看来也不具备可行性：「大规模安装和长期维护成本非常昂贵，所以必然无法在大规模范围推广。目前全球没有任何一例大规模车路协同的成功应用案例。」

对此，上述业内人士还提到：用户很难接受在某一区域有自动驾驶，开出覆盖范围就无法继续使用的情况。这样一来，车企如果不想让产品丧失竞争力，就还需要不断开发基于单车智能的自动驾驶，这也将导致车路协同能够提供的帮助越来越少。而车企在自身就可以实现高阶自动驾驶的情况下，也不会再为车路协同付出额外一份费用。

关于对车企的吸引力

目前的道路上，乘用车是规模最大的交通工具，也是自动驾驶系统的最主要载体。但在该领域，车企似乎仍将单车智能视作自动驾驶「唯一」的解决方案。

清研华科新能源研究院高级分析师张抗抗对此向Auto Byte表示：「目前来看，车企和自动驾驶公司还没有看到支持车路协同的趋势。这是因为，车企与自动驾驶公司，不仅要看长期的技术趋势，还要考虑短期的生存问题。」

「对车企来说，一项技术是否值得投入，要看能否在一两年内、三五年内为主营业务做出贡献，也就是能否有助于卖车。而车路协同需要大量的、长期的基础设施建设，这个工作车企没法做，也就没法搞。」

除了商业模式的考虑外，穆黎森还认为，车企选择单车智能的技术路线，也关乎未来核心竞争力的归属：「单车智能是主机厂主选的方案，不单是自动泊车、自适应巡航等功能为人们带来人机共驾的体验感，更是基于对自动驾驶技术安全与自主可控的考量，特斯拉的FSD、小鹏的NGP、蔚来的NOA等都是主机厂将单车智能赋予战略意义的生动案例。」

这所涉及到的战略意义，不仅是产品竞争中的主动权，还有以自动驾驶系统为首的软件订阅营收，正在成为新的车企盈利增长点。前不久，特斯拉已经对FSD（Full Self-Driving全自动驾驶）系统价格，进行了今年第二次上调，达了到1.5万美元。

安信证券曾在研究报告中预测：短期来看，预计2025年FSD的收入将近70亿美元，约占特斯拉汽车业务营收的9%，贡献25%的汽车业务毛利。

但与其观点不同，商汤绝影智能汽车事业群车路协同产研副总裁武伟认为，车路协同也并非没有吸引车企的能力。

现阶段的车路协同和单车智能，都存在因能力限制的可行驶区域概念，但车路协同解决的是道路环境更复杂、行驶频率更高的繁忙路段。如果能提供可观的路段接入能力，就可以成为车企的核心竞争力，而这也有可能成为吸引车企与车路协同公司共同推广基建的一个机会。

蘑菇车联还提到，单车智能与车路协同不是非此即彼的关系，其「车路云一体化」方案中，就同时具备L4级单车智能自动驾驶技术，和车路云协同的系统方案能力。

在路侧智能覆盖范围内，可以通过感知、决策、控制三个层面的实时协同，提高自动驾驶汽车的安全性和效率。而在路侧范围未覆盖的区域，也可以通过车端的L4级自动驾驶能力，保证体验的不被中断。

蘑菇车联CTO郭杏荣向Auto Byte表示：「自动驾驶一定是一个高安全、高可靠的系统，车保证足够安全，路也保证足够安全，任何一个系统短暂出现问题都可以正常运行。」

关于B端的应用需求

相比C端市场需要在「全域实现自动驾驶」的盈利前提，B端相对丰富和多变的应用场景，更容易优先落地部分小场景自动驾驶，而这也给车路协同带来了商业化的契机。

资深自动驾驶业内人士向Auto Byte表示，车路协同大概率会在一些封闭场景、半封闭场景落地，这种特定的协同可以起到降本增效的效果。虽然需要在该区域内建设路测智能设备，但相比减少的开发设计成本、车端激光雷达等传感器成本，以及不断重复使用节约的人力成本，要更具经济性优势。

在这方面，蘑菇车联和中智行都已选择在城市公共服务场景优先落地应用。

蘑菇车联表示：「城市公共服务是指城市公共部门面向城市公众提供的公共产品和服务，包括城市基础设施的投资和维护，涉及安防巡逻、环境卫生、公共出行等领域，涉及城市开放空间及道路、园区、景区、机场、港口等场景。」

「自动驾驶在城市公共服务领域有巨大替代空间，是较好的切入点，且从长期来看，城市公共服务市场商业化潜力巨大，可以覆盖更多场景需求。」

密叶舟也提到：「从商业推广看，车路协同从经济较发达的地区开始起步，经济发达地区汽车保有量高，路端建设好后，可以无限复用给更多车辆，整体经济账得到摊薄。」

事实上，车路协同在城市公共服务场景可发挥的作用，目前已有相对充分的示范区数据支撑。

据百度集团资深副总裁、智能驾驶事业群组总经理李震宇透露：「从百度方面的实验数据来看，路侧感知可使单车每万公里路口发生问题的概率减少27%，碰撞风险降低23%。」

北京市高级别自动驾驶示范区也在最近公布的数据也显示：示范区内已有27条干线可实现绿波通行，绿波干线停车次数平均降低35.45%，行程时间平均降低10.24%；单点自适应路口（永昌中路路口）排队长度平均降低19.63%，绿灯浪费时间平均降低5.25%。

尽管经济性上的优势明显，但复杂的道路环境适应性、可行的商业运作模式，还是车路协同大规模铺开的挑战。对于未来的发展趋势，不同的受访者也持有不同的意见，但却共同指向了商业价值这项决定性的因素。

而在此之前，还有诸多技术问题亟待解决。「要想实现最高等级自动驾驶没有捷径，需要在传感器、算力、算法等技术领域实现可持续的、跨越式的突破，又需要自动驾驶解决方案及芯片公司、车企、图商、保险公司等共同努力，降本增效，才是高阶自动驾驶的破局之道。」穆黎森说。