是什么
为什么
为降低人为事故率、提升物流效率与出行体验，由车企、出行平台与物流运营商主导部署。
怎么做
通过激光雷达/摄像头采集数据，经AI模型处理生成控制指令，驱动转向、油门与制动。
什么时候
适用于封闭园区、干线物流与Robotaxi等场景；开放城市复杂路况与极端天气下仍需人工接管。
FOCUS
先记住这些
运行设计域决定系统能力
明确天气、道路类型、车速与交通参与者限制，超出ODD必须降级或接管
多传感器互补是基础
激光雷达提供精确距离，摄像头识别语义，毫米波雷达抗干扰，缺一不可
安全策略优先于效率
紧急制动、保守跟车与冗余路径是底线，激进策略易引发事故
长尾场景决定可靠性
仿真测试覆盖极端工况，实车测试验证系统边界，数据闭环持续迭代
PROBLEM / POSITION / INTERFACE
先弄清它为什么存在，以及谁在使用
-
01 解决的问题
需要实现车辆无人化运行或辅助驾驶功能时
人工驾驶存在疲劳、反应延迟与事故风险，且人力成本持续上升
- 成功标准
- 在限定场景内实现安全、稳定、合规的无人化运行
-
02 AI 生态位
作为感知-决策-控制链路的AI中枢，连接传感器与执行器
- 上游
- 依赖高精度地图、传感器硬件与算力平台
- 下游
- 为出行服务、物流配送与车队管理提供自动化能力
-
03 人的生态位
负责场景定义、安全监督与异常接管
- 适合使用
- 场景边界清晰、法规允许、具备冗余算力与测试条件
- 不必使用
- 开放城市复杂路况、极端天气频发或法规未明确责任归属
-
04 独特价值
在限定场景内实现7×24小时无人化运行，显著降低人力与事故成本
长尾场景泛化难、传感器融合复杂、安全验证成本极高
- 复杂度判断
- 复杂度不是功能数量，而是控制与验证成本。
INTERFACE FLOW
谁在操作，信息怎样流动
-
WHO OPERATES
HUMAN负责目标设定、场景选择与安全监督
SYSTEM负责实时感知、路径规划与车辆控制
-
INPUT
多模态传感器数据（点云、图像、GPS/IMU）与高精地图
-
CONTROL
ODD边界设定、安全阈值、接管策略与算法参数
-
OUTPUT
转向、油门、制动指令与系统状态日志
FLOW
最小运行流程
01系统初始化加载高精地图、校准传感器、检查ODD边界条件
02环境感知实时采集点云与图像，识别障碍物、车道线与交通信号
03路径规划结合导航目标与交通规则生成安全行驶轨迹
04控制执行输出转向、油门与制动指令，保持车辆稳定运行
05异常处理检测系统故障或超出ODD，触发降级或请求人工接管
PRACTICE
落地前必查清单
✓明确ODD边界并写入系统文档
✓完成传感器标定与时间同步
✓通过仿真测试覆盖极端工况
✓配置冗余控制与紧急制动
✓建立数据闭环与OTA升级机制
FAQ
常见问题
01自动驾驶与辅助驾驶有什么区别？＋
辅助驾驶需人工持续监控，自动驾驶在ODD内可完全无人运行。
避免混淆责任边界与安全等级。02最小可用方式是什么？＋
在封闭园区部署L4级Robotaxi，限定路线与车速，配备远程监控。
帮助快速验证技术可行性与商业模型。03什么时候不需要它？＋
简单场景可用规则控制或人工驾驶时，不要引入高成本自动驾驶系统。
控制系统成本与复杂度。04如何判断系统是否可靠？＋
看仿真覆盖率、实车接管率与长尾场景处理能力。
避免被宣传参数误导。