2025年7月3日，由低速無人駕駛產業聯盟主辦，新戰略低速無人駕駛全媒體、新戰略低速無人駕駛產業研究所承辦的“2025(第五屆)低速無人駕駛場景生態共建拓展大會”在杭州盛大舉行?。ㄍ扑]閱讀：千人聚勢啟新程！2025（第五屆）低速無人駕駛生態大會盛大舉行）
本次大會特設2場圓桌論討，邀請了學術專家、主流企業代表、產業研究學者等多方對話，從“前瞻技術”和“市場探索”雙角度，圍繞數個核心熱點話題，深度探討了低速無人駕駛產業發展的當下與未來。
其中，圓桌論壇一（技術前瞻）由低速無人駕駛產業聯盟副主席、海神機器人創始人&董事長于明坤主持。
特邀嘉賓：
麥迪克智行汽車董事長/吉林大學汽車工程學院教授 靳立強
盟識科技副總裁 沈俊
中科智馳董事長 江如海
昆明理工大學副教授/未來交通創新研究院執行院長 沈世全
華中科技大學人工智能與自動化學院教授 陶文兵
盈峰環境智能技術中心副主任、博士 方小永
低速無人駕駛產業聯盟副主席、海神機器人創始人&董事長于明坤
隨著人工智能、大模型技術與自動駕駛算法的快速發展，低速無人駕駛作為率先落地的場景之一，正站在產業化的關鍵拐點。本次圓桌邀請六位來自產業界與學術界的重量級嘉賓，圍繞“突破感知與決策瓶頸”與“聚焦AI技術與大模型應用，實現技術降本”兩大議題展開深度探討，洞察低速無人駕駛系統的核心演進路徑與未來創新方向。
突破感知與決策瓶頸：下一代低速無人駕駛系統的核心技術融合與演進
自動駕駛系統通常由多個技術模塊構成，包括環境感知、精準定位、決策規劃、控制執行、高精地圖、車聯網協同等。在這些模塊中，感知與決策是整個系統中最復雜、最核心，也是目前技術突破難度最大的兩大環節。它們直接決定了自動駕駛系統所能達到的智能等級和安全邊界。如何提升傳感器融合的效率，如何優化決策系統在復雜場景下的穩定性，也是企業重點關注的方向。
同時，業界在探索各種技術路徑，包括輕量化多傳感器融合方案、基于AI大模型的感知增強、決策與感知協同優化、云端算法迭代更新等。這些探索正在推動技術走出實驗室，邁向更廣泛、更復雜的真實場景應用。
盟識科技副總裁 沈俊
盟識科技副總裁沈俊表示盟識科技專注于無人礦山領域，盟識的初衷不僅是用技術替代人力，更希望通過智能化手段在整個產業鏈中創造更大價值。特別是在國家關鍵礦產資源的開采環節，公司致力于通過自動化與智能化提升其安全性、效率與可持續性。圍繞這一目標，盟識構建了面向礦山場景的無人駕駛平臺，不僅解決了礦區“缺人、少人”的現實問題，更重要的是推動礦產資源開采向著更加安全、高效、持續的方向發展。
麥迪克智行汽車董事長/吉林大學汽車工程學院教授 靳立強
麥迪克智行汽車董事長/吉林大學汽車工程學院教授 靳立強在談感知與決策時，表示當前企業往往只關注算法本身，卻忽視了決策必須以車輛動態性能為前提這一根本事實。當前低速無人車大多沿用傳統商用底盤或工程裝備的設計邏輯，其制動、加速和轉向能力并不匹配自動駕駛決策的需求，導致算法“想得快、動得慢”。
他以某個港口啟用無人轉運車將出口整車從堆場運往泊位為例，以無人車運輸雖然降低了人力成本，但速度緩慢，而船舶靠泊按小時計費，整體運營成本反而上升。
問題不在算法，而在 “底盤不對、決策受限”：這些無人車的制動系統按工程機械標準開發，無法實現乘用車級的快速制動。我的觀點是，低速無人駕駛沒有必要照搬傳統底盤。面向場景的輕量化、模塊化底盤能顯著提升制動與動力響應，為決策算法釋放更大空間——只需處理核心的六自由度車輛運動，就能避免許多原本無法規避的風險。
換言之，感知?決策的突破不能脫離車輛本體的重新設計。只有讓硬件與算法協同演進，低速無人駕駛才能真正做到高效、安全、低成本落地。
盈峰環境智能技術中心副主任、博士 方小永
盈峰環境智能技術中心副主任、博士方小永則從技術的角度為我們分析了兩條自動駕駛主流技術路線：即以特斯拉為代表的視覺主導（端到端）路線，外界常稱其為“純視覺”，其實更準確的說法是“視覺主導 + 端到端深度學習”。車輛直接處理攝像頭視頻，通過大模型從數據中學習駕駛決策，盡可能減少人為規則干預。以及絕大多數企業仍采用“感知?決策?控制?執行”的分層框架，典型代表百度開源的Apollo。該框架用多傳感器融合做感知，再按人工設計規則進行決策與控制。
傳統框架的瓶頸在于高度依賴手工規則：車輛交付后，研發團隊仍需不斷回收數據、修補規則來應對新場景——這也是為什么“服務”往往被迫成為產品的一部分。相比之下，端到端大模型通過對海量視頻數據的持續學習，直接形成安全駕駛策略。例如遇到障礙物時，它不是按工程師預設的規則“如果?那么”避障，而是像人類司機一樣基于經驗做出最合適的動作。這種自學習能力讓系統更容易泛化到陌生環境。
他認為，隨著大模型能力的快速提升，端到端自動駕駛技術可能是突破當前感知?決策瓶頸、從根本上提升自動駕駛可靠性與效率的關鍵路徑。
中科智馳董事長 江如海
中科智馳董事長&總經理江如海提到，作為最早一批布局大模型技術的企業，中科智馳已聯合中科院推出了“驍行動力”多模態端到端智駕大模型，探索新一代智能決策路徑。
他認為，當前自動駕駛決策端的提升主要依賴于大數據與模型訓練，但感知端仍受制于傳感器物理極限與樣本稀缺。例如在真實場景中，無人車常難以區分不同類型的路面，甚至在高速上識別錐筒也會出錯，這反映出傳統感知手段的局限性。行業正在嘗試“車?路?云一體化”，但基礎設施成本高，落地難度大。
未來感知與決策的技術突破應以“場景定義先行”為核心，結合多模態大模型進行有針對性的能力構建，而非追求一套通用方案。端到端架構、多模態融合、強化學習等先進方法，將成為提升低速無人駕駛安全性和泛化能力的重要方向。
昆明理工大學副教授/未來交通創新研究院執行院長 沈世全
昆明理工大學副教授/未來交通創新研究院執行院長沈世全指出，低速無人駕駛與乘用車自動駕駛應區分對待。由于速度低、場景相對可控，低速無人車對感知、決策、規劃等系統的性能要求相對較低，更應關注成本控制與方案實用性。
但一旦進入城市末端物流、鄉村道路等非結構化場景，感知復雜度甚至超過乘用車，對系統能力提出更高要求。此時雖然端到端具備潛力，但受限于數據稀缺和泛化能力，目前尚難支撐大規模落地。從決策層面看，低速無人車在大多數場景下已有較為成熟的決策方案。未來，隨著人工智能與多智能體協同技術的發展，其在復雜動態環境下的交互能力也有望進一步提升。
華中科技大學人工智能與自動化學院教授 陶文兵
華中科技大學人工智能與自動化學院教授陶文兵認為，低速無人駕駛不能簡單照搬乘用車的端到端大模型方案，而應結合行業特色，設計針對性的數據采集和模型優化策略，提升系統性能與可靠性。
他強調，低速場景對感知和決策的實時性要求較低，因此算法復雜度可以適當降低，可靠性反而更易保證。相比高速環境，低速無人駕駛在成本控制上也更具優勢，不必依賴昂貴的芯片和算力。
不過，低速無人駕駛的應用場景往往更為特殊且復雜，例如垃圾清掃、無人配送等涉及多功能、多任務的操作，對感知模型提出更高要求。特別是在無車道線、小區、地下車庫等復雜、無GPS信號的環境中，定位和導航成為挑戰。此外，極端天氣和惡劣環境下的感知與避障能力也是關鍵瓶頸。
聚焦AI技術與大模型應用，實現技術降本
隨著低速無人駕駛技術應用場景的不斷深入，數據規模也在持續增長，推動技術逐步革新。
大模型的核心價值之一，就是通過技術創新降低整體成本。在人工智能產業落地過程中，通用模型與垂直領域模型正逐漸形成協同運營的模式。同時，深度生成式AI也變得更加“接地氣”，逐步從概念走向實際生產力，越來越多企業開始關注如何利用AI大模型降低技術和應用的門檻。同時，AI大模型雖然能推動制造業等產業的智能升級，但在落地過程中仍面臨數據安全、模型泛化能力不足等挑戰。
“大模型正成為推動應用落地的關鍵力量”，陶文兵教授首先肯定了大模型對于智能駕駛乃至自動駕駛發展的重要性，當前，越來越多企業通過收集語言、語音、視頻乃至三維空間數據來訓練大模型，這已成為不可逆轉的趨勢。
他建議，針對低速無人駕駛場景，企業應充分利用場景的可控性和細分性。不同領域如礦山、港口等，實際上可以用更少的數據和資源，訓練專用的小型大模型，這對成本控制非常有利。
傳統無人駕駛需要大量實地數據采集，成本高昂，尤其對中小企業來說幾乎難以承受。但在大模型時代，生成式AI技術能夠合成各種訓練數據，如具身智能事件模型，幫助我們在數據不足時通過合成數據進行模型訓練。這為低速無人駕駛前期減少數據采集成本提供了有效手段，也帶來了門檻的大幅降低。
?靳立強則對當前智能駕駛大模型的應用持比較謹慎的態度。雖然大模型已經深刻改變了我們的生活和工作方式，但在無人駕駛領域，尤其是智駕大模型的成熟和普及，還還有很長的路要走。
他結合自己試乘國內頭部企業智能駕駛車輛的經驗，表示現階段智能駕駛系統依然面臨認知世界的巨大挑戰，智能駕駛大模型的完善還有許多技術難點需要突破。
方小永結合自身在環衛領域的經驗，剖析當前大模型的實際應用層次：第一層，是像OpenAI或國內頭部企業這種具備全棧訓練能力、能深度調參的團隊，他們真正用到了大模型的“靈魂”；第二層，是具備一定技術能力，能對部分參數進行微調的企業，這類還屬于少數；第三層，絕大多數企業僅使用開源模型進行簡單調用，沒有深入優化，嚴格意義上這還稱不上是“生產級”應用。
以環衛行業為例，模型的落地應用必須考慮“低速、高頻、強作業”三個特點。環衛車不僅需要自主行駛，還必須精準、高效地執行清掃等作業任務，作業動作頻繁，對系統實時性和穩定性要求極高。
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別精度與泛化能力。問題在于，當前大模型需要強大算力，若部署在云端，又必須解決時延與通信穩定性問題；若部署在車端，則對芯片能力和系統協同優化提出極高要求。
相對于前瞻性布局未來10年大模型芯片需求的企業，我們當前仍處于探索階段。這說明，唯有實現端、云、邊在算法與算力層的深度協同，智能駕駛的大模型應用才能真正落地并降本增效。
江如海提出：初創公司要將有限資源用在最關鍵的“刀刃”上，將AI視為“工具型能力”來賦能產品與服務，而不是盲目追逐“自研大模型”的技術熱點。
大模型和AI技術在智能駕駛領域確實帶來了顯著的便利，尤其是在從感知到決策的數據處理環節，提升了整體效率。但它同時也是一把雙刃劍。原因在于，大模型的訓練和應用通常需要高昂的算力投入和基礎設施支撐，這對很多初創企業來說是沉重負擔。
他表示，并不建議中小型企業在當前階段盲目進行大規模自建模型或算力平臺的投資。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路線或核心資產。同樣，在生產端，許多輔助性工具也在幫助我們提升工程效率。我們應聚焦于如何借助這些現有AI能力優化業務流程、提升交付質量，而非重資產投入自主研發通用大模型。
沈世全教授也認同這一觀點，他表示，大模型強調通用性，什么都能做，但往往“廣而不精”。而在低速無人駕駛領域，車輛運行必須滿足高安全性、實時性、可靠性和穩定性，這些特性對模型的精度和專用性要求極高。
他建議企業更應聚焦于將大模型“專業化”“小型化”“場景化”。針對特定應用場景打造輕量、精準的模型，才是當前落地應用的關鍵路徑。
最后，沈俊則從礦山無人駕駛企業的角度指出了大模型研發方向：一是強化學習驅動的車輛調度，由于礦山數據保密性，在本地利用強化學習訓練調度模型，在高耦合、復雜作業條件下優化礦卡運行效率，同時避免對礦區投入過多專業人力。
二是多模態感知壓縮，一輛礦卡往往需要 6–7?個高清攝像頭，原始視頻帶寬和算力開銷巨大。盟識通過大模型實現多模態特征壓縮，顯著降低算法側的計算與傳輸成本。
三是世界模型 + 規則庫應對長尾場景，礦區真實數據稀缺且長尾情況多，盟識正與學術界合作，將世界模型引入數字孿生仿真，結合現有規則庫持續迭代“補丁”，既解決數據不足，又保持決策的可解釋性。
通過這三條路徑，在不泄露敏感數據的前提下，打造安全、高效且易于落地的礦業無人駕駛大模型。
寫在最后
最后，于明坤指出，低速無人駕駛正站在智能技術深度融合與產業場景加速落地的關鍵節點上。企業要在這條新賽道上穿越周期、行穩致遠，核心在于“走好三步”：第一步是打好技術基礎，穩住安全、感知、決策等底盤能力；第二步是走出場景閉環，把技術真正嵌入港口、礦山、環衛、物流等高價值應用；第三步是邁向智能驅動，用AI與大模型實現效率重構與成本革命。
