商用车自动驾驶该如何才能“突围”成功大力发展呢？

“商用车自动驾驶目前从政策法规、市场环境、客户需求以及技术发展方向来说都是有一个有效的推动，对商用车本身来说，自动驾驶主要的发展目标是安全、节能、提高运输效率，这是我们商用车自动驾驶的主要应用方向。”东风商用车技术中心主任工程师李洋表示。

我们做了大量的客户调研，场景的需求分析，目前我们主要是在五个应用场景下做的一些工作。

第一个场景就是各种大型物流，京东、顺丰会有一些高速物流的需求。

第二是受控区域的，国内做的比较多的港内的无人驾驶集卡，现在在大连港、青岛港、上海港那边都有一些示范运营。

第三是中型专用车平台，比如环卫、园区里面的扫地车，这种也是比较好落地的场景。

还有就是点对点的，除了港外的，像洋山港这种固定路线的，还有我们了解到的京东、顺丰这种大型的中转中心里面有分拣中心之间的倒运需求，场景相对比较简单，但是它需求又比较强烈，因为它一直会有倒运车辆在园区里面转运货物。

第五，就是矿区里面倒运的。

而在关键技术方面，我们现在都知道，单一传感器感知能力有限，都是基于多传感器的融合来做，尤其是在刚才说的受控区域里面，因为受控区域最终的目标就是希望无人驾驶，因为客户的需求主要就是能够降低人力成本。

对于高速路这种场景，我们都是基于视觉还有毫米波为主要的方案。受控区域就需要根据我们具体的场景和功能来定了，不能统一的说用哪种技术。还有专用道路对于感知的传感器的需求就没有像在港口或者煤矿这种场景下的要求那么高。

在我们做产品方案的时候，从法规上有一些要求，在满足功能性能的基础上我们还有一些跟着市场的发展趋势，包括对于我们成本的管控。

还有就是商用车的特殊性判断，目前我们国内的大型商用车怠速振动还是比较大的，所以传感器本身的应用环境要求还是比较高的。激光雷达在怠速振动比较大的时候，问题还是比较多的。

所以对于激光雷达来说，后续如果要用的话，至少是在抗震性等方面的要求要匹配。

在一些项目的经验方面，比如港口场景，客户是希望能够提高效率，所以对于车辆跟后台的交互，希望自动驾驶能够实现精准的交互，所以我们需要做精准的定位，主要分为两部分，在堆场区还有港口两部分，堆场我们基于差分定位和摄像头来做，港口我们主要基于激光雷达来做精准的点云定位。

商用车是以“挣钱”为目的，所以我们在保障安全的情况下，我们希望能实现高效，提高运输效率。比如，我们前面做了一个车队队列的功能，主要是在协同规划的时候，保障前后车的安全作为第一位，然后再来提高车距和提高效率的环节。

在港口里面我们目前看人工驾驶一般说一个循环是20分钟左右，自动驾驶至少在保证安全的情况下，跟常规道路不一样的地方主要是从堆场去出来以后的叉路口还有一些地方都是需要停车来保证安全性要求的。

而在高速上有些不可控、复杂的场景我们是希望做深度学习来实现认知、决策一体化的控制模型。

比如，我们在港口上做了一个比较典型的功能，就是自动倒车的功能。传统的大型集卡，像我们这种老司机去，估计都得开个十分钟才能倒进去。但是基于传统的倒车模型来做自动驾驶功能，倒一次最多也就两分钟。这就是基于传统的整车运动学模型来做运动控制。

比如，精准停车，商用车如果要做自动驾驶就要区别于乘用车，商用车目前大多数是气动的，响应的时间还有响应过程都跟传统的乘用车、电动车差异性还是比较大的。

目前，基于我们执行系统的特性分析我们做的一个分阶段的纵向的自停系统控制，在不同的载荷，不同的道路环境下我们都能做到3到5厘米左右。

另外，整车L3以下的电气架构更接近现在传统的整车架构，对于后续的L3以上，我们都是基于直控式的。第二个方案，我们也初步有一个想法，基于集成式的架构我们也在做，主要是针对不同的域来考虑。

商用车自动驾驶主要是针对两种场景，高速路我们都是进行场地测试和开放道路的测试。但是对于一些封闭道路的话，我们现在更多的是去找一些客户，到一些实际的场地来做这种示范运营，积累经验。

第二，刚才说的几个典型的受控区，各种场景在目前的示范区里面是很难模拟出来的，所以我们更多的是跟客户一起做示范运营是更合适的。

而在目前的挑战方面，比如公开道路要求的车速比较高，所以在横向控制上存在很大的难点。在受控区域，其中一个问题是高精度定位，因为在港口的地方不是只是用高精度GPS一下就能解决，或者用激光雷达一下就能解决，它是多种定位方案一起来做。

然后就是混杂交通，因为我们跟港口有做过交流，他们明确表示，L4是逐步的取代，所以很长一段时间也会存在自动驾驶车和传统车辆的融合。还有一个就是像港口这种场景，会存在自动驾驶车辆跟装卸货设备，还有后台，还有码头这种运输船只，整个工作系统的集成这都是一个大问题。

应对策略的话，单从车厂的角度有一些问题是很难解决的，像定位的问题，或者是传感器本身性能的问题，这都是需要我们整车厂和各个技术公司一起来解决这些自动驾驶面临的应用问题。