2024 无人驶出租赁车 Robotaxi 行业场 态势盘中心技巧和官管行为排序分析报告

TABLE OF CONTENTS 1. Introduction 02 2. Robotaxi 行业概况 2 - 1. 当前市场 2 - 2. 竞争格局 3. Robotaxi 技术 3 - 1. 硬件 3 - 2. 软件 3 - 2 - 1. 算法训练模型 3 - 2 - 2. 自动驾驶软件 3 - 2 - 3. 算法训练环境 4. 事故和脱离 4 - 1. 脱离分析 4 - 1 - 1. 脱离原因分析 4 - 1 - 2. 软件相关脱离分析 4 - 1- 3. 脱离原因趋势 195. Robotaxi 事故预防 - V2X 案例 6. Conclusion 22 1. Introduction 自20世纪初以来，自动驾驶车辆的梦想就吸引了社会的广泛关注。在科幻小说中常被描绘为未来交通的愿景，今天的机器人出租车正在像旧金山、奥斯汀、凤凰城和上海这样的城市道路上逐渐成为现实。这种城市交通革命的动力来自于自动驾驶技术的发展。然而，尽管取得了快速进展，通往完全自主的机器人出租车的道路仍然任重道远。该行业经历了包括监管障碍和高-profile事故在内的挫折，这些挫折凸显了规模化面临的挑战以及持续的技术改进需求。 尽管如此，自动驾驶出租车公司仍在不断推进。在这个行业中，追求主导地位更像是一场战略长跑而非短跑。就像任何一场长跑一样，坚持跑完全程并到达终点需要付出大量的努力和韧性。 在本报告中，我们将深入探讨这一马拉松式的行业发展，并对自动驾驶出租车行业进行深度探索，分析关键市场趋势、核心技术以及随着行业向更广泛采用过渡而出现的挑战。 报告概述了市场在其生命周期中的当前地位，并分析了随着公司竞相成为行业领导者，不断演变的竞争格局。随后，报告深入探讨了支持Robotaxi运营的核心技术，从硬件组件到复杂的软件系统，以及机器学习在算法训练中的关键作用。 通过分析近年来的脱钩和事故数据，报告识别了影响无人驾驶出租车性能的根本问题，并强调了如车辆到一切（V2X）通信等新兴技术如何帮助解决这些挑战。借此，本报告旨在提供一份对未来robotaxi市场的前瞻性视角，并推荐通往更安全、更可靠的自主运输途径。 2. Robotaxi 行业概况 全球Robotaxi市场即将迎来爆炸性增长，预计到2030年市场规模将达到389亿美元，从2023年到2030年的复合年增长率将达到90.2%。1这一增长预计将与更广泛的自动驾驶车辆（AV）市场扩张相呼应，后者预计到2031年将超过300亿美元。2 随着全球各地的城市应对拥堵、污染和高效交通短缺等问题，机器人出租车提供了与更广泛的移动需求相契合的解决方案。 尽管行业尚未成熟，自动驾驶技术的进步将成为未来市场扩张的主要驱动力。自动驾驶出租车行业位于两大转型行业的交叉点：汽车工业和信息技术产业。这两个行业都正在经历重大变革，尤其是零排放车辆和人工智能（AI）的整合。 监管支持对于机器人出租车行业的可持续发展至关重要。随着政府推动更加严格的排放法规，由电动汽车组成的机器人出租车车队将从零排放车辆的政府激励中受益。自动驾驶（AV）技术和电动车辆（EV）技术的结合使机器人出租车成为解决城市拥堵和污染的可持续方案。这将越来越吸引寻求智能、环保交通选项的城市。 随着人工智能和机器学习的进步，自动驾驶系统在导航复杂城市环境方面的能力不断提升，使得Robotaxi能够更高效、更安全地运营。这些技术突破有助于扩大运营规模，并为更广泛的客户群体提供经济实惠的按需交通服务。 潜在的客户基础超越了传统的出租车服务，涵盖了公共交通和可访问的移动解决方案的商业应用。此外，市场预计会受益于私营公司和政府不断增加的投资，以及消费者对自主移动解决方案的认知度和接受度不断提高。 随着全球各地的城市应对拥堵、污染和高效交通短缺等问题，自动驾驶出租车提供了符合更广泛移动需求的解决方案。 2 - 1. 当前市场 自动驾驶出租车市场目前正处于生命周期的早期增长阶段，随着技术的进步而逐步扩大。尽管技术已经取得了显著进步，并且在全球多个城市启动了多项试点项目，但该行业仍处于初级阶段。这一阶段的特点是实验、测试以及服务在受控环境中的逐步推出。监管框架仍在不断完善，政府正在制定安全标准和指导原则，以促进更广泛的部署。 一些早期商业服务正在出现，但只有少数公司提供付费机器人出租车服务，而且这些服务的范围也有限。美国唯一提供商业化机器人出租车服务的公司Waymo披露，它现在每周提供的付费乘车次数超过10万人次。1随着行业向商业化迈进，预计更多公司将会推出付费robotaxi服务，扩大服务的可获得性并促进行业发展。 2 - 2. 竞争格局 自动驾驶出租车行业竞争格局正在迅速演变，各大科技公司、汽车制造商和初创企业纷纷争夺市场主导地位。 像Waymo、Cruise和Zoox这样的美国公司，以及Pony.ai和WeRide这样的中国公司处于领先地位，凭借其技术专长和雄厚的财务资源在市场上站稳脚跟。 同时，传统汽车制造商 increasingly 与科技公司形成战略合作伙伴关系以保持竞争力。汽车制造商与软件公司之间的联盟变得越来越普遍，因为他们将汽车工程专长与先进的自动驾驶技术相结合。例如，起亚汽车集团与 Aptiv 形成的合作关系导致了 Motional 的成立。1 此外，市场正见证合并与收购活动的激增。一个最著名的例子是通用汽车于2016年收购Cruise。自此之后，Cruise一直在致力于开发新技术，以利用改装后的Chevrolet Bolt车型打造完全自动驾驶车辆。尽管Cruise遭遇了一些挫折，但这次合作仍然是传统汽车制造商与科技公司之间最具标志性的一次合作。 随着市场持续增长，它有望重塑城市 Mobility 的未来，预示着一个自动驾驶车辆成为日常生活不可或缺部分的世界。未来几年将决定哪些公司在这个快速发展的行业中成为领导者。 3. Robotaxi 技术 未来的Robotaxi愿景是一款流线型的四轮胶囊状车辆，无需方向盘或踏板即可实现。由于不需要人类驾驶员的操作控制，传统上用于驾驶舱的空间可以重新利用以提升乘客的舒适度。 然而 ， 随着工作的进展 ， 目前的机器人轴看起来与有抱负的科幻风格的车辆大不相同。 浏览一下Cruise和Waymo的车队情况，可能会让人觉得今天的机器人出租车与你在当地道路上遇到的SUV并没有太大区别，只是稍微配备了一些昂贵的传感器和摄像头。经过多年的广泛测试，并配有安全驾驶员，部分车辆现在已经能够无需人类驾驶员在车内进行操作，这正是机器人出租车的核心所在：先进的硬件和复杂的软件。 3 - 1. 硬件 Robotaxis 旨在超越人类驾驶员 ， 而不仅仅是复制他们的能力。为了实现这一点 ， 这些车辆配备了一系列先进的传感器，这些传感器共同生成车辆环境的三维模型。最常用的传感器是摄像机、雷达和激光雷达。 摄像机 摄像头已在车辆中使用了数十年，主要应用于后视和侧视摄像头系统，以辅助停车并减少盲区。然而，在自动驾驶领域，摄像头的作用远不止于此。它们为车辆的计算机提供主要的视觉数据，帮助监测环境并分类道路上及路旁的物体。 相机背后的技術已經 WELL-ESTABLISHED，使得高分辨率攝像頭能夠以經濟實惠的價格廣泛獲得。自動駕駛出租車公司通常在其車輛上安裝多個攝像頭以消除盲點。雖然這些攝像頭在視覺化方面非常有效，但會生成大量的數據，這些數據必須實時處理，從而對車輛所需的計算能力和能量提出巨大需求。 雷达 雷达（Radio Detection and Ranging），即无线电探测和测距，是自动驾驶出租车中另一种常见的传感器。雷达使用毫米波频率来确定物体的距离和速度，并常用于自适应巡航控制、盲点监测以及碰撞避免等功能。 雷达的最大优势在于它们能够探测视线之外的物体，完美地补充了摄像头的局限性。在极端天气条件下，雷达也更为可靠，因为它们不受雨、雪或雾的影响。然而，雷达的分辨率较低，导致角度精度较差，提供的有效定位和路径规划的数据点较少。 激光雷达 激光雷达（Lidar），即光检测和测距技术，使用红外线束来测量车辆与附近物体之间的距离。通过在各个方向发射激光脉冲并测量激光返回所需的时间，lidar能够创建车辆周围详细的三维地图。 激光雷达在检测静止和移动物体方面极为有效。它被认为是能够在所有天气条件下提供高分辨率地图的最准确传感技术。激光雷达对于自动驾驶应用非常重要，因为它可以补充其他传感器的不足之处。 可惜，激光雷达也是成本较高的传感器，长距系统的价格约为500美元。要实现该技术的大规模普及，长距激光雷达的价格需要低于300美元，短距激光雷达的价格需要低于100美元。1幸运的是 ， 激光雷达技术的不断进步正在降低成本并缩小传感器尺寸。 传感器融合 instead of 依赖单一类型的传感器，robotaxi 运营商使用多种传感器组合来收集关于车辆环境的全面数据。这种方法称为传感器融合，通过利用每种传感器类型的优势来消除盲区，并创建一个完整的、360度的周围环境视图。 不同的公司开发自己的传感器组合以达到最佳平衡以满足各自的需要。例如，Waymo的自动驾驶出租车配备了先进的硬件套件，包括高清摄像头、360度和周界激光雷达以及多个雷达传感器。 为了实现改善道路安全的目标，自动驾驶车辆必须超越人类的视觉和性能。传感器融合对于达到这一目标至关重要。融合技术的优势在诸如移动物体检测、跟踪和网格映射等应用中尤为明显。其中，移动物体的检测与跟踪当前对自动驾驶车辆来说尤其具有挑战性。传感器融合提高了检测和跟踪性能，使得能够实现360度环境感知，并提升自动驾驶车辆的表现。 通过传感器融合，感知过程通常分为两个层次。低层次融合使用雷达和激光雷达数据进行定位和建图。这些数据随后与高级融合模块中摄像头输入的数据相结合，以实现目标检测和分类。融合后的数据由车辆计算机处理，生成移动物体列表，用于进一步的车辆控制和路径规划。多传感器数据的加入显著提高了用于进一步车辆控制的数据的准确性和可靠性。 如果硬件是车辆的-eye和耳-实时收集车辆周围的数据，那么软件就是处理并应用这些数据以控制车辆的大脑。 软件是(车辆的) 大脑 ， 它处理和应用数据来控制车辆。 聚光灯下的 Robotaxis 3 - 2. 软件 软件栈是操作的核心大脑，负责监督整个自动驾驶过程，从分析车辆周围环境到创建高精度地图以进行车辆路径规划和车辆控制。 自动驾驶面临的最大挑战是在混乱和不可预测的道路条件下训练车辆使其表现优于人类驾驶员。这需要一个复杂的软件栈，能够处理大量传感器数据、对其进行分析，并实时控制车辆运动。 数据在自动驾驶出租车中的作用是为车辆提供必要的信息以确保安全和高效的导航。收集并处理的数据包括道路位置、交通模式、潜在危险，以及车辆性能、可靠性和驾驶偏好等方面的信息。随着数据量的不断增加，对先进技术如人工智能（AI）和机器学习（ML）的需求也在迅速增长。这些技术构成了自动驾驶车辆的认知基础，使它们能够从数据中学习并在道路上做出决策。 算法训练模型 模型训练用于自动驾驶应用涉及持续的学习和迭代。自动驾驶汽车会不断根据新数据和经验更新其算法和模型，从而逐步改进。主要有三种训练这些算法的主要方法。 In监督学习该机器学习算法基于标记的数据集进行训练。这类似于新司机学习驾驶的基本操作。在此期间，算法构建知识库，为进入真实世界做准备。算法学会将输入数据映射到预定义的输出标签，即识别并标注物体。这种训练方式增强了车辆识别和辨识周围环境的能力，是部署robotaxi上路之前的 crucial 步骤。 无监督学习基于未标记数据运行，旨在发现输入数据中的模式。对于训练车辆应对未知情况至关重要。无监督算法能够实时解析数据，识别模式并作出相应调整。 在强化学习 ，一个自主代理通过与环境交互来提高其执行指定任务的表现。这类似于监督学习，但具有稀疏且延迟的标注。强化学习对于训