2025年7月3日，由低速无人驾驶产业联盟主办，新战略低速无人驾驶全媒体、新战略低速无人驾驶产业研究所承办的“2025(第五届)低速无人驾驶场景生态共建拓展大会”在杭州盛大举行！（推荐阅读：千人聚势启新程！2025（第五届）低速无人驾驶生态大会盛大举行）
本次大会特设2场圆桌论讨，邀请了学术专家、主流企业代表、产业研究学者等多方对话，从“前瞻技术”和“市场探索”双角度，围绕数个核心热点话题，深度探讨了低速无人驾驶产业发展的当下与未来。
其中，圆桌论坛一（技术前瞻）由低速无人驾驶产业联盟副主席、海神机器人创始人&董事长于明坤主持。
特邀嘉宾：
麦迪克智行汽车董事长/吉林大学汽车工程学院教授 靳立强
盟识科技副总裁 沈俊
中科智驰董事长 江如海
昆明理工大学副教授/未来交通创新研究院执行院长 沈世全
华中科技大学人工智能与自动化学院教授 陶文兵
盈峰环境智能技术中心副主任、博士 方小永
低速无人驾驶产业联盟副主席、海神机器人创始人&董事长于明坤
随着人工智能、大模型技术与自动驾驶算法的快速发展，低速无人驾驶作为率先落地的场景之一，正站在产业化的关键拐点。本次圆桌邀请六位来自产业界与学术界的重量级嘉宾，围绕“突破感知与决策瓶颈”与“聚焦AI技术与大模型应用，实现技术降本”两大议题展开深度探讨，洞察低速无人驾驶系统的核心演进路径与未来创新方向。
突破感知与决策瓶颈：下一代低速无人驾驶系统的核心技术融合与演进
自动驾驶系统通常由多个技术模块构成，包括环境感知、精准定位、决策规划、控制执行、高精地图、车联网协同等。在这些模块中，感知与决策是整个系统中最复杂、最核心，也是目前技术突破难度最大的两大环节。它们直接决定了自动驾驶系统所能达到的智能等级和安全边界。如何提升传感器融合的效率，如何优化决策系统在复杂场景下的稳定性，也是企业重点关注的方向。
同时，业界在探索各种技术路径，包括轻量化多传感器融合方案、基于AI大模型的感知增强、决策与感知协同优化、云端算法迭代更新等。这些探索正在推动技术走出实验室，迈向更广泛、更复杂的真实场景应用。
盟识科技副总裁 沈俊
盟识科技副总裁沈俊表示盟识科技专注于无人矿山领域，盟识的初衷不仅是用技术替代人力，更希望通过智能化手段在整个产业链中创造更大价值。特别是在国家关键矿产资源的开采环节，公司致力于通过自动化与智能化提升其安全性、效率与可持续性。围绕这一目标，盟识构建了面向矿山场景的无人驾驶平台，不仅解决了矿区“缺人、少人”的现实问题，更重要的是推动矿产资源开采向着更加安全、高效、持续的方向发展。
麦迪克智行汽车董事长/吉林大学汽车工程学院教授 靳立强
麦迪克智行汽车董事长/吉林大学汽车工程学院教授 靳立强在谈感知与决策时，表示当前企业往往只关注算法本身，却忽视了决策必须以车辆动态性能为前提这一根本事实。当前低速无人车大多沿用传统商用底盘或工程装备的设计逻辑，其制动、加速和转向能力并不匹配自动驾驶决策的需求，导致算法“想得快、动得慢”。
他以某个港口启用无人转运车将出口整车从堆场运往泊位为例，以无人车运输虽然降低了人力成本，但速度缓慢，而船舶靠泊按小时计费，整体运营成本反而上升。
问题不在算法，而在 “底盘不对、决策受限”：这些无人车的制动系统按工程机械标准开发，无法实现乘用车级的快速制动。我的观点是，低速无人驾驶没有必要照搬传统底盘。面向场景的轻量化、模块化底盘能显著提升制动与动力响应，为决策算法释放更大空间——只需处理核心的六自由度车辆运动，就能避免许多原本无法规避的风险。
换言之，感知‑决策的突破不能脱离车辆本体的重新设计。只有让硬件与算法协同演进，低速无人驾驶才能真正做到高效、安全、低成本落地。
盈峰环境智能技术中心副主任、博士 方小永
盈峰环境智能技术中心副主任、博士方小永则从技术的角度为我们分析了两条自动驾驶主流技术路线：即以特斯拉为代表的视觉主导（端到端）路线，外界常称其为“纯视觉”，其实更准确的说法是“视觉主导 + 端到端深度学习”。车辆直接处理摄像头视频，通过大模型从数据中学习驾驶决策，尽可能减少人为规则干预。以及绝大多数企业仍采用“感知‑决策‑控制‑执行”的分层框架，典型代表百度开源的Apollo。该框架用多传感器融合做感知，再按人工设计规则进行决策与控制。
传统框架的瓶颈在于高度依赖手工规则：车辆交付后，研发团队仍需不断回收数据、修补规则来应对新场景——这也是为什么“服务”往往被迫成为产品的一部分。相比之下，端到端大模型通过对海量视频数据的持续学习，直接形成安全驾驶策略。例如遇到障碍物时，它不是按工程师预设的规则“如果‑那么”避障，而是像人类司机一样基于经验做出最合适的动作。这种自学习能力让系统更容易泛化到陌生环境。
他认为，随着大模型能力的快速提升，端到端自动驾驶技术可能是突破当前感知‑决策瓶颈、从根本上提升自动驾驶可靠性与效率的关键路径。
中科智驰董事长 江如海
中科智驰董事长&总经理江如海提到，作为最早一批布局大模型技术的企业，中科智驰已联合中科院推出了“骁行动力”多模态端到端智驾大模型，探索新一代智能决策路径。
他认为，当前自动驾驶决策端的提升主要依赖于大数据与模型训练，但感知端仍受制于传感器物理极限与样本稀缺。例如在真实场景中，无人车常难以区分不同类型的路面，甚至在高速上识别锥筒也会出错，这反映出传统感知手段的局限性。行业正在尝试“车‑路‑云一体化”，但基础设施成本高，落地难度大。
未来感知与决策的技术突破应以“场景定义先行”为核心，结合多模态大模型进行有针对性的能力构建，而非追求一套通用方案。端到端架构、多模态融合、强化学习等先进方法，将成为提升低速无人驾驶安全性和泛化能力的重要方向。
昆明理工大学副教授/未来交通创新研究院执行院长 沈世全
昆明理工大学副教授/未来交通创新研究院执行院长沈世全指出，低速无人驾驶与乘用车自动驾驶应区分对待。由于速度低、场景相对可控，低速无人车对感知、决策、规划等系统的性能要求相对较低，更应关注成本控制与方案实用性。
但一旦进入城市末端物流、乡村道路等非结构化场景，感知复杂度甚至超过乘用车，对系统能力提出更高要求。此时虽然端到端具备潜力，但受限于数据稀缺和泛化能力，目前尚难支撑大规模落地。从决策层面看，低速无人车在大多数场景下已有较为成熟的决策方案。未来，随着人工智能与多智能体协同技术的发展，其在复杂动态环境下的交互能力也有望进一步提升。
华中科技大学人工智能与自动化学院教授 陶文兵
华中科技大学人工智能与自动化学院教授陶文兵认为，低速无人驾驶不能简单照搬乘用车的端到端大模型方案，而应结合行业特色，设计针对性的数据采集和模型优化策略，提升系统性能与可靠性。
他强调，低速场景对感知和决策的实时性要求较低，因此算法复杂度可以适当降低，可靠性反而更易保证。相比高速环境，低速无人驾驶在成本控制上也更具优势，不必依赖昂贵的芯片和算力。
不过，低速无人驾驶的应用场景往往更为特殊且复杂，例如垃圾清扫、无人配送等涉及多功能、多任务的操作，对感知模型提出更高要求。特别是在无车道线、小区、地下车库等复杂、无GPS信号的环境中，定位和导航成为挑战。此外，极端天气和恶劣环境下的感知与避障能力也是关键瓶颈。
聚焦AI技术与大模型应用，实现技术降本
随着低速无人驾驶技术应用场景的不断深入，数据规模也在持续增长，推动技术逐步革新。
大模型的核心价值之一，就是通过技术创新降低整体成本。在人工智能产业落地过程中，通用模型与垂直领域模型正逐渐形成协同运营的模式。同时，深度生成式AI也变得更加“接地气”，逐步从概念走向实际生产力，越来越多企业开始关注如何利用AI大模型降低技术和应用的门槛。同时，AI大模型虽然能推动制造业等产业的智能升级，但在落地过程中仍面临数据安全、模型泛化能力不足等挑战。
“大模型正成为推动应用落地的关键力量”，陶文兵教授首先肯定了大模型对于智能驾驶乃至自动驾驶发展的重要性，当前，越来越多企业通过收集语言、语音、视频乃至三维空间数据来训练大模型，这已成为不可逆转的趋势。
他建议，针对低速无人驾驶场景，企业应充分利用场景的可控性和细分性。不同领域如矿山、港口等，实际上可以用更少的数据和资源，训练专用的小型大模型，这对成本控制非常有利。
传统无人驾驶需要大量实地数据采集，成本高昂，尤其对中小企业来说几乎难以承受。但在大模型时代，生成式AI技术能够合成各种训练数据，如具身智能事件模型，帮助我们在数据不足时通过合成数据进行模型训练。这为低速无人驾驶前期减少数据采集成本提供了有效手段，也带来了门槛的大幅降低。
靳立强则对当前智能驾驶大模型的应用持比较谨慎的态度。虽然大模型已经深刻改变了我们的生活和工作方式，但在无人驾驶领域，尤其是智驾大模型的成熟和普及，还还有很长的路要走。
他结合自己试乘国内头部企业智能驾驶车辆的经验，表示现阶段智能驾驶系统依然面临认知世界的巨大挑战，智能驾驶大模型的完善还有许多技术难点需要突破。
方小永结合自身在环卫领域的经验，剖析当前大模型的实际应用层次：第一层，是像OpenAI或国内头部企业这种具备全栈训练能力、能深度调参的团队，他们真正用到了大模型的“灵魂”；第二层，是具备一定技术能力，能对部分参数进行微调的企业，这类还属于少数；第三层，绝大多数企业仅使用开源模型进行简单调用，没有深入优化，严格意义上这还称不上是“生产级”应用。
以环卫行业为例，模型的落地应用必须考虑“低速、高频、强作业”三个特点。环卫车不仅需要自主行驶，还必须精准、高效地执行清扫等作业任务，作业动作频繁，对系统实时性和稳定性要求极高。
因此，大模型不能一蹴而就地“接管”全部流程，但可以局部赋能，例如在感知模块中引入大模型提升识别精度与泛化能力。问题在于，当前大模型需要强大算力，若部署在云端，又必须解决时延与通信稳定性问题；若部署在车端，则对芯片能力和系统协同优化提出极高要求。
相对于前瞻性布局未来10年大模型芯片需求的企业，我们当前仍处于探索阶段。这说明，唯有实现端、云、边在算法与算力层的深度协同，智能驾驶的大模型应用才能真正落地并降本增效。
江如海提出：初创公司要将有限资源用在最关键的“刀刃”上，将AI视为“工具型能力”来赋能产品与服务，而不是盲目追逐“自研大模型”的技术热点。
大模型和AI技术在智能驾驶领域确实带来了显著的便利，尤其是在从感知到决策的数据处理环节，提升了整体效率。但它同时也是一把双刃剑。原因在于，大模型的训练和应用通常需要高昂的算力投入和基础设施支撑，这对很多初创企业来说是沉重负担。
他表示，并不建议中小型企业在当前阶段盲目进行大规模自建模型或算力平台的投资。更合理的方式是将大模型作为降本增效的辅助工具，而不是作为主要的技术路线或核心资产。同样，在生产端，许多辅助性工具也在帮助我们提升工程效率。我们应聚焦于如何借助这些现有AI能力优化业务流程、提升交付质量，而非重资产投入自主研发通用大模型。
沈世全教授也认同这一观点，他表示，大模型强调通用性，什么都能做，但往往“广而不精”。而在低速无人驾驶领域，车辆运行必须满足高安全性、实时性、可靠性和稳定性，这些特性对模型的精度和专用性要求极高。
他建议企业更应聚焦于将大模型“专业化”“小型化”“场景化”。针对特定应用场景打造轻量、精准的模型，才是当前落地应用的关键路径。
最后，沈俊则从矿山无人驾驶企业的角度指出了大模型研发方向：一是强化学习驱动的车辆调度，由于矿山数据保密性，在本地利用强化学习训练调度模型，在高耦合、复杂作业条件下优化矿卡运行效率，同时避免对矿区投入过多专业人力。
二是多模态感知压缩，一辆矿卡往往需要 6–7 个高清摄像头，原始视频带宽和算力开销巨大。盟识通过大模型实现多模态特征压缩，显著降低算法侧的计算与传输成本。
三是世界模型 + 规则库应对长尾场景，矿区真实数据稀缺且长尾情况多，盟识正与学术界合作，将世界模型引入数字孪生仿真，结合现有规则库持续迭代“补丁”，既解决数据不足，又保持决策的可解释性。
通过这三条路径，在不泄露敏感数据的前提下，打造安全、高效且易于落地的矿业无人驾驶大模型。
写在最后
最后，于明坤指出，低速无人驾驶正站在智能技术深度融合与产业场景加速落地的关键节点上。企业要在这条新赛道上穿越周期、行稳致远，核心在于“走好三步”：第一步是打好技术基础，稳住安全、感知、决策等底盘能力；第二步是走出场景闭环，把技术真正嵌入港口、矿山、环卫、物流等高价值应用；第三步是迈向智能驱动，用AI与大模型实现效率重构与成本革命。
