在有人驾驶时，这些问题都是仰赖驾驶员的能动性，一旦把人去掉，这些流程则都要靠机器和算法来解决。为此，九曜智能甚至开发了号称是全球第一款的自动脱钩挂钩装置。

这背后贯穿着一个重要的方法论，在工业领域，仅完成单车智能驾驶是不够的，还需要实现对车辆与车辆之间，车辆和工艺流程之间的全自动化协同，唯有如此，工业级自动驾驶才是一套商业化可行的方案。这背后必须基于对工业场景的深刻理解。事实上，深耕场景这四个字不断出现在每一个自动驾驶企业负责人的口中，这反映出了工业级自动驾驶和消费级自动驾驶本质上的不同。

“客户不再需要演示系统。”踏歌智行研发副总裁邬海杰说，“他们需要的是生产系统。”只有在保证安全的基础上，降低成本，提高效率，工业级自动驾驶才有可行性。

“我是个老板，我不管你高大上，原本我花100万能搞定的事，如果自动驾驶要花200万，对不起，110万我都不会出钱。”史亮说到，to B的客户都是理智型消费，自动驾驶在工业领域要做的不是追求尖端技术，而是对场景本身的深入了解。

相比之下，L4级自动驾驶从来不是这些工业级自动驾驶厂商的核心追求。换而言之，实现它的难度远比消费级L4自动驾驶来的低。这其中最重要的原因是速度。场间物流车辆的最高时速在40km/h左右，同乘用车相差甚大。较低的速度意味着对算力需求的降低。有业内人士表示相比乘用车动辄几百乃至上千TOPS（英伟达的最新汽车芯片算力高达2000TOPS），工业级无人驾驶的算力需求在100TOPS以内，这无疑极大降低了成本。

但这并不意味着工业级自动驾驶没有难点了。

同一技术底座上开出两株花

从某种意义上讲，速度导致的算力需求降低几乎是工业化自动驾驶唯一“占便宜”的地方，除此之外，基于深耕场景逻辑，工业级自动驾驶所要解决的难点丝毫不逊色于乘用车——只是大家走在了不同的方向上而已。

张娜给我们举了一个例子，港口货运最难的一个技术点是岸桥对位。岸桥是岸边集装箱起重机的简称，斯年智驾的IMV需要精准与其对接，才能装载集装箱货物，这被称为对位。然而由于环境设备遮挡，岸桥下难以依靠GPS实现定位，斯年智驾团队最开始的解决方案是对岸桥进行某种改造，比如贴一些标志物，以便激光雷达能够捕捉信号从而定位。但方案落地的过程中这种思路被否定了，因为改动岸桥设备会影响港口对其的维护。

最终斯年智驾自研了一套融合感知技术方案，能自动识别岸桥位置，在不需要对港口进行任何改造的情况下实现精准对位。

实际上融合导航定位技术在工业级自动驾驶领域的广泛应用已经成为现实，九曜智能和踏歌智行同样拥有一套自己的融合导航定位算法。尽管总体上他们的融合导航定位传感器同乘用车是一样的，都由视觉、激光和毫米波雷达构成，再加上GPS-RTK/IMU/DR等辅助，但它们的诉求却截然不同，这同样是基于落地场景。

九曜智能需要用算法保证极高精度定位，比如卡车倒车行驶时，其定位精度应达到2公分，这比乘用车自动驾驶要求的精度要高得多。而踏歌智行的矿山场景则要求传感器在种种恶劣的环境下依旧可以保证正常工作，邬海杰介绍的案例中既包括海拔超过5000米的高原、冬天气温低于零下40度的东北地区，还有气候相当潮湿多雨的南方。

另一个同乘用车自动驾驶不一样的地方是对云端中台的依赖。在有人驾驶时代，对车辆的调配和协同都由人来完成，自动驾驶则把协同的工作集中在云端，这看上去像是工业物联网在驾驶领域的应用，随着对场景理解的深入，云端中台将成为工业场景万物互联的入口，对自动驾驶车辆的调度协同是其中一个组成部分，终极的形态是让客户通过云端，如臂指使地调控应用场景中的一切。

这些同乘用车迥然不同的诉求都是基于场景深耕之后的产物，像是同样的技术底座上开出的两株花朵，只不过一个尚含苞，另一个已欲绽放。

蜻蜓将要飞走

面对 to B 客户，没有人会仅交付一套高精尖的技术。尽管最核心的逻辑上，工业级自动驾驶和乘用车自动驾驶是相通的，但在商言商，自动驾驶公司们都在努力给客户交付一套完整的解决方案：一个成熟的L4自动驾驶技术是远远不够的，客户需要的是不仅在技术上，同时也要在场景痛点上满足需求。

“技术的门槛相对没有那么高，但对场景的理解能力则千差万别。”一位熟悉工业级自动驾驶的行业人士表示。斯年智驾的第一个项目宁波港大榭码头在正式落地前经过了1000多项港口相关测试，九曜智能则为了满足客户的安全性需求，用8个多月的时间通过了欧盟CE检测和TÜV莱茵无人驾驶安全评估，踏歌智行则基于十余个矿、百余辆矿车、上万天系统的运行数据，最终实现了“虚拟安全员”系统对安全员的替代。

你可以把这些理解为扩张前的蓄势。事实上几乎每个人都提到了所谓先发优势，越早进入一个行业，越早洞悉痛点，就能越早累积经验。

邬海杰讲述了一次去矿区调研的经历，矿卡司机曾当面提出质疑 ：“我们坐在车上，听着发动机的声音和车身的振动，凭借经验就可以察觉到车辆状态可能出现问题，如果矿车无人化了，车辆状态有问题该如何识别和处理？”邬海杰当时的回答是，无人化以后，采集发动机的转速、噪音、振动等各类数据，通过深度学习算法，可以像“老司机”一样识别可能存在的问题，从而实现客户所需的车辆预测性维护。这是一个专家经验数据化、数据智能化的典型过程。

史亮同样举了一个例子，当时他们的系统已经在丰田车间上线，有一次车辆在自动运行的过程中突然暂停了七八秒，工程师们从空中看不到任何物体，直到分析地图时才发现，空中悬停了一个十公分的物体，那是两只蜻蜓。随后算法被修改，遇到类似的情况时车辆将会继续运行。

张娜把这种状况称之为场景和工程化的积累，因为类似的问题只有在方案落地的过程中不断遇到，相应的算法随之不断进行迭代升级才能解决。在这里，时间是一道迈不过去的坎，而当场景深耕足够到位，蜻蜓已然飞走，下一步才是规模化的复制和泛用。

这一步现在已经到来。九曜智能判断2023年为工业级自动驾驶的爆发元年，斯年智驾则想在今年铺设不少于10个码头累计运营300辆无人驾驶车队，而踏歌智行仅去年在手的订单金额就达到了10亿，你可以将它理解为时间的回报。

工业级自动驾驶的急速发展同消费级自动驾驶的后退形成了鲜明对比，放到十年前恐怕没有人会预料到这样的结果。2020年，《智能网联汽车技术路线图2.0》发布，对未来15年汽车行业发展做出顶层规划，其中提到2025年在特定场景和限定区域实现高度自动驾驶，这一目标现在看来，即将由深耕工业场景的自动驾驶企业实现。