“商用車自動駕駛目前從政策法規、市場環境、客戶需求以及技術發展方向來說都是有一個有效的推動，對商用車本身來說，自動駕駛主要的發展目標是安全、節能、提高運輸效率，這是我們商用車自動駕駛的主要應用方向?！睎|風商用車技術中心主任工程師李洋表示。
我們做了大量的客戶調研，場景的需求分析，目前我們主要是在五個應用場景下做的一些工作。
第一個場景就是各種大型物流，京東、順豐會有一些高速物流的需求。
第二是受控區域的，國內做的比較多的港內的無人駕駛集卡，現在在大連港、青島港、上海港那邊都有一些示范運營。
第三是中型專用車平臺，比如環衛、園區里面的掃地車，這種也是比較好落地的場景。
還有就是點對點的，除了港外的，像洋山港這種固定路線的，還有我們了解到的京東、順豐這種大型的中轉中心里面有分揀中心之間的倒運需求，場景相對比較簡單，但是它需求又比較強烈，因為它一直會有倒運車輛在園區里面轉運貨物。
第五，就是礦區里面倒運的。
而在關鍵技術方面，我們現在都知道，單一傳感器感知能力有限，都是基于多傳感器的融合來做，尤其是在剛才說的受控區域里面，因為受控區域最終的目標就是希望無人駕駛，因為客戶的需求主要就是能夠降低人力成本。
對于高速路這種場景，我們都是基于視覺還有毫米波為主要的方案。受控區域就需要根據我們具體的場景和功能來定了，不能統一的說用哪種技術。還有專用道路對于感知的傳感器的需求就沒有像在港口或者煤礦這種場景下的要求那么高。
在我們做產品方案的時候，從法規上有一些要求，在滿足功能性能的基礎上我們還有一些跟著市場的發展趨勢，包括對于我們成本的管控。
還有就是商用車的特殊性判斷，目前我們國內的大型商用車怠速振動還是比較大的，所以傳感器本身的應用環境要求還是比較高的。激光雷達在怠速振動比較大的時候，問題還是比較多的。
所以對于激光雷達來說，后續如果要用的話，至少是在抗震性等方面的要求要匹配。
在一些項目的經驗方面，比如港口場景，客戶是希望能夠提高效率，所以對于車輛跟后臺的交互，希望自動駕駛能夠實現精準的交互，所以我們需要做精準的定位，主要分為兩部分，在堆場區還有港口兩部分，堆場我們基于差分定位和攝像頭來做，港口我們主要基于激光雷達來做精準的點云定位。
商用車是以“掙錢”為目的，所以我們在保障安全的情況下，我們希望能實現高效，提高運輸效率。比如，我們前面做了一個車隊隊列的功能，主要是在協同規劃的時候，保障前后車的安全作為第一位，然后再來提高車距和提高效率的環節。
在港口里面我們目前看人工駕駛一般說一個循環是20分鐘左右，自動駕駛至少在保證安全的情況下，跟常規道路不一樣的地方主要是從堆場去出來以后的叉路口還有一些地方都是需要停車來保證安全性要求的。
而在高速上有些不可控、復雜的場景我們是希望做深度學習來實現認知、決策一體化的控制模型。
比如，我們在港口上做了一個比較典型的功能，就是自動倒車的功能。傳統的大型集卡，像我們這種老司機去，估計都得開個十分鐘才能倒進去。但是基于傳統的倒車模型來做自動駕駛功能，倒一次最多也就兩分鐘。這就是基于傳統的整車運動學模型來做運動控制。
比如，精準停車，商用車如果要做自動駕駛就要區別于乘用車，商用車目前大多數是氣動的，響應的時間還有響應過程都跟傳統的乘用車、電動車差異性還是比較大的。
目前，基于我們執行系統的特性分析我們做的一個分階段的縱向的自停系統控制，在不同的載荷，不同的道路環境下我們都能做到3到5厘米左右。
另外，整車L3以下的電氣架構更接近現在傳統的整車架構，對于后續的L3以上，我們都是基于直控式的。第二個方案，我們也初步有一個想法，基于集成式的架構我們也在做，主要是針對不同的域來考慮。
商用車自動駕駛主要是針對兩種場景，高速路我們都是進行場地測試和開放道路的測試。但是對于一些封閉道路的話，我們現在更多的是去找一些客戶，到一些實際的場地來做這種示范運營，積累經驗。
第二，剛才說的幾個典型的受控區，各種場景在目前的示范區里面是很難模擬出來的，所以我們更多的是跟客戶一起做示范運營是更合適的。
而在目前的挑戰方面，比如公開道路要求的車速比較高，所以在橫向控制上存在很大的難點。在受控區域，其中一個問題是高精度定位，因為在港口的地方不是只是用高精度GPS一下就能解決，或者用激光雷達一下就能解決，它是多種定位方案一起來做。
然后就是混雜交通，因為我們跟港口有做過交流，他們明確表示，L4是逐步的取代，所以很長一段時間也會存在自動駕駛車和傳統車輛的融合。還有一個就是像港口這種場景，會存在自動駕駛車輛跟裝卸貨設備，還有后臺，還有碼頭這種運輸船只，整個工作系統的集成這都是一個大問題。
應對策略的話，單從車廠的角度有一些問題是很難解決的，像定位的問題，或者是傳感器本身性能的問題，這都是需要我們整車廠和各個技術公司一起來解決這些自動駕駛面臨的應用問題。