近几年，在一些半封闭/全封闭的低速场景中，一些自动驾驶项目已进入商业化探索阶段，比如末端物流、环卫、矿山等。而在高速场景中，干线物流也同样步入了商业化探索阶段，其商业化进程不落于低速场景的自动驾驶项目。
一方面，传统的干线物流行业正面临司机招工难、留人难、工龄大、人工成本高等问题，同时，行业的竞争压力也日益增大。而自动驾驶技术不仅可以帮助物流企业节省人力成本，也可以通过算法和车辆控制，让车辆行驶成熟度趋近老司机水平，实现降低油耗。
另一方面，干线物流拥有较大的市场空间，这也是吸引自动驾驶公司投身于该场景的原因。
那么，目前在干线物流赛道的自动驾驶公司采用的是什么样的商业模式？如何去实现降本增效？又面临什么样的挑战？带着这些问题，笔者先后拜访了宏景智驾高等级自动驾驶产品线负责人郑隽年、挚途科技解决方案总监黄文欢、智加科技资深研发总监韩坪良、原德邦战投投资总监胡晨等专家。
本文从5个方面详述了干线物流，包括自动驾驶在干线物流场景的落地、商业化进展情况、现阶段自动驾驶如何为干线物流场景降本增效、商业化面临的挑战、中美差异。
一、自动驾驶在干线物流场景的落地
干线物流指利用城市之间道路的主干线路，进行大批量、长距离的货物运输。笔者简要梳理了干线物流的特点、痛点、自动驾驶落地层面的优势，具体如下：
二、商业化进展情况
2.1 商业模式
2.1.1 商业模式的类型
当前自动驾驶企业采用的无人干线物流商业模式主要为4类：提供技术解决方案、提供自动驾驶技术服务、提供第三方运力服务、提供造车+自动驾驶系统+运力的模式。
（1）提供技术解决方案
提供技术解决方案：自动驾驶企业作为tier1，向主机厂提供自动驾驶系统，包括传感器的配置方案、计算平台、算法的开发与迭代等。
盈利模式：通过售卖自动驾驶系统与后期技术服务费用来获取收益。
优势：能够提前获取现金流，可以较快地覆盖研发成本；不会直接持有重资产，运营模式较轻。
挑战：初期客户对自动驾驶技术的认可度不高、买单意愿不强；缺少场景数据，不易于产品的快速迭代。
（2）提供自动驾驶技术服务
提供自动驾驶系统的运营服务：属于SaaS模式(Software as a Service)，物流企业等客户采购自动驾驶企业所合作的主机厂车辆，同时自动驾驶企业向其提供自动驾驶技术的运营服务，而客户负责管理和运营车队。
盈利模式：自动驾驶公司向物流企业出售智能车，并按照每公里的固定单价收取技术服务费。
优势：以轻资产模式运营的同时，也可以获取到运营数据。
挑战：客户仍然需要持有重资产，在产品与服务未得到验证时，很难让其为车辆买单。
（3）提供第三方运力服务
提供第三方运力服务：属于TaaS模式（Transportation as a Service），自动驾驶企业自建运营车队，并负责自动驾驶技术的开发和迭代。
盈利模式：承接物流企业（托运人也可以是大型企业，如雀巢等）的干线业务，并按照运费的市场价格收取费用。
优势：有利于获取运营数据，加快自动驾驶技术的迭代；更容易拿到物流订单。
挑战：重资产模式不利于车队规模的快速扩张。
（4）提供造车+自动驾驶系统+运力的模式
提供造车+自动驾驶系统+运力的模式：自动驾驶公司一方面提供自动驾驶全套系统与第三方运力服务，另一方面通过增加造车的方式，提升量产交付能力，解决运力不足的问题。比如图森与Hydron在未来潜在的协同合作，Hydron与图森虽然在股权上没有直接的关联，但两家公司的创始人皆为陈默，未来两家的合作也存在可能性。Hydron的定位在于提供氢能卡车，而图森的定位则致力于自动驾驶技术的研发以及车辆运输的运营。
盈利模式：一种是通过卖智能车的方式，收取智能车的打包费用以及技术服务费用；另一种是直接参与运营，承接物流运输业务，并收取相应的运费。
优势：除了运力服务模式带来的优势外，该模式还可以保证车辆的量产交付，且也能保证车辆线控底盘的供应链安全。
挑战：该模式相比于单纯持有车辆来说，其资产会更重，容易对前期现金流造成较大的影响。
2.1.2 客户类型
自动驾驶企业在干线物流场景的客户主要分为两类：主机厂和物流企业。
（1）主机厂
主机厂作为自动驾驶企业的客户，该客户类型主要出现于提供技术解决方案的商业模式，比如智加科技与挚途科技的合作，智加科技主要是提供自动驾驶技术的解决方案。在此，也有人会问：为何商用车主机厂不直接自研自动驾驶技术？
第一，主机厂一直都有自研自动驾驶技术的意愿，但受制于内部组织架构的影响，很难在现有的组织结构下建立一个新的部门。
第二，现有的自动驾驶公司在技术成熟度上已经领先于主机厂，若主机厂从现在开始去追赶，就需要花费大量的人力和财力，但即使如此也未必能获得理想的效果。
第三，商用车主机厂的市场规模与资金实力都不如乘用车主机厂，自研可能会加重自身的经营负担。
（2）物流企业
物流企业是无人干线物流最终的客户类型，笔者在与各专家的交流中也发现，这些物流企业目前主要是快递/快运企业，为什么这类物流企业更适合当前的无人驾驶？主要原因是以下三点：
第一，快递/快运企业的货源量大，拥有多条干线线路。
某干线物流场景的自动驾驶公司研发负责人说：“我们首选的合作对象一定是快递/快运企业，他们的货源比较有保障，以京沪线的双边运营为例，他们能够帮我们匹配好两头的货物，而不会出现车辆空跑的问题。”
第二，快递/快运的物流运输主要集中在在高速公路，并且以长途线路为主。
一方面，卡车主要跑的是高速路，场景复杂度低；另一方面，大都是长途线路，可以利用当前的自动驾驶技术实现双驾变单驾的可能性。
第三，快递/快运企业迫切需要寻找提高自身运营效益的方法。
韩坪良说：“我们通过接触不同的物流客户后，发现有些客户拥有几千台规模的车队，但利润空间都很低，他们对成本控制的力度非常大，几乎把能省的一些东西都已经省掉了。对于这部分客户来说，他们会非常乐于去尝试一些新的技术，比如说自动驾驶。”
2.1.3 商业模式的发展趋势预判
（1）短期内，运营才是正确之路
从物流企业的角度来看，目前物流企业在尚未看到自动驾驶技术带来的商业价值前，他们不会愿意去掏钱购买自动驾驶技术。
一方面，自动驾驶技术还没得到可靠验证。物流客户在面对自动驾驶技术时，他们也希望能看到自动驾驶技术是否真的安全可靠？
另一方面，自动驾驶车的成本会远远高于当前的传统商用车，而物流企业仍然会质疑其是否可以产生额外的效益，从而覆盖掉自动驾驶车辆和安全员所带来的多余成本。
从主机厂的角度来看，若物流企业都不愿意买单的话，主机厂又有何动力向自动驾驶公司购买单自动驾驶技术，即使主机厂认同了自动驾驶技术在干线物流场景的价值，也难以找到客户来买自动驾驶卡车。
从自动驾驶企业的角度来看，各家的自动驾驶技术的差距会越来越小，不会存在某家的自动驾驶技术特别牛逼，或者某家的技术特别弱，未来决胜的要点还是在商业化落地进程，而运营是最有可能实现商业化落地的有效途径。
那自动驾驶企业做干线物流运营具体有哪些好处呢？
第一，可以慢慢积累运营数据，发现运营中存在的一些corner case，然后不断地优化算法。
第二，在客户为自动驾驶系统买单意愿不强烈的前提下，自动驾驶公司只能先通过运营获得持续的现金流收入，然后不断扩大运营车辆的规模，再去获取更多的数据来训练自己的算法。
（2）长期来看，部分自动驾驶企业会以提供整套解决方案或者提供自动驾驶技术服务为主
长期来看，干线物流场景必然是物流公司、主机厂、自动驾驶公司三方力量共同去推进。
首先，物流企业在看到自动驾驶技术的可靠性后，必然会放手去拥抱自动驾驶。
黄文欢说：“目前货源主要集中在大型物流企业手里，现阶段他们或许不会去为此买单，但在看到自动驾驶给干线物流行业带来的效益后，他们或许也会自己买自动驾驶车辆。”
其次，在看到物流企业认可自动驾驶的技术后，大部分主机厂会与自动驾驶公司以合作研发的模式，加大自动驾驶车辆的研发与生产。
最后，目前参与运营的自动驾驶企业会分为两部分，一部分企业会继续深耕重资产的运营，而另一部分企业会退居为Tier1（提供技术解决方案）或者软件服务商的角色。
针对后者的原因，主要有两点：
第一，初期某些自动驾驶企业做运营，其实更多的是一种不得已而为之的试验性行为，主要是为了让物流企业看到自动驾驶技术在干线物流的商业价值。然而，目前自动驾驶公司所能提供的运力，也只是一种有限的运力，并不能真正满足市场的潜在需求。
第二，自动驾驶企业作为软件型企业，本身前期的研发投入非常高，除非融资或者运营现金流收入能支撑重资产运营，否则这笔经济账必然没法打平，也会拖累公司未来的发展。
2.2 典型企业盘点
该部分简要梳理了一些典型干线场景玩家的信息，包括成立时间、地区、自动驾驶系统、融资阶段、投资方、合作伙伴。
表：典型企业信息盘点
三、现阶段，自动驾驶如何为干线物流场景降本增效
3.1 车辆编队
车辆编队是指多辆货车通过跟随的方式在路上行驶，每车之间需要保持一定的行驶距离。
车辆编队的主要优势在于可以减少后方车辆的风阻，从而降低油耗，同时可以通过跟车的方式，实现由原先的两车四人，变为两车三人。在国内，由于法规限制，后方车辆仍然需要司机。
虽然车辆编队确实具备上述优势，但是在实操过程中却遇到了不少问题。
第一，若遇到前方有障碍物，车队的自动变道难度会非常高。
在变道时，车队需要预留比单辆车更多的时间去做规划和控制。在路面环境相对复杂的情况下，自动变道会显得较为困难，此时就会被迫需要司机的人工介入。
第二，国内的快递和快运行业通常发车班次多且频率也高，但针对某条线路，较少会有多台车同时从一个分拨中心发车的情况。
郑隽年说：“比如从上海到北京的线路，同时发出两辆或多辆车的情况很少见，即使这条线路业务量很大，也会通过每天多班次的方式解决（如6点/10点/18点各一班）。”
第三，由于整个车队的长度一般会百米以上，这会造成邻车道的车辆行驶压力增大。
举例来说，如果此时一组车队正好在最右侧车道行驶，而一辆小车在左侧车道想要变道进入服务区，当看到旁边车道一长排的大货车时，小车司机可能需要被迫减速，等车队通过后才能变道进去服务区匝道。这或许会造成小车在等候变道时，被后方车辆追尾。
3.2 甩挂运输
甩挂运输是指货车按照预定的计划，在各装卸点甩下并挂上指定的挂车后，继续运行的一种组织方式。它的优势在于可以加快车辆的周转，提高运输效率，防止车辆空跑。
笔者在与各专家的交流中也发现，传统的干线物流其实也没有过多地用到甩挂运输。对此图森地创始人陈默也曾公开提到，中国甩挂业态还不成熟，国内甩挂率只有 5% ，而美国有 80%。
与此同时，陈默也表示无人驾驶非常适用于甩挂车辆，但从目前各家自动驾驶企业的实际应用情况来看，甩挂运输并没有真正实现很好地应用。
第一，甩挂需要有足够的货运量才能更好地“甩起来”。
某自动驾驶公司从业者说：“甩挂能不能真正地用好，取决于承运人所承运的货够不够充足。如果你的货够充足，甩挂的效率才能达到最高，货车才能一直在路上跑。对于货运企业来说，每个月的公里数就是他们的生命线。所以甩挂若能够让车辆的公里数跑足，这些货运企业就能获得效益。但是，如果货运企业的货运量不足而非要硬甩的话，反而会增加甩挂挂箱的租赁成本。”
第二，后方挂车的挂头很难做到标准化。
郑隽年说：“甩挂需要挂车的标准化程度比较高，这里标准化指的是头挂匹配的标准化，我们现在的挂车是千奇百怪的，其长宽高和制动能力等都有差别，头挂的接口也有两种标准，比如直插式或者握手式。在这种情况下，全行业的大规模甩挂是比较困难的，但在一个大车队内部还是可以做到部分甩挂。另外甩挂的比例还会受限于物流管理系统内的车、货匹配调度能力。”
第三，无人化甩挂的商业价值不明朗。
郑隽年说：“无人车若要做到自动脱挂、自动接挂，就需要配置额外的传感器和算法，也会带来额外的成本，目前从物流分拨中心来看，使用无人接驳带来的效率提升和人力节省等价值还没有被充分验证。”
3.3 减少人力
司机的工资高、占比大等问题，已经严重影响了物流企业的利润空间。所以减少人力应该是自动驾驶技术赋能干线物流场景非常重要的一点， 但受制于政策法规的影响（《交通运输企业安全生产标准化建设基本规范》规定，货运车辆每日运行里程超过400公里或高速公路直达超过600公里的，应按规定配备两名以上驾驶员；同时驾驶员连续驾驶时间不得超过4小时），长距离的跨省运输就很难去减少驾驶员。
当前部分干线物流场景的玩家开始在探索双驾变单驾，简单来说，就是凭借辅助驾驶技术，降低司机的疲劳度，从而把两个人减为一个人。
针对行业内双驾变单驾的原因，黄文欢解释道：“司机成本高一直是干线物流场景中一个重要的痛点，尤其是在整个行业经济不景气的情况下，运价被持续得压榨，导致物流公司在整个运输中没钱可挣了，这就倒逼着一个司机去开个800公里，乃至1500公里。正是由于这种大环境的影响，行业更加迫切地需要去探索一些新的模式，而双驾变单驾就是其中的一种模式。”
那么，双驾变单驾是否真的这么靠谱？
首先，以现在的辅助驾驶技术而言，虽然司机可以把一部分环境监控和车辆控制交给自动驾驶技术，可一旦出了事故后，事故责任仍然无法从司机身上移除。
其次，在中长距离（比如500公里以上）的干线运输中，即使车辆配置了高配版辅助驾驶功能，司机也不可能说直接睡觉或者做其它事情，他仍然需要时刻关注车辆的前方环境，时刻保持着高度集中力。
所以，双驾变单驾只能说是一种短期的过渡现象，并不能真正减少驾驶员，或者减轻驾驶员的疲劳感。但是，减少人力成本依然是未来自动驾驶赋能干线物流最大的价值，只不过从目前L2辅助驾驶技术来看，暂且无法做到完全地去安全员，而去安全员只可能存在于未来高阶自动驾驶技术中。
3.4 降油耗
理论上来说，降油耗一般是通过不断调节发动机的油门开度（喷油量），从而让车辆实现合理的喷油。通常，油耗的下降比例是指自动驾驶车辆的油耗相对于一个新手司机的下降比例。
从影响油耗的因素来看，主要可归纳为以下几点：
表：影响油耗的主要因素
结合这些影响油耗的因素，那如何才能利用自动驾驶技术来降低油耗？笔者在与各个专家的交流后，得出两种较为可靠的方法，可概括为：“看得更远”和“做得更精”。
所谓“看得更远”也就是利用好高精地图和车载的感知设备，提前获取到前方路面的情况（比如上下坡度比例、前方行驶车辆的车速等等），并做出更好的决策控制，比如更精准的刹车、踩油门等等。
再者，“做得更精”则是通过积累数据、优化算法的方式，让车辆行驶在最佳状态，保持发动机外特性曲线在最佳位置，也即是让发动机保持在最佳功耗区间。
自动驾驶技术最终会降低多少比例的油耗？笔者认为，在某些限制条件下，油耗的降低会趋近于一个极限值。
郑隽年解释道：“针对传统的燃油重卡在某条特定线路上的油耗会有一个理论的最优值，原理上讲，这是直接受到热力学第二定律限制的，我们通过各种节油算法，可以让油耗更加接近这个最优值，而不可能无限地降低油耗。同时随着车辆损耗的增加，它的油耗也会越来越差。”
假设某辆自动驾驶车在天气环境、线路方向、车辆载重都相同的条件下，其自动驾驶技术所带来的油耗下降空间必然不会高于老司机水平，而是无线趋近于老司机水平。
同时，不同地形之间的油耗下降幅度也有不同，东南、北方等平原地形的油耗下降幅度会低于西南、西北等山川地形的油耗下降幅度。这是因为在山川地形下，会存在较多的上下坡等复杂道路，而新手司机由于不熟悉道路信息，从而未做出合理的驾驶行为。
图：不同地形之间的油耗情况
四、商业化面临的挑战
4.1 技术方面的挑战
干线物流主要的行驶区域是高速道路，而上高速前与下高速后的城区路面相对比重并不大，所以此处技术方面的挑战主要是高速路面上所面临的挑战。
4.1.1 感知距离不够长
一般来说，商用车（特别是重卡）由于自身重量大的原因，就需要更长的制动距离，从而需要更长的感知距离，才能保障车辆能在安全范围内刹住车。
针对干线物流车需要的感知距离具体要多长？多位干线物流的自动驾驶专家表示，理想的感知距离需要保持500米左右。
郑隽年解释道：“主要是根据车辆的制动距离来推算，因为车辆的最高时速就是道路的限速，按照最高时速推算出500米可以保证在一个舒适的减速度下刹停车辆，也大幅降低了急刹带来的追尾风险。另外一个考虑因素是节油算法的需求，更早更远得看到前方交通情况，有利于车辆提前做出更经济的驾驶行为，比如本车道前方堵车时提前变道，以避免刹车损失车速。”
但是，市场上大部分传感器感知距离达不到500米，比如半固态激光雷达最远或许可达150米、摄像头一般为300米内，若需要达到500米可能就需要长焦摄像头。即使摄像头能够覆盖500米的感知范围，它的分辨率也不会高，看到的景象也会不清晰。
对此，韩坪良补充道：“这并不是单个摄像头就可以实现的，智加是通过多组摄像头来感知不同的距离段，然后用融合的方式来呈现近处和远处的景象。”
4.1.2 变道的难度大
国内高速路相比国外来说，行驶的车辆一般较多，避障是单车智能必然会遇到的问题，而商用车由于车身长的关系，其避障的难度也会高于乘用车。
某干线物流场景的自动驾驶公司研发负责人说：“在上帝视角的情况下，大家会把变道这个动作做得相对保守，并尽量不变道。比如说前方有辆事故车，除非我在等待一段时间后，确实发现该车是一辆事故车，才会选择变道或者让驾驶员来判断要不要变道。”
这属于一种相对保守的策略，但有些自动驾驶公司也会选择较为主动的策略。比如在发现前后车辆较少的情况下，通过传感器的配合，先对前后方进行感知和预测，然后判定变道的速率和时机，最后对车辆做出合理的规控。
4.1.3 质心的偏移
在干线物流场景下，卡车的控制难度其实不在于转弯（比如180度转弯或者90度转弯等），因为车辆更多的行驶时间是在高速路上，不存在过多的高难度弯角，所谓的控制难度应该是高速路上的直线行驶控制上。
通常来说，挂车后方的货物摆放在集装箱内的位置不均匀，比如位置不同、大小不同，这就会造成司机在行驶时，车辆会发生质心偏移（质心是指车辆的质量中心，一旦发生偏移会导致车辆的横向控制不稳定），这是干线物流车比较突出的控制难度。
在与业内专家的交流过程中，大家也提到了一些应对的方案：
第一，载荷与质心的估计。
某干线物流场景的自动驾驶公司研发负责人说：“载荷的估计是指车辆大概装了多少重量的货，通过对车重的估计来判断，行驶时油门踩多大、输出多大的动力；质心的估计是指通过算法的动态调整来估计车辆质心的大概位置，然后计算出方向盘的转角需要多大。当然，算法在做这些估计时，也会存在一定的偏差，但随着行驶距离的变长，算法最终会有一个收敛的过程，方向盘的微调也会越做越好。”
第二，挂车车身和货车车头之间折叠角的估计。
货车车头与挂车之间是通过挂钩链接，但这种链接方式不会将后面的挂车给锁死，所以车辆在行驶过程中，后方的挂车往往会有略微的左右摇动，这也会造成车辆的质心产生偏移。
郑隽年说：“在车辆行驶过程中，车头与挂车之间会形成一个折叠角，在高速行驶时，我们可以通过算法去预估这个折叠角，然后将车辆控制在一个相对平稳的状态。”
图：半挂车折叠角示意图
（来源：《半挂汽车列车轴偏角对折叠角的影响分析》）
4.1.4 线控底盘的冗余技术不成熟
商用车的事故严重程度会比乘用车高很多，所以当跨入高阶自动驾驶技术后，车上已经是无人的状态了，此时车辆就需要线控系统做出多重的冗余，才能保证车辆的安全行驶。
一方面，单一系统的多重冗余。在某一个线控系统功能内，是否能保证多重的冗余，这一点是非常关键的，比如线控转向是否具有独立的控制器和独立的电源。
另一方面，跨系统的冗余。举例来说，当两套线控转向系统都失灵的情况下，车辆是否能够实现跨系统冗余。
某商用车自动驾驶公司市场从业人员说：“当前商用车的底盘基本可以实现线控，但线控技术（比如线控制动、线控转向等）未能做到完全的冗余。”
4.2 工程化方面的挑战
4.2.1 测试资质易拿，但能否熟练上路则不一定
目前，干线物流自动驾驶企业拿到测试资质是相对容易的，某些地方政府也会开发一些封闭场景和开放道路场景，供自动驾驶企业进行上路测试，最终通过专家组意见给予合格资质。
但来自这些测试道路的数据不一定能用在实操中：
一方面实际运营的干线路线与测试路线会不同，比如路上的环境，上下坡位置等等信息；
另一方面，测试的数据量是非常有限的，无法很好地训练算法，就好比一个新手司机，考驾照容易但上路难。
4.2.2 数据的积累缓慢
当前自动驾驶在干线物流的线路不会覆盖全国，作为测试阶段仅仅可能只是单个线路来回跑（目的是数据积累和算法训练），所以道路数据的积累过程一定是非常缓慢的。
一方面，不同的线路有着不同的道路信息，所以也不可能将已有线路的算法模型进行简单地平移。
另一方面，从发展策略上来说，在车辆规模尚未起量时，自动驾驶企业作为运营方也不可能会同时多点开花——即多条线路一起探索运营，而是会在一条线路的算法模型跑通后，再去开拓另一条线路的算法模型。
4.3 商业方面的挑战
4.3.1 经济账暂时无法做到盈亏平衡
从当前市场的发展现状来看，无人干线物流的经济账还不能完全打平。
首先，前期传感器、线控底盘、自动驾驶软件成本非常高。
某干线物流场景的自动驾驶公司研发负责人说：“当前整套自动驾驶系统的成本在30~40万左右，今年或许会降至20~30万左右，每家公司都有一个成本下降的预期。一方面，博世、ZF等线控零部件商的竞争也会越来越激烈，这些零部件的价格未来也会有所下降。另一方面，比如半固态激光雷达的发展也到了前装量产的阶段，成本也在逐步下降。前几年主机厂会觉得自动驾驶或许离商业化还很远，但这两年随着干线物流场景项目的验证后，主机厂的态度开始转变了，他们会觉得自动驾驶必须干了，比如原来主机厂不会主动与博世洽谈线控转向的价格，但现在也会主动的去帮自动驾驶公司谈这个事情。”
其次，后期各种传感器的维护及线控零部件的更换成本也非常高。
黄文欢曾在盖世的商用车主题论坛上也提到，相关厂家均基于乘用车经验来确定智能套件质保周期，乘用车每年行驶里程比较有限，但商用车每年平均行驶20万公里左右，对于商用车而言，传感器等硬件的质保期过短，致使后期售后维保的风险和成本的增加。
4.3.2 物流企业的存量商用车都不具备线控技术
国内的物流企业名下的货运车大部分都是非线控的，也就不能应用自动驾驶技术。对于这些企业来说，他们自然是想通过改装形式，去做存量替换，但受制于国内车规的限制，后装是无法过车规的。一旦要替换全部的车辆，那这些成本就需要有人来买单。
对于物流企业来说，他们会愿意在看到自动驾驶的好处后，去掏钱买自动驾驶车辆，但这种替换必然不是一蹴而就的，毕竟大部分物流企业自身的效益也不太好，所以大概率会是一种逐步替换的行为。
从终局来看，未来物流企业的名下，最有可能趋势是自动驾驶车辆与普通车辆共存在局面。而自动驾驶车辆更多的是服务于中长线路的运输，普通车辆则服务中短距离的运输。
五、中美差异：无人干线物流在美国的商业化可能快于中国
笔者从道路情况、人力情况、线控底盘、政策四个维度梳理了中美市场在无人干线物流商业化方面的差异。
表：中美无人干线物流的差异
总的来说，美国在干线物流方面的商业化程度会领先于中国，无论是人工方面的迫切需求，还是政策方面的开放程度，都有利于让其在商业模式上能做到盈亏平衡，高阶自动驾驶技术在美国干线物流市场的落地时间或许会早于国内市场。
作者：奚少华
来源：公众号：九章智驾
推荐阅读：
更多汽车电子干货请关注汽车电子与软件专栏。欢迎添加极术小姐姐微信（id:aijishu20)加入技术交流群，请备注研究方向。
