“麦肯锡陈晴：各类应用场景下商用车自动驾驶的机会、挑战及快速发展趋势”

9月14日，列支敦士登汽车主办的2021中国商用车自动驾驶大赛隆重召开。 此次峰会将聚焦商用车自动驾驶领域的快速发展趋势，共同探讨从感知、决策到执行层面的核心技术，以及港口、矿区、干线物流、园区等不同终端场景的产业化落地方案。 下面是麦肯锡全球副董事合伙人陈晴在这次大会上的发言。

早上好。 感谢盖西汽车的邀请。 很高兴有机会和新老朋友交换对商用车自动驾驶领域的意见。 今天主要分享两大议题。 第一，麦肯锡预先判断商用车自动驾驶的整体趋势；第二，对重要APP趋势的看法。

首先来看看商用车自动驾驶的整体趋势。 说到商用车自动驾驶，其实这是一个非常多、复杂、非常巨大的概念。 运输对方(人和货物)、运输情况(城市内、郊区、乡村、高速公路及各类封闭网站)、以及运营主体)车是个人全部、民营公司运营、还是市政的一部分，这里至少有二十多种不同的场面，里面有

在抛出轿车的行业之外，商用车的用途分为几大类，干线物流、最后一公里、较为封闭场景的商用车自动驾驶APP应用。 正如我刚才所说，我们现在看到了第三类封闭的场景在商业化上跑得比较快。 这也很容易理解，因为我们从现在的立场来看，从几个维度来评价不同类型商用车的自动驾驶是什么水平。 例如，包括场景变化程度、多而复杂、相对封闭的环境比较可控的这辆商用车走固定路线还是路线可变在内的交通环境比较多而复杂，行驶速度快或慢，其他道路采用者是否负有多样的责任等。 根据各种因素，可以评价各种场景的商用车自动驾驶的商业化难度有多高。 这与市场上表现出的现实情况比较一致。

但是，必须在这其中区分一点。 这个评分有两个需要注意的地方。 第一，就像封闭场景一样，港口和环卫差异非常大。 其次，我们不一定要被这个评分误导。 虽然有时分数很高，但由于缺少口才，这个场景可能有木桶效应。

另外，商用车和轿车有很大的不同。 轿车使车的智能很好。 如果我能控制采用那个的场景的话就可以开车。 但商用车的一大优点是，除了单车智能外，还必须与商用车运行的大生态环境相结合。

这里举一个例子。 我刚才提到了三个类别，这三个类别大多与物流联系在一起。 让我们看看物流系统本身发生了巨大的变革。 例如，包括自动驾驶在内的自动化是物流系统重大技术变革的五个之一。 此外，还包括物联网、敏捷的it系统、大数据与ai算法的融合、与顾客对话模式的变革。 而且随着技术的变革，物流领域本身在商业模式上有很多创新。

商用车自动驾驶相关公司认为，自行车智能技术是否与你所涵盖的应用场景的大生态有效匹配是非常重要的。 从技术本身来说，有些公司的技术比其他同行竞争对手先进，在单体自行车的智能程度上先进，但与生态不融合，在业务模式上，商业模式的创新不符合整个大环境，因此在商业化推进的过程中，胜过他的技术的同行竞争对手 这是商用车和轿车自动驾驶的一大区别。

除宏观趋势外，商用车在车身智能化开发过程中最大的难度就是感知和规划这些算法。 除了算法本身的成熟度外，算法也是对商用车自动驾驶技术体系结构影响最大的一点。 另一个重要的是智能硬件、传感器和芯片计算力平台。 这些对价格有很大的影响。 但是，其中最大的瓶颈还是算法成熟度对商用化批量生产的考验。

这是对商用车自动驾驶的整体初步评价，我们稍后将分享三种场景。 首先是干线物流。 干线物流是最重要的卡。 麦肯锡认为这个自动驾驶应该分四个步骤实现。 前面两个是列队行进的过程，列队行进分为两类，一类是每辆车都有司机。 二是两辆车前面有司机，后面有没有司机的自动驾驶车辆。 再往前一步是有限的自动驾驶，这是什么意思呢？ 这和轿车不同，即使轿车去l3或l4，司机也可能必须坐在那里。 特别是l3接管运转。 但是重卡干线物流，我们称之为有限自动驾驶，就是从dc到dc之间，有一个区间是完全自动驾驶，司机不在车上。 但是，下了灯，一辆叫dc的车的司机就会从灯上去。 最后是全自动的。 从物流直流到直流，重卡可以从头到尾自动驾驶。

基于这个模型，我们计算了重卡在干线物流整个生命周期的全部价格。 在不同模式下，首列基本上节俭价格限制在1%左右； 二是可以额外节约10%。 这不是累加，而是叠加的过程。 最后，估算一下，如果真的能从dc到dc完全自动驾驶，可以节俭空之间约45%左右，这是理论上最大的潜力。 我们也观察了各个国家的情况，中国市场自动驾驶生命周期价格下跌的可能性比欧洲市场大，但美国市场的优势在干线物流自动驾驶节俭空之间比中国稍大。

对价格的影响有几个。 第一，美国的卡车司机很贵，比欧洲贵一些。 中国其实并不比欧洲便宜。 第一，中国的自行车很多不止司机一个。 第二，卡车在生命周期中行驶距离越大，节约的可能性越高，美国的平均车速比中国和欧洲快，所以在相同的运行时间中行驶距离越多。 中国的速度没有美国快，但是中国的行驶时间更长，司机有可能轮流开这辆车。 第三，自动运行可以节约的重点第一是设备折旧以外的部分。 由于固定价格，设备折旧在自动运行中不容易降低这一分节，但设备折旧在中国市场的占有率明显高于其他两个市场。 总体来说，美国市场干线物流这一自动驾驶价格下跌最大。

自动驾驶除了经济上的考虑外，也有安全上的考虑。 我们知道人的生命是宝贵的。 2019年中国的道路运输事故率还很高。 最大的两个原因，一个是司机的问题造成的，包括不良的驾驶习性，也包括疲劳驾驶。 另一个与汽车设备有关。 这里最重要的是右侧盲点，包括背部盲点的盲点。 如果我们自动驾驶，无论是全自动还是过程中有限的自动，其实你对设备问题的处理，包括人为事故的发生，都有补充的作用。

综合上述考虑，中国干线物流(重卡)的自动驾驶渗透率预计将快于美国和欧洲市场，但中国市场的优势在于，有限自动驾驶的提升(/(/k0/)之间将略大于其他两国。 当然这是基于麦肯锡合理的基础上，从前面的分解中得出的结论。

第二个场景是最后一公里的共享。 干线物流的自动驾驶在某种意义上是锦上添花的东西，虽然没有也问题不大，但是最后1公里的出发点却不同。 我看到了某个数据。 左边是即时配送的订单增加量，右边是中国劳动力人口的变化趋势。 外卖小哥，几年后外卖小哥变得非常珍贵。 这种情况下，商用车的自动驾驶处于一个大的生态系统，就像配送的所有者一样，每个平台其实这个诉求非常大。

这是世界经济论坛和麦肯锡对世界2000多个城市的配送物流情况进行的跟踪。 这里举了世界上最大的100个城市为例。 根据目前看到的市内配送诉求，如果配送技术不取得突破性的快速发展，到2030年，整个城市用于物流配送的车辆拥有率将增加近40%，排放二氧化碳将增加30%以上。 也有交通堵塞，平均单程所需时间是世界上最大的100个城市，还会上升20%以上。 如果在上海的话，开车上班的时间会再长20%。 我们要实现市内物流配送的诉求，不取得技术上的突破是我们面临的问题之一。 所以，我们也一直在考虑处理这样的问题。 不能一直这样放着。 处理这个问题有很多干预措施。 例如，自动驾驶包括对现有车辆的改良(从dc增加到市内的住宿场所和商店)、新车辆的引进(从店到客人真正的最后1公里有很多新的运输工具)。

无论是排放、运输价格还是交通堵塞，都可以看到自动驾驶相关的东西。 特别是从店里到最后一位客人的阶段有两个大道具。 一辆是非常小的车，另一辆是可以走机动车道的。 这两种模式，在估算占据机动车道、一辆车可以拥有很多单位的模式时，无论是价格上，还是交通堵塞上都有比较负面的影响。 相反，放一两辆非常小的车，可以在人行道上走，其实有助于我们的价格控制，也有点利于排放、交通堵塞。 但是，这里有一个不同。 2000多个城市被分为不同的种类。 一些城市的政府推动力非常强，政府对排放拥堵采取了额外的处罚措施。 另一个极端是政府无关，其实是比较被接受的状态，这些城市越来越多的驱动力来自顾客。 在这两种不同类型的城市，各类自动驾驶计划对价格、排放、拥堵的影响程度不同。

总的来说，有几个新的方案与自动驾驶有关。 第一，最小的一双带着商品从门店到客户，这在中国的很多场合都在进行，有些已经到了试用阶段或者实际上已经到了商业化的阶段。 二是无人机。然后是第三类，放置着很多单货物，占据着汽车的车道，类似于l5自动驾驶这样的新型配送车，其实从成熟度上来说，包括法律法规方面也有一些差距。 第四，像波士顿动力这样的机器人，这相对要远一些，因为真的是机器人把东西送到客人手里了。

第三个场景是封闭的场景，从港口、机场到矿区，各自类型的挑战机会点完全不同。 这里举一个例子，以矿山为例。 虽然和最后一公里很像，但是矿山自动驾驶的出发点还是必要性非常强。 其实矿山事故是个严重的问题，我们的事故率在下降，但是我们的伤亡人数还很高。 另外，矿山是非常艰苦的工作。 很多司机看到矿区的建筑机械车司机，基本上都是60、70为主，80、90后大部分人都不想在这些业务场景。 我们和这些司机有点追踪，平均三年左右就走了。 因此，在人才不足方面也是非常严重的问题。

自动驾驶在里面其实是运输的过程，运输本身有自动化的方法，但它和我们的物流一样也是商用车的优势。 自行车智能一定要和整个人类整合。 例如矿山、运输车的智能必须与塔台一致，必须与前后过程自动化的所有设备连接。 如果不通的话，单体的智能化一个效果不好，另外也会发生问题。

麦肯锡与世界许多矿区合作，近年来引进了许多自动驾驶的算法和设备，在此举一例。 这个例子是一个大矿山，但是要建造新的小矿山，整个过程中引进了很多新的自动驾驶设备。 确实可以看出人员的价格节约、新车的采用量、道路的宽度狭窄。 因为是自动驾驶人的人为容错率，所以不用太大，也可以节约建设价格。 当然引进自动化会提高一些价格。 例如，在塔机控制中，顾客采用自动驾驶算法和自动驾驶设备会涨价。 因此，该项目自始至终通过自动驾驶的引入，npv增加了20%。 这个项目从价格上涨到回收几年间，内部收益率达到了20%左右。

这个项目刚开始的时候，预期收益率会更高，但是我发现商用车自动驾驶最痛苦的问题是，这真的是一个非常运营驱动的业务。 刚才设想的这个场景，为什么最后没有达到预期，是因为对运营的挑战非常大。 例如，如果自动驾驶的所有设备都在矿区许多特殊的环境下，对设备的影响就会降低效率。 特别是在国外，包括我们卸下司机的时候，那个劳动合同被绑得很紧。 这些价格应该不像最初想象的那样容易扣除。 这里列举的例子是运输车辆的自动驾驶，其作用不等同于你前面的开采和后面的筛选，不同的自动化设备。 为什么这么说呢，因为在联系上班次安排没有达到最佳的精益状态，中间利润的一环没有最大化。

因为时间有限，我分享这些观点。 一有机会，我们将根据具体问题进行深入交流。 谢谢你。