核心观点：

智能驾驶的理想发展方向是“车-路-云”一体化，由智能汽车、路侧智能设施、云计算相结合，形成智慧交通生态系统。相比“纯单车智能”方案，“车-路-云”一体化对智能汽车软硬件的要求较低，更容易实现商业化，且有助于提高交通效率，降低事故率。展望未来的陆空立体交通时代，低轨卫星互联网及新一代空中通信技术将发挥重要作用。

当前自动驾驶技术的核心瓶颈在于算法不成熟，存在推理能力弱、训练效率低两大问题。此外，成本、基础设施、法律法规等因素也将影响自动驾驶商用进度。预计自动驾驶先在B端Robotaxi等场景实现商用落地，再逐步渗透C端私家车市场。随着配套基础设施、法律法规逐渐完善，公众接受度逐步提升，经过长期发展，实现“车-路-云”一体化的生态的全面普及。

一、自动驾驶前景展望

2020年，工信部发布《汽车驾驶自动化分级》，规定了汽车驾驶自动化分级遵循的原则、分级要素、各级别定义和技术要求框架，与国际主流的SAE分级标准基本保持一致，将于2022年3月起正式实施。根据分级标准，L0-L2为驾驶辅助，由驾驶员承担动态驾驶任务。L3为驾驶辅助和自动驾驶的过渡阶段，由系统承担动态驾驶任务，但驾驶员需随时做好接管准备。L4要求自动驾驶系统独立控制动态驾驶任务，仅在系统失效或人类驾驶员要求接管的情况下停止运行，但存在设计运行范围限制。L5进一步解除了设计运行范围限制，实现完全自动驾驶。综上所述，至少达到L4标准，才可以实现自动驾驶。

表一：驾驶自动化与划分要素的关系

（资料来源：《汽车驾驶自动化分级》，本翼资本整理）

明确区分辅助驾驶与自动驾驶。辅助驾驶又称为“ADAS”，主要功能包括自适应巡航、自主泊车、碰撞预警、自动紧急制动等，可有效提升驾驶体验与安全性，但目标识别与动态驾驶任务仍由驾驶员承担。自动驾驶完全不需要驾驶员介入，对算法、传感器、芯片等智能软硬件提出更高要求。硬件方面，辅助驾驶的感知以摄像头为主，毫米波雷达为辅，算力需求小于100TOPS；主流观点认为自动驾驶汽车必须装配激光雷达，且中央计算平台算力至少达到1000TOPS。软件方面，辅助驾驶算法主要围绕摄像头的“纯视觉”感知，且决策/规划能力要求较低；自动驾驶算法需具备强大的多传感器融合感知能力，并形成周边环境3D建模，决策/规划方面也需具备独立、高效决策能力。

图一：辅助驾驶与自动驾驶对比

（资料来源：公开资料，本翼资本整理）

关于自动驾驶的发展方向，主要有“纯单车智能”和“车-路-云”一体化两种方案。后者对配套基础设施的要求高，但对单车智能的软硬件水平要求较低，更容易实现商业化。此外，“车-路-云”一体化也有助于提升交通效率，降低事故率，实现社会整体出行模式的优化。

“纯单车智能”路线存在瓶颈。自动驾驶技术发展初期，以Waymo为代表的美国企业主推“纯单车智能”，主张由每辆智能汽车本身的感知、决策、控制体系来处理全部驾驶任务，实现L4/L5自动驾驶。纯单车智能对智能汽车的软硬件提出了极高要求，在智能传感器配置、主控芯片算力等方面需确保硬件冗余，成本端也面临着很大考验。此外，每辆智能汽车的感知范围局限于周边200-300m，对于范围外是否存在交通拥堵或安全风险无法形成预判。因此纯单车智能路线的自动驾驶，在行驶表现上存在明显约束，且成本下降空间有限。

案例：Waymo进度陷入停滞。2018年以来，由于Waymo坚持纯单车智能路线，技术门槛极高，而美国政府的政策支持仅限于测试许可，并未涉及路侧智能设施建设，因此商用进程陷入停滞。此外，母公司Alphabet对自动驾驶算法的安全性要求极为严苛，与Waymo团队出现分歧。2021年上半年，Waymo遭遇高管离职潮，CEO、CFO等9名核心高管先后离职。据FT报道，Waymo估值已从巅峰时期的1750亿美元缩水至约300亿美元。 

图二：“车-路-云”一体化方案示意图

（资料来源：中国汽车报，本翼资本整理）

“车-路-云”一体化方案更具应用前景。“车-路-云”一体化通过V2X、路侧智能设施、云计算、卫星互联网共同配合，“绘制”动态高精度地图并实时更新，辅助智能汽车的感知与决策。每辆智能汽车及每座路侧智能设施将感知信息进行初步处理，通过通信模块传输到云端，经云计算平台处理，生成动态高精度地图，覆盖区域内所有智能汽车、非机动车、行人、信号灯等实体，并反映道路施工等异常事件。考虑到低时延与全面性之间的矛盾，可设计两套高精度地图机制：（1）微观地图：根据某辆智能汽车及其周边路侧设施的感知信息，形成500m内的高精度地图，供这辆智能汽车使用。计算主体为智能汽车本身或路侧设施，更新频率控制在1s以内；（2）宏观地图：收集区域内所有智能汽车及路侧设施的感知信息，在云端绘制全面的高精度地图，更新频率为每分钟2-3次。

图三：高精度地图示意图

（资料来源：公开资料，本翼资本整理）

“车-路-云”一体化方案具备两大优势：（1）信息感知更全面细致，对单车智能的要求降低，对应更低的成本，使自动驾驶更容易实现商业化；（2）所有智能汽车均实现网联的情况下，通过云端可实现全局交通指挥调控，全面提升交通效率，降低事故率。由于前期基础设施投资要求较高，因此一体化方案需要政府或产业联盟牵头进行前期建设。基础设施复用率高，随着自动驾驶汽车放量普及，前期成本可通过合理的收费机制来收回，也可与智能汽车节省的成本、交通效率提升的附加值相互抵消，长期来看具备明确的商业前景。

图四：纯单车智能与“车-路-云”一体化方案对比

（资料来源：公开资料，本翼资本整理）

案例：北京经开区智能路口改造工程。中国多地政府已开始在部分高速公路、城郊示范区安装路侧智能设施。以北京为例，2020年成立高级别自动驾驶示范区，年底完成1条12.1公里开放道路的全部28个路口智能化改造，建设装配毫米波雷达、激光雷达、边缘计算终端和无线通信技术设备的多功能信号杆。乘客也可通过车载显示屏查看精确路况。北京计划到2022年完成示范区60平方公里内全部305个路口的智能化改造，并逐步向北京市其他区域复制推广。

图五：汽车实时接收路侧智能设备感知的道路信息

（资料来源：北京亦庄，本翼资本整理）

陆空立体交通业态展望：随着电池、电机技术实现突破性进展，飞行汽车的量产商用有助于充分利用城市低空的空间，彻底解决交通效率问题，实现交通出行模式的变革。广义上的飞行汽车包括“飞行器”和“陆空两用汽车”，可定义为具备飞行功能的大众出行工具，而空中行驶操控门槛高，自动驾驶功能将成为飞行汽车的必备。由于路侧基站的感知范围有限，低轨卫星互联网将成为立体交通时代的核心基础设施，而新一代空中通信技术将为立体交通系统的实时性、智能性赋能。

图六：陆空立体交通概念图

（资料来源：公开资料，本翼资本整理）

自动驾驶是汽车智能化的核心目标。理想中的自动驾驶形态，应由单车智能、路侧智能设施、云计算相结合，以动态高精度地图为媒介，形成“车-路-云”一体化的智慧交通生态系统，提高交通效率，降低事故率，实现社会出行模式的整体优化。展望未来，飞行汽车的商用将促使城市进入陆空立体交通时代，也将对自动驾驶技术、卫星通信技术提出更高要求。

二、商用难点分析

自动驾驶仍处于商业化初期，现阶段主要任务为提升算法的推理能力与训练效率，探索合适的硬件配置方案，初步建设配套基础设施，并通过大量的道路测试来探索/验证技术可行性。

当前自动驾驶技术的核心瓶颈在于算法。从需求角度考虑，算法与传感器、主控芯片等硬件呈相辅相成关系：若算法成熟度低，则智能汽车需装配大量传感器，对应的算力需求高，且具体要求难以估量，需逐步探索最优方案；若算法成熟度高，则传感器、算力要求降低，更容易形成商用可行方案。近年来，在英伟达、高通等芯片巨头的推动下，预计未来2-3年主控芯片算力将初步满足L4的理论需求，而算法的迭代发展相对滞后。

（1）算力初步满足理论需求

自动驾驶对算力要求极高。根据英特尔测算，在全自动驾驶时代，每辆汽车每天产生的数据量将高达4TB。主控芯片应具备实时处理海量图像/视频、雷达成像等非结构化数据的能力，对算力提出了极高要求。自动驾驶等级每提升一级，算力需求则相应增长一个数量级。据地平线测算，L3需要的计算力>100TOPS，L4需要的计算力>400TOPS，而L5需要的计算力目前还未有明确定义（有预测需要至少1000 TOPS）。

图七：不同自动驾驶等级对算力的需求（估算）

（资料来源：地平线，本翼资本整理）

算力高速迭代+多芯片组合，总算力已接近理论需求。车规级计算平台的算力迭代已进入爆发期。2018年,英伟达发布的Xavier芯片峰值算力达到32TOPs，并于2020年实现量产装车。新一代Orin芯片峰值算力达到254TOPS，预计2022年量产。通过多芯片组合的方式，理论上中央计算平台的总算力可达到500TOPS以上。例如英伟达提出的“双Orin+双GPU”/“四颗Orin”方案，总算力可超过1000TOPS，单纯从算力数字来看，已经接近自动驾驶的理论需求。

（2）算法进展相对滞后

自动驾驶算法主要包括感知、规划/决策两个模块。感知算法应用于目标定位、识别、跟踪，约占算法代码的70%，是自动驾驶算法中最重要的模块。与算力的高速进步相比，自动驾驶算法的进展相对滞后，成为现阶段影响自动驾驶商业化进程的核心因素。

推理能力弱：以目标识别为例，算法的学习过程体现为“输入感知信息-识别（失败）-上传并标注-算法更新”，但由于算法推理能力较弱，在未标注物体/场景出现时，表现大打折扣，出现安全风险。因此理论上需要在训练中对每一种场景，每一种物体完成全面标注，才能确保算法的鲁棒性。此外，在出现多类动态目标的复杂场景中，系统决策的稳定性低，对目标的预判能力弱。热门的“自监督学习”的作用局限于将人工标注转为系统标注，有助于节省人力成本，提升训练效率，但本质上无法解决算法推理能力弱的问题。

图八：感知算法的训练逻辑

（资料来源：公开资料，本翼资本整理） 

训练效率低：多动态目标复杂路况、低能见度、突发事故/施工等长尾场景是自动驾驶的痛点所在。而在划定区域的道路测试中，长尾场景出现的频率极低，积累的“安全行驶里程”来自低风险普通场景的重复，对算法迭代的意义较为有限。此外，安全员责任制也对训练效率产生一定影响。理论上，安全员遇到极端场景时执行接管，自动驾驶系统将接管的情况数据化，上传云端，可帮助算法提升短板，学习人类驾驶员的行为。但实际道路测试中，由安全员承担全部责任，因此安全员倾向于频繁接管，遇到稍复杂的场景均选择直接接管，造成大量冗余数据输入，影响算法迭代，而算法很难判断/评估安全员接管的质量与必要性。

自动驾驶系统的成本可粗略分为硬件成本、算法成本两类。据Mobileye测算，当前传感器、计算平台等全套自动驾驶硬件的成本在1.5万美元以上，若考虑硬件冗余设计，成本将进一步提升。算法训练的前期成本极高，包含测试车的改装成本，车队运营成本，云端计算/存储成本，仿真测试平台成本等多方面，将在实现商业化之后逐步摊销。B端与C端不同的商业逻辑，决定了自动驾驶的商业化分为“一步到位”、“循序渐进”两条路径。

B端“一步到位”：L4/L5无人驾驶系统取代人类驾驶员。以Waymo、Cruise、百度Apollo为代表的公司直接探索L4/L5在无人驾驶出行平台（Robotaxi）场景的商用。商用场景的自动驾驶车属于生产工具，核心价值在于使用无人驾驶系统取代驾驶员，以节省成本。据瑞信统计，驾驶员成本占出行平台收入的比例达到60%。随着技术进步，无人驾驶系统的成本将逐步降低，而驾驶员产生的人力成本会随着经济发展而逐步提高。麦肯锡预计2025-2027年起无人驾驶系统的每公里成本将低于驾驶员，达到商用拐点，全面取代人类驾驶员，显著提升出行服务平台的盈利能力。此外，Robotaxi车队由平台统一运营管理，算法保持一致性，也更容易与基础设施交互配合。缺点在于技术门槛较高，短期内无法落地，在实现Robotaxi平台规模化运营之前缺乏商业变现能力，对企业的现金流和资金储备提出较大考验。

图九：司机/驾驶员与自动驾驶系统的成本变化趋势对比

（资料来源：麦肯锡，安信证券，本翼资本整理）

C端“循序渐进”：从L1/L2起逐步提升自动驾驶能力。特斯拉等造车新势力采取渐进式路线，先在量产车型中配备L1/L2辅助驾驶系统（ADAS），实现ACC（自适应巡航）、AVP（代客自主泊车）、AEB（自动紧急制动）等功能，使汽车初步具备智能属性，提升附加值与品牌竞争力，优化驾驶体验。优势在于成本可控，技术门槛低，商业化变现能力强，且积累的用户数据有助于自动驾驶算法的开发迭代。缺点在于附加值有限，且容易造成用户认知误区，带来安全风险，并使得公众对自动驾驶技术的认知受到负面影响。此外，不同车企采用不同的自动驾驶算法，在实际运营中不同算法并行，可能会形成难以预料的复杂情境，反而会增加交通系统的安全风险。

预计B端路径率先实现自动驾驶商业化。假设B端、C端两条路径的技术进程一致。从成本角度考虑，出租车/网约车本质为生产工具，当无人驾驶汽车的摊销成本低于驾驶员薪酬时，Robotaxi将迎来商用拐点，开始具备规模化运营价值。目前百度的Apollo Moon无人驾驶车成本已降至48万元，假设Apollo Moon的硬件配置方案能够满足L4需求，按运营寿命5年来测算，每月摊销成本仅为8000元，已初步具备成本竞争力。另一方面，C端私家车本质为出行代步工具，主流消费者对汽车价格较为敏感，自动驾驶汽车的价格需降至略高于同级别普通汽车的水平，例如20-30万元区间，才能初步具备价格竞争力。综上所述，预计自动驾驶在C端的商用进度将会慢于B端。

图十：B端、C端自动驾驶商用路径对比

（资料来源：公开资料，本翼资本整理）

（1）基础设施

最基础的“车路协同”阶段，路侧智能设施由感知、计算、通信三个模块构成，精确识别/追踪周边车辆、行人、交通锥等实体的位置，实现全方位车路动态信息交互，并提供盲区/变道、车辆失控、闯红灯、非机动车/行人碰撞等各类预警。“车-路-云”一体化阶段，每辆智能汽车和每台路侧设备将感知、决策信息共享到云端，形成实时更新的动态高精度地图，辅助每辆智能汽车规划最优路线并规避安全风险。因此“车-路-云”一体化对路侧设施的密度/智能化程度，云端的计算/存储能力，整套生态系统的同步性都提出了较高要求。

据统计，约50%的致伤性事故发生在路口。作为城市开放道路中最复杂的场景，路口成为路侧智能设备部署的重点。如前所述，北京经开区已开始进行路口智能化改造，计划到2023年完成区域内全部305个路口的改造，再逐步向北京市其他区域推广。整体而言，配套基础设施的建设仍处于起步期，距离实现“车-路-云”一体化还有很长距离。一方面需要政府牵头进行持续的资金投入，推动建设进度，另一方面也需要企业加速自动驾驶技术研发，积极探索/验证技术可行性。

图十一：智能路口示意图

（资料来源：大陆集团，本翼资本整理）

（2）法律法规

自动驾驶的商用需要与法律法规、监管制度的完善相匹配，核心问题包括评估测试体系、事故责任认定等。

评估测试体系：完全自动驾驶（L4/L5）需要乘客对系统完全信任，愿意把生命交给系统。而法律法规/监管制度作为底线，必须为公众做好“把关”工作，建立完善、严谨的评估测试体系，从科学的角度引导公众对自动驾驶技术形成合理认知。具体而言，监管机构应审核每种车型的传感器、算力等配置是否满足最低标准。此外，每一辆自动驾驶汽车应在专用测试场地中，通过拥堵路口、多障碍物复杂路况、低能见度、突发事故/施工等长尾场景的测试，综合评估安全性、稳定性与乘车体验。满足标准的汽车可获得自动驾驶牌照，并上市公开销售。将来在技术成熟或充分验证后，逐步改为每种车型抽样测试。此外，每辆自动驾驶汽车需定期维护/测试/检修，评估自动驾驶性能是否依然满足标准，成本可由车主、车企、政府共同承担。

事故责任认定：理论上，自动驾驶阶段，系统承担全部动态驾驶任务，因此出现主动事故时，应由系统承担全部责任。而在现有法律体系下，系统不能视为法律主体，因此责任认定应考虑具体情况，延伸至相关法律主体。考虑一种简化的责任认定框架：首先分析事故原因，明确故障出现在软件（算法）还是硬件。若算法存在问题，则车企及其算法供应商承担全部责任；若硬件出现问题，考虑车主之前是否按照相关规定进行定期检修/测试，以确定车主、车企（及其相关供应商）的责任比例。此外，驾驶员/乘客在每次激活系统前，需要对系统状态做简单的检查。如果没有正常完成例行检查的记录，则驾驶员/乘客也应承担部分责任。理想状态下，系统应设定为“未完成例行检查，则无法激活系统”，从根本上排除驾驶员/乘客承担责任的问题。

图十二：一种简化的责任认定框架

（资料来源：公开资料，本翼资本整理）

L3定位亟待明确。辅助驾驶（L0-L2）由驾驶员承担所有责任，自动驾驶（L4/L5）由系统承担所有责任。而作为辅助驾驶和自动驾驶的过渡阶段，L3要求系统承担所有运动控制和事件响应任务，但驾驶员必须时刻做好接管动态驾驶任务的准备，衍生出一系列复杂问题。法律层面，L3实质上要求系统和驾驶员共同承担驾驶任务，一旦发生事故，责任认定将极其困难，因此立法机关和监管机构必须考虑多种复杂情境并制定相关标准。使用体验层面，驾驶员不需要一直把控方向盘，但依然必须全神贯注，随时准备接管驾驶。因此，L3带来的使用体验提升有限，反而会导致驾驶员更容易走神，增加事故风险。主流观点认为，驾驶自动化进程应明确分为“辅助驾驶”和“自动驾驶”两个阶段，而L3在实际商用时应划分为“辅助驾驶”，明确由驾驶员承担责任。

图十三：自动驾驶分级标准示意图

（资料来源：钱江晚报，本翼资本整理）

目前自动驾驶技术的核心瓶颈在于算法不成熟。加快训练效率、提升推理能力是算法突破的两大方向。从成本角度考虑，预计B端无人驾驶（Robotaxi）更容易实现商业化。综合考虑技术、成本、基础设施及法律法规等因素，预计自动驾驶将从2030年起开始商用落地，经过20-30年进程，到2050年左右基本实现“车-路-云”一体化的自动驾驶生态。

三、发展阶段分析

根据技术可行性与商业可行性的发展进程，可将自动驾驶的商业化划分为两个阶段。（1）道路测试与商业化试点：核心在于探索/验证技术可行性。道路测试初期，车内配备安全员，搭载工作人员或少数公众乘客，积累数据，优化算法。积累足够测试里程后，在指定区域向公众开放无人驾驶出行服务，并收取服务费；在方案成熟之后取消安全员。（2）从Robotaxi到自动驾驶私家车：核心在于降低成本，完善基础设施及法律法规。在区域试点成功的基础上，Robotaxi平台推广到整个城市范围运营，并进一步拓展至更多城市。随着技术成熟，成本进一步降低，无人驾驶进入C端市场，全面替代普通汽车。到2050年左右，基本实现“车-路-云”一体化的自动驾驶生态。

2009-2018：Waymo率先开启道路测试。2009年谷歌无人驾驶团队（Waymo的前身）在旧金山开启道路测试，并于2015年在奥斯汀完成全球首次搭载乘客的无人驾驶测试。2018年12月Waymo上线出行服务平台Waymo One，并在凤凰城郊区开展全球首个自动驾驶商业化试点。2015-2018年也成为自动驾驶公司创业的高峰期，业内普遍看好自动驾驶商用进度，提出“2020年规模落地”等目标。

图十四：Waymo开发的Firefly无人驾驶车

（资料来源：Waymo，本翼资本整理）

2019-2021：行业初步整合，多家企业开启商业化试点。2019年起，尽管越来越多的企业进入道路测试阶段，“安全里程”快速累积，但算法推理能力弱、训练效率低的问题逐渐凸现，领头羊Waymo的进度也陷入停滞。在商用时间表不明朗的情况下，资本热潮褪去，高昂的测试运营成本成为多数自动驾驶企业的“不可承受之重”。随着Uber、Lyft等企业选择退出，行业完成初步整合。2021年11月，百度Apollo、小马智行在北京经开区取得商业化试点牌照，在配备安全员的情况下开展自动驾驶出行服务。通用Cruise通过DMV审批，获准在旧金山指定区域运营无人驾驶服务，不需要配备安全员，并可向乘客收取费用。

表二：部分自动驾驶企业进度整理

（资料来源：公开资料，本翼资本整理）

政策支持有助于提升测试效率。以中国为例，政府高度关注自动驾驶技术发展，鼓励各地积极建设自动驾驶示范/测试基地。截至2020年底，已有北京、上海、广州、长沙等27个城市发布了自动驾驶相关道路测试政策，累计发放409张自动驾驶道路测试牌照。以北京为例，在政府支持下，百度等企业成立产业联盟（智能车联产业创新中心），推进评测标准体系等工作。车企、自动驾驶技术服务商的每辆测试车需在亦庄测试基地，通过全天候、多场景等一系列测试，评估合格，才能进入开放道路进行测试。

图十五：北京自动驾驶测试进度

（资料来源：智能车联产业创新中心，本翼资本整理）

载物自动驾驶成为商用突破点。长途货运存在驾驶体验极其枯燥的问题，司机缺口较大，物流企业招聘困难，是最需要自动驾驶技术的场景之一。高速公路路况相对简单，路面标准化程度高，且没有十字路口、非机动车、行人等复杂变量，空间宽裕，理论上适合无人货运卡车率先落地。在图森未来成功上市的背景下，Waymo等企业开始布局无人驾驶重卡业务。但重卡存在惯性大，刹车距离长（150m以上）的问题，对感知范围、制动性能要求更高。图森未来预计长途重卡全面无人化还需要10-15年进程。

此外，无人派送车、无人物流车等细分赛道也吸引了众多企业布局。这些细分市场的容量远小于乘用车出行市场，但技术门槛相对较低，监管要求相对宽松，有助于企业加速商业变现，初步建立造血能力，度过自动驾驶技术成熟落地前的瓶颈期。

表三：部分布局B端细分赛道的自动驾驶企业整理

（资料来源：公开资料，本翼资本整理）

技术可行性得到验证，成本下降成为主线。随着无人驾驶车的单车智能提升至L4标准并得到广泛验证，单车成本降至合理范围（40-50万），同时智能路口等路侧智能设施建设、法律法规初步完善，Robotaxi平台将率先在部分城市展开商业化运营，形成成熟商业模式后，逐渐推广到更多城市。例如Cruise与迪拜市政府达成协议，计划2023年起在迪拜运营Robotaxi平台，到2030年在迪拜全城投入4000辆Robotaxi。百度Apollo也提出2030年在100座城市运营自动驾驶平台的计划。乐观情境下，2030年有望成为Robotaxi平台规模化运营的起点。

图十六：迪拜与Cruise达成Robotaxi运营协议

（资料来源：迪拜RTA，本翼资本整理）

“车-路-云”一体化成型，人类驾驶逐步退出。Robotaxi商业模式的成功，将为众多车企提供自动驾驶汽车的商业化模板，也有助于公众对自动驾驶的接受度提升。在基础设施逐渐完善的基础上，车企找到智能传感器方案、算力需求和成本约束之间的平衡点，优化整车架构，逐步降低成本，最终实现私家车无人驾驶的普及。另一方面，无人驾驶渗透率的突破式提升，将进一步推动政府加快配套基础设施建设，以城市为起点，逐步实现路侧智能设施的全覆盖。配合通信技术、云计算技术的持续提升，到2050年左右，“车-路-云”一体化的智慧交通生态系统有望逐步成为现实。考虑到人类驾驶员的感知、决策能力受到生理条件限制，会对无人驾驶交通系统带来不稳定因素，在无人驾驶技术全面成熟之后，预计政府将逐步限制/禁止人类驾驶。

图十七：达到商用拐点后，形成良性循环

（资料来源：公开资料，本翼资本整理）