2026年交通运输行业“交运物流+科技”系列深度研究（一）：技术、政策与成本，无人配送车落地的三重动力

无人配送车发展回顾与总结

1.1.当前无人配送车正处在商业正循环验证期

总结无人配送车的行业发展历程，我们认为 2013-2016 年解决“车能不能造出 来”，2017-2019 年解决“车能不能在封闭场景跑起来”，2020-2023 年解决“车能不 能在真实场景里跑起来”，2024 年至今则开始回答“车能不能帮助下游客户创造效 益”。这也为后续判断行业渗透率、产业链受益环节与头部竞争格局，奠定了清晰的 研究起点。

2015-2016 年：技术验证与概念落地

这一阶段，无人配送车主要处于实验室研发和小范围技术验证阶段。比如菜鸟网 络 2015 年年底组建菜鸟 ET 物流实验室，其中一个重要的任务就是研发无人物流车， 其在 2016 年 9 月发布末端配送工具—“小 G”机器人，用于提升阿里内部园区的邮 件投送效率；比如京东 2016 年 3 月成立 X 事业部，负责无人仓、无人机以及无人车， 2016 年 9 月，京东集团对外宣布，由其自主研发的无人配送车已经进入道路测试阶 段，该无人车体积较小，长宽高为 1 米、0.8 米、0.6 米；比如美团 2016 年成立 W 项 目组，旨在研发特定场景下的无人配送。从起步开始，无人配送团队便以实际应用为 出发点，紧紧围绕着美团外卖、美团跑腿等核心业务，与现有配送流程结合，尝试提 出一套无人配送整体解决方案。

2017-2019 年：封闭场景试跑

2017-2019 年，行业开始从实验室走向园区、校园、社区等半封闭或封闭场景。 这一阶段最重要的变化，是行业从“能否做出车”转向“车能否稳定工作”。当时主 流落地场景集中于高校、园区和固定路线配送，背后逻辑在于：封闭环境路况简单、 交通参与者少、红绿灯与复杂交互少，更适合 L4 低速自动驾驶积累真实运营数据。 比如：2017 年“618”期间，此次，首批京东配送机器人在清华大学、浙江大学、 中国传媒大学、中国人民大学、长安大学等高校运行；2018 年初依托菜鸟的物流渠 道，G 系列的小车开始在一些大学校园内进行测试；2019 年美团展出的无人配送产品， 已经先后在在北京首钢园区、东直门来福士、雄安新区等室内外多场景进行测试运营。

2020-2023 年：疫情催化，半开放场景落地

2020 年新冠疫情，是无人配送车最重要的外生催化变量之一。疫情期间，“无接 触配送”从可选方案变成刚需场景。以京东为例，其无人配送车在武汉累计运行 107 天，配送总里程超过 6800 公里，运送包裹约 1.3 万件。 疫情让社会各界充分认识到无人配送行业的重要性：对于社会公众来说，第一次 大规模直观看到无人配送的实际价值；对于地方政府，则推动政策从鼓励表态转向管 理细则落地；对于企业自身，使大量此前无法在小规模测试中暴露的问题，在真实高 压场景中快速暴露并被修正。 期间标志性事件是：2021 年 4 月，北京市依托高级别自动驾驶示范区设立了国 内首个智能网联汽车政策先行区。政策先行区管理政策参照非机动车管理，以车辆编 码的颁发为核心进行针对性测试验证，对通过测试的新产品给予相应路权。京东、美 团、新石器成为国内首批获得无人配送车车辆编码，并获准在示范区公开道路上路的 3 家企业，率先实现无人配送车“持证上路”。

当前阶段：行业进入商业正循环验证期

据中国物流与采购联合会智慧物流分会调研，截至 2025 年底，快递行业无人配 送车应用量超过 15000 台，未来一年行业头部企业的计划投放量超过 2 万台。这一数 据本身已经说明，无人配送车不再只是展示性产品，而是开始嵌入快递网络中的实际 运输环节。 行业加速的原因之一在于成本拐点出现。25 年 5 月，九识智能发布 E 系列首款 车型 E6，售价 1.98 万元。25 年 6 月，菜鸟推出新款无人车 GT-Lite，定价 2.18 万 元，叠加限时优惠后低至 1.68 万元。成本下行叠加路权逐步放开，使无人车开始真 正具备替代人工短驳和网点接驳的经济性。

1.2.无人配送车产业链上游、下游和中游梳理

上游是产业链的基础，主要涵盖感知、决策、通信、执行、动力等多个系统和 其他关键零部件，其发展水平决定了无人配送车的基础能力和性能上限。上游零部件 是商业化落地的核心基石，相关企业的技术迭代与成本优化持续驱动着产业向更可靠、 智能与经济的方向发展。 中游以整车制造商与整体解决方案商为核心，整车制造商负责车辆平台生产及 线控底盘集成。2025 年这个赛道已形成“三足鼎立”的竞争格局： 第一梯队，新石器、九识智能、白犀牛等“原生玩家”，凭借先发优势占据 70% 以上市场份额； 第二梯队，菜鸟、京东、美团等“生态玩家”，依托自身订单网络构建闭环，京 东计划未来 5 年采购 100 万台无人车，菜鸟“小蛮驴”在校园场景交付超 1000 台； 第三梯队，2025 年新入局的“车企玩家”——德赛西威发布车规级低速无人车 品牌“川行致远”，佑驾创新推出“小竹无人车”，首获 800 台规模订单，吉利远程、 轻舟智航等也纷纷官宣入场。 下游主要是各类终端场景用户，涵盖零售与电商平台、物流与快递企业、医疗 与健康机构、餐饮与外卖门店、制造业与产业园区、教育与文旅集团等，是无人配送 车完成价值闭环的最终舞台。 当前，无人配送车在下游市场的竞争已进入全面深化阶段，其根本驱动力在于切 实解决各终端场景中“降本增效”的核心诉求，行业发展呈现从局部试点验证向规模 化复制、从单点作业向全链路协同演进的趋势。其中，物流快递领域是目前竞争最 为激烈、规模化落地最快的赛道。

技术驱动：软件、硬件与整车架构的共同迭代

软件层面的迭代，决定了“无人配送车好不好用”，比如基于 Transformer 的 BEV 感知架构解决无人配送车“看得见、看得准、看得稳”、定位技术的迭代解决无 人配送车在复杂环境能否“知道自己在哪、朝哪走、怎么修正偏差”，算法与决策系 统是无人配送车的大脑，基于感知与定位获得的信息，作为驾驶决策。硬件层面的迭 代，决定了下游“是否买得起无人配送车”。而整车架构则影响采购后的使用成本， 决定了下游“是否用得起”。

2.1.软件层面：自动驾驶核心技术的迭代

2.1.1.感知技术：从“堆硬件”走向“视觉主导的融合感知”

无人配送车首先需要解决的是“看得见、看得准、看得稳”，这是无人配送车感 知系统的三级考核标准，直接决定了车辆能否安全上路、能否规模化运营。 2022 年及以前，行业普遍采用“1 颗 16 线激光雷达+多个毫米波雷达+摄像头” 的方案，激光雷达是绝对核心，视觉只做辅助验证。该方案的优势是激光雷达可靠 性高，通过主动发射激光测距，不受光线影响，测距精度可达厘米级，能直接输出 3D 点云数据。缺点则是硬件成本极高，并且激光雷达只能“看到”物体的形状，无 法“看懂”物体的语义（比如分不清是纸箱还是砖头）。 2021 年 8 月特斯拉DayAI 首次公开基于Transformer 的 BEV 感知架构，随着算 法层面的进步，使得视觉系统能输出和激光雷达一样的 3D 鸟瞰图，测距精度从米级提升至 10-20 厘米。尤其随着成本更低的国产地平线征程 5 芯片的量产，无人配送车 的主流感知技术路线开始从早期“雷达为主、视觉为辅”，逐步转向“视觉+雷达中后 融合”，并继续朝着低成本、低复杂度、强泛化的方向迭代。 以新石器为例，其 2022 年 11 月发布的 X3Plus，配备 12 个高清摄像头和 2 台速 腾聚创 96 线 Fairy 激光雷达，通过激光雷达与摄像头的前融合感知实现零盲区覆盖 与动态障碍物预测。而其 2024 年 12 月发布的 X6，基于 Transformer 架构率先实现 视觉 BEV 算法上车，搭载 12 个高清摄像头及 1 个激光雷达多模态前融合感知，使无 人车具备 360 度环视 120 米感知能力。总体来看，以更少激光雷达实现更大感知覆 盖，体现“视觉主导”降本趋势。

2.1.2.定位技术：从“高精地图绑定”走向“轻地图/无图”

无人配送车的第二个核心问题，不是简单知道“自己在哪”，而是要在城市峡谷、 林荫路、地下车库、隧道、临时施工等复杂环境中，都能以厘米级精度持续知道“自 己在哪、朝哪走、怎么修正偏差”。 早期定位技术依赖高精地图，高精地图的优势在于稳定、可预测、便于验证，但 缺点也同样突出：制图与更新成本高、新区域部署效率低、施工和季节变化会导致地 图快速失效。随着无人配送车感知技术走向“视觉主导的融合感知”，其定位技术开 始从“高精地图绑定”走向“轻地图+多源融合定位”。 比如新石器无人车基于 Neolix-VA 视觉动作大模型，通过 12 个高清摄像头（辅 以少量激光雷达）实现对环境的实时感知，结合标准导航地图，实现无高精地图的 L4 级自动驾驶。相比传统依赖高精地图的方案以及其他“轻图”路线，具备部署成 本极低，场景适应性极强，全球化拓展高效的三大独特优势，完美契合无人物流车 “规模化、低成本、广覆盖”的商业需求。 其他厂商同样也在转向轻地图技术，比如 2025 年，九识智能实现“轻地图”突 破，成为不依赖高精地图、在城市开放道路货运场景下达成 L4 级自动驾驶能力的企 业。在“轻地图”技术加持下，九识无人车用车道级导航地图就行，能实时识别全国 各地的临时红绿灯、车道线，跟人开车越来越像。

2.1.3.算法迭代：BEV+Transformer 成为现实主线

BEV+Transformer 是当前无人配送车算法的主线。BEV 是指一种鸟瞰式的视角或 坐标系，可以立体描述感知到的现实世界，相当于在车辆正上方 10-20 米处向下俯视 车辆及周围环境，也被叫做“上帝视角”。Transformer 作为一种新型神经网络架构， 相比传统神经网络（如 CNN），可以直接进行 2D、3D 不同序列之间的转换。 Transformer 采用交叉注意力机制，并行训练数据，在跨模态融合以及时序融合过程 中，能够更加全面地在空间时序上建模，形成时序融合下的 4D 空间信息，从而使感 知结果更加连续、稳定。 在此基础上，BEV 算法进一步迭代为 Occupancy Networks（占用网络），更加直 接地打造 3D 空间。有别于感知 2D 图像、提取像素（pixel）转化为 3D 特征， Occupancy Networks 直接感知 3D 空间中的体素（voxel），也就是将世界划分为多个 大小一致的立方体，快速识别每个体素是否被占用，继而判断车辆是否要躲避。

基于 BEV+Transformer 方案，能够处理多种自动驾驶的场景： ① 感知复杂道路：在交通拥堵、路口复杂、路面不规则等情况下， BEV+Transformer 以连续的俯视视角生成更全面的感知情况，以做出更可靠的路径规 划；甚至在路面狭窄、有遮挡的情况下，俯视视角、跨模态融合、注意力机制下的算 法，这些都能够使车辆更好地识别周边环境。 ②应对恶劣天气：在雨雪雾霾等恶劣天气条件下，摄像头和激光雷达的感知效果 都会收到影响，BEV+Transformer 方案相比能够减少损耗，避免各传感器“各自为 战”。 ③应对动态交通：高阶智能驾驶不仅需要在常规交通中平稳运行，还需要对并车、 合流等复杂任务作出反应，另外还需要应对交通事故、路段封闭等突发情况。 BEV+Transformer 能够实时输出交通状况，并对路面行人、车辆作出预测，便于智驾 系统做出更加合适的应急策略。

2.1.4.决策系统：从规则驱动到数据驱动

决策系统是无人配送车的"大脑"，负责根据感知和定位信息，规划行驶路径并做 出驾驶决策。早期决策系统主要基于规则编写，工程师需要预先定义所有可能的场景 和应对策略，不仅开发周期长，而且无法覆盖所有长尾场景，容易出现“决策僵死” 的情况。 当前，行业已逐步转向“数据驱动+规则兜底”的混合决策架构。通过强化学习 和模仿学习，让无人车从海量真实驾驶数据中学习人类驾驶员的决策逻辑，不断优化 驾驶策略。同时，保留规则系统作为兜底，确保在极端情况下车辆能做出安全决策。 这种混合架构大幅提升了决策系统的灵活性和适应性，使无人车能够处理复杂的交通 交互场景，如行人横穿马路、车辆加塞、路口会车等。 以菜鸟自研的“小蛮驴”系统为例，能同时调度上千台车辆，实时优化路线。在 杭州未来科技城，某无人车送单时遇到突发修路，系统 0.1 秒内重新规划路线，绕路 距离仅增加 200 米，比人工调度快 10 倍。

2.2.硬件层面：单车 BOM 数量下降与单件价格下降的共振

自动驾驶技术路线的变化推动了硬件成本的下降。以新石器为例，早期采用 5 颗 激光雷达加 10 个摄像头的技术方案，2021 年后转向特斯拉类似的视觉方案，现仅用 1 颗激光雷达加 12 个摄像头，以视觉为主、激光雷达兜底。因此无人配送车成本的 下降，不再依赖单个零部件价格跳水，而是来自单车 BOM 数量下降与单件价格下降的 双重共振。 近年来无人配送车的关键硬件价格迎来快速的下降： 以速腾聚创为例，用于 ADAS 应用的激光雷达产品的单台平均售价从 2020 年的 22373 元降至 2025 年的 1816 元，累计降幅达 92%，2020-2025 年平均复合降幅为 39.5%。与此同时，其单台平均销售成本从 2020 年的 10784 元降至 2025 年的 1469 元， 累计下降 86.4%，成本下降是支持售价下降的主因。

以禾赛为例，其激光雷达产品（包括 ADAS 与机器人雷达）平均售价从 2022 年 的 13947 元/台降至 2025 年的 1835 元/台，累计降幅达 87%。与此同时，公司的综合 毛利率从 2022 年的 39.2%小幅提升至 2025 年的 41.8%，可见公司激光雷达产品价格 的大幅下降主要来自成本的大幅改善。

编辑：火腿肠