2026年Robotaxi行业报告：智能出行新浪潮，全球Robotaxi商业化提速

高阶智驾加速渗透，Robotaxi 为 L4 典型应用

1、智驾技术不断迭代，智能化从低阶向高阶加速渗透

自动驾驶分为 L0 到 L5 六个等级，当前 L3/L4 为全球自动驾驶监管与产业竞争 焦点。自动驾驶分级标准通常采用国际公认的 SAE（美国汽车工程师学会）J3016 自动驾驶能力分级体系，将自动驾驶从 L0 到 L5 划分为六个等级。各级别的核心 区别主要体现在：自动化程度、是否需要驾驶员实时干预、适用场景以及系统权 责归属等方面。其中，L2 及以下需驾驶员全程介入，L3 开始允许驾驶员阶段性 放权，L4 为在设计运行域（ODD）内的真正无人驾驶，L5 为最终形态的“全场 景无人驾驶”。当前阶段，L3/L4 也是全球自动驾驶监管与产业竞争焦点。

辅助驾驶正在从低阶向高阶快速渗透，L2++及以上渗透率不断提升。伴随着“供 给端降本（域控/激光雷达）、算法范式迭代（端到端/VLA/世界模型）、政策推进 （L3 准入试点）、消费端认知与支付意愿提升等因素，L2 及以上辅助驾驶已成“新 常态”。据 NE 时代统计数据，2025 年全年 L2 及以上辅助驾驶车型销量累计达 1515.37 万辆，渗透率达 66.12%，较 2024 年增长超过 10 个百分点。其中 L2++ 及以上车型销量累计达657.75万辆，占L2及以上辅助驾驶车型总量的43.41%， L2++及以上渗透率达 28.7%，较 2024 年增长超过 15 个百分点。2025 年“L2 及以上”跨越 60%后，高速/城市 NOA 进入普及拐点，随价格带下沉与端到端 /VLA/世界模型上车，2026 年“高阶智驾”渗透具备较强确定性。

未来 5-15 年，智能网联汽车（L2+、L3 和 L4）进入市场化发展快车道。根据 2025 年 10 月发布的《节能与新能源汽车路线图 3.0》，预计 2030 年乘用车 L2 级及以上智能网联乘用车在乘用车新车中实现普及，L3/L4 级渗透率超 35%，具 备 L4 级功能的自动驾驶营运车辆（含自动驾驶出租车、网约车、干线物流车等） 新车销量实现 10 万辆级规模。到 2035 年 L3/L4 级渗透率将达到 70%以上，具 备 L4 级功能的自动驾驶营运车辆（同上）新车销量实现 100 万辆级规模。到 2040 年，L4 级在智能网联汽车新车中全面普及，L5 级开始进入市场。

2、Robotaxi 为 L4 领域主要场景，已进入规模化运营阶段

Robotaxi 是 L4 级自动驾驶最主要、最具商业价值的应用场景。L4 级无人车的 发展核心的是“场景适配”，依托封闭、半封闭或特定开放场景的标准化运营， 实现技术落地与商业变现的双向突破。L4 级无人车应用场景丰富，可分为城市 公共出行（Robotaxi、Robobus）、物流与货运配送（城区配送、干线物流）、 园区及封闭区域作业（城区/园区环卫、园区服务）、工业作业（智慧仓储）、 特种场景（智慧港口、智慧航空港、智慧矿山）几大板块，其中城市出行赛道为 L4 级无人车中最受关注的赛道，Robotaxi（无人驾驶出租车）聚焦城市开放道 路场景，面向 C 端个人出行与 B 端企业出行需求，是技术门槛最高、最贴近大 众生活的赛道。

Robotaxi 的运营发展历程可分为三个阶段。2025 年前中国 Robotaxi 商业模式 以测试、试运营为主，聚焦 Robotaxi 的安全性、稳定性。2025 年部分企业已经 实现规模化运营，Robotaxi 车队数量急剧上升，覆盖范围扩展至更多城市和核心 城区，商业化订单量和订单密度攀升，朝着常态化收费、用户规模积累的方向加 速前进。预计到 2030 年 Robotaxi 将成为用户采纳率较高的出行方式，实现常态 化运营。 第一阶段为商业化测试、试运营阶段：2025 年之前是 Robotaxi 大规模商业化的 基础积累期，这一阶段大部分车辆需配备安全员，安全员可在必要时接管车辆。 技术研发侧重于对复杂路况的适应性和“长尾场景”的处理，到 2025 年部分企 业已经实现规模化运营，行业实现从测试/试运营向规模化发展的过渡。 第二阶段为商业化、规模化运营阶段：2025 至 2030 年行业进入大规模投入与 应用拓展期，这一阶段各厂商技术能力进一步提升，部分运营区域可实现无安全 员运营，车辆逐步走向全自主驾驶，可靠性和安全性达到接近甚至超越人类司机 水平，相关法律法规也在不断完善，运营覆盖范围扩展至更多城市和核心城区。 第三阶段为商业化普及阶段：2030 年后，Robotaxi 商业模式将步入商业化普及 阶段，Robotaxi 技术全面成熟，Robotaxi 将成为用户采纳率较高的出行方式， 商业模式和产业分工定型，运营体系精细化，参与各方将聚焦提升运营效率和盈 利水平。

Robotaxi 行业催化不断，已经步入发展快车道

1、催化一：相关政策的完善，为商业化落地创造条件

中美两国作为行业领跑者，政策支持力度持续加码。中国从国家层面明确 L4 级 车辆可用于商业运输，并推动“车路云一体化”试点。2025 年 8 月，中国《自 动驾驶汽车道路测试与示范应用管理方法（2025 修订版）》正式生效，明确上海、 广州、深圳、重庆、杭州五城全域开放 L4 级收费运营，取消安全员强制要求， 并建立技术缺陷责任分级机制，为 RoboTaxi 的商业化运营扫清了关键障碍。美 国则在联邦安全框架与各州自主许可的并行体系中，逐步放宽运营限制，推动无 方向盘车型商业化，共同加速自动驾驶技术的规模化应用。

阿联酋及中东地区自动驾驶加速推进，其中迪拜目标“2030 年 25%出行自动化”。 中东相关 Robotaxi 政策从 2023 年阿联酋发放中东首个国家级全域、全车型自动 驾驶路跑牌照、迪拜出台 L4 规范起步，一系列政策以全国性牌照降低企业跨区 域成本，让中东成为自动驾驶商用的核心试验场。具体国家来看，沙特发放首张 牌照、迪拜明确“2030 年 25%出行自动化”、阿布扎比开启纯无人商业化运营， 多国正加速落地 L4 级测试及运营。

2、催化二：技术及产品迭代，成熟产品推动规模化扩张

（1）硬件方案：L4 强调“安全冗余”，多传感器为主流方案

当前感知方案主要分为纯视觉方案与多传感器融合方案，多传感器仍是主流方案。 智能驾驶从辅助决策（L2）向自动决策（L3 及以上）演进，车辆的环境感知系 统从“可行”到“可靠”转变，L4 核心则强调“安全冗余”优先。传统的摄像 头与毫米波雷达虽构成了当前 ADAS 系统的主流组合，但二者在复杂环境下的感 知局限日益显现，摄像头对光照、天气敏感，夜间与逆光场景下识别能力显著衰 减；毫米波雷达虽具穿透性，却难以精确刻画障碍物轮廓和静态场景特征，这种 感知缺陷成为自动驾驶‘安全冗余’体系中的关键瓶颈。以特斯拉、小鹏为代表 的纯视觉方案，依赖高性能摄像头与深度学习算法进行环境建模，具有较高的算 法要求与算力负担。大多数车企更倾向于采用多传感器融合架构，通过激光雷达、 毫米波雷达、摄像头及超声波雷达的协同感，实现对环境的全天候、高可靠、高 安全的感知能力，这一方案具备冗余特性，可在单一传感器失效时保持系统的稳 定性，符合高级自动驾驶对安全冗余的核心要求。

特斯拉的纯视觉方案具备较好的成本优势，使其能搭载于 3-6 万美元的量产车型 （如 Model3/Y）。特斯拉的单车智能系统以“8 摄像头+12 超声波雷达+1 毫米 波雷达+高算力芯片”为硬件基础，摒弃了激光雷达的高精度三维建模能力，转 而通过计算机视觉算法模拟人类驾驶时的“视觉-大脑”决策过程，纯视觉方案 的核心优势是“成本控制与规模化”，且统一摄像头感知避免多模态融合冲突与 同步问题，适配不同车型与场景的复制效率更高。其技术底层逻辑包括： （1）多摄像头协同感知：8 个摄像头覆盖 360 度视野（前向主摄像头 150 度广 角、侧视摄像头监测车道线与侧方车辆、后视摄像头跟踪后方交通），通过图像 畸变矫正和时序融合技术，构建车辆周围环境的动态三维特征。 （2）神经网络算法（OccupancyNetwork）：2023 年推出的 OccupancyNetwork 模型颠覆了传统“目标检测”思路，不再依赖预定义的“行人、车辆”等标签， 而是直接通过像素级语义分割，预测路面上“可行驶区域”与“障碍物占据区域”， 大幅提升了对非常规场景（如施工区域、异形物体）的识别能力。 （3）FSD 芯片与算力支撑：特斯拉自研的 HW4.0 计算平台搭载两颗神经网络 处理器（NPU），HW4.0 相比于 HW3.0 实现了 5 倍的芯片算力提升，双芯片 算力预计可达 720TOPS，支撑多摄像头数据的并行计算与决策输出。

文远知行自研 SensorSuite5.6 全新一代感知套件，快速迭代的设计和商业化标 准确保了高度的可靠性和性能。文远知行模块化传感器套件包括 GNSS、IMU、 激光雷达、雷达、摄像头和定制传感器板，该套件通用超过 90%的产品组件，确 保为各类车型定制精准感知。公司全新一代传感器套件 SensorSuite5.6 采用低 风阻流线型小巧设计，拥有高性能低成本激光雷达、高清高动态相机、RTK 高精 度组合惯导模块等在内的超 20 个传感器，可实现周围 360°无盲区、前方 200 米无死角感知，覆盖高动态、低光照等极端场景。快速迭代的设计和商业化标准 确保了高度的可靠性和性能。

小马智行第七代 Robotaxi 全车搭载 6 大类 34 个传感器，多重系统冗余架构也 能全面保障运营期间车辆和乘客的安全。第七代 Robotaxi 车型搭载六类量产传 感器，包括 9 颗激光雷达、14 颗摄像头、4 颗毫米波雷达，以及 4 颗麦克风、2 颗涉水传感器和 1 套碰撞传感器，实现车周 360°无盲区、650 米范围内的物体 和环境检测。该传感器方案配备小马智行自研传感器清洁方案，更好地检测和应 对长尾场景，让自动驾驶车辆实时掌握复杂路况，满足 Robotaxi 应对城区、高 速、环路路段，雨、雪、雾等恶劣天气，以及“鬼探头”、避让救护车等的全场 景无人驾驶通行能力和安全性要求。

（2）算法方案：端到端衍生出世界模型和 VLA 方案

端到端逐步成为汽车智能化架构升级的关键方向。此前自动驾驶系统普遍采用 “感知—预测—规划—控制”的模块化架构，通过功能分解实现系统级解耦，将 目标检测、目标跟踪、多目标预测、轨迹规划与车辆控制等关键能力分别建模和 优化。随着深度神经网络、Transformer 架构和大规模算力平台的成熟，端到端 架构持续受到关注。与传统的模块化设计不同，端到端技术以人工神经网络为基 础，将感知、决策、控制等功能整合为一个整体架构，从根本上简化了系统复杂 性，提高了运行效率。此外，端到端模型通常依赖大规模“感知—行为”配对数 据进行监督或模仿学习，可通过持续在线或离线训练提升泛化能力。

特斯拉的端到端技术依赖于下述关键组件和算法： 视觉处理系统：由车载摄像头和传感器组成，负责实时捕捉周围环境信息。 深度神经网络：利用深度学习算法，对视觉数据进行处理和分析，提取关键特征。 决策与控制模块：根据神经网络的输出，生成驾驶决策，并通过车辆控制系统实 施。 上述组件和算法协同工作，实现从感知到执行的全流程自动化。例如，特斯拉的 神经网络可以根据实时摄像头数据，识别出前方的交通信号、行人和障碍物，并 根据这些信息生成安全有效的驾驶路径。

编辑：火腿肠