无人系统产业观察：技术融合与场景落地并进

执行摘要：无人系统产业正从单点技术突破走向多场景规模化落地。车企与AI芯片厂商深度绑定加速L4级自动驾驶商用进程；地面、水上等特种无人平台在运动控制、轨迹跟踪等核心算法上持续迭代。本报告梳理产业现状与竞争格局，剖析上中下游产业链结构与数据要素价值，研判技术融合、成本下降与安全标准演进下的产业趋势。

产业现状与竞争格局

无人系统产业正处于技术融合与场景落地并进的关键阶段。从地面到水面、从空中到水下，无人系统的应用版图持续扩张：自动驾驶汽车加速从辅助驾驶迈向L4级「门到门」自动驾驶；无人艇在水面测绘、安防巡逻等场景逐步商用；自主水下航行器（AUV）则借助控制算法的进步，在海洋调查与工程作业中提升作业可靠性。多领域并行发展、技术相互渗透，构成了当前无人系统产业的基本面貌。

1.1 多领域覆盖：技术底座趋同，场景各有壁垒

无人系统各细分赛道虽形态各异，但技术底座高度趋同——环境感知、决策规划与运动控制构成了共通的三大核心环节。

在地面领域，自动驾驶的技术演进最具代表性。沃尔沃汽车宣布扩大与英伟达的合作，将车辆安全系统与NVIDIA Hyperion传感器及计算架构、Halos OS安全操作系统和Alpamayo Stack驾驶软件深度整合。Hyperion平台采用双DRIVE AGX Thor系统级芯片，面向Robotaxi和L4级自动驾驶，目标是覆盖高速、城市道路到泊车场景，实现「门到门」自动驾驶。这表明自动驾驶竞争已从单点功能升级为「芯片—操作系统—驾驶软件」全栈能力的竞争。

在水域领域，技术落地的重点更多体现在控制精度与环境适应上。学术界的最新进展显示，针对执行器饱和与水动力不确定性下的自主水下航行器轨迹跟踪问题，已出现低复杂度自适应预设性能控制器，其通过「期望控制输入与饱和控制输入之差」直接自适应调节性能函数，仅当实际执行器能力无法满足名义指标时才扩大性能漏斗，并在BlueROV2平台完成对比仿真验证。此类成果意味着水下无人系统的可靠性正在从实验室走向工程可用。在两轮车辆方向，针对摩托车侧滑摔倒这一事故主因，研究团队提出基于前后轮转向通用模型的优化控制方法，按车速与路面条件分配辅助控制输入，并在低摩擦路面5.5 m/s绕桩和人工冰面模拟雨天过井盖的转弯实验中得到验证——这反映出无人系统技术正在向细分场景纵深渗透。

1.2 竞合共生：结盟、跨界与格局演变

当前竞争格局的核心特征是「结盟加速、竞合并存」。头部车企与芯片厂商深度绑定，成为最显著的趋势：老牌车企借助英伟达等AI计算平台弥补软件与算力短板，芯片厂商则通过整车合作获得数据与落地场景，双方形成互补型联盟。与此同时，科技公司与传统制造商的关系呈现「既竞争又合作」的态势——科技公司在智能驾驶软件、计算平台上占据主导，传统制造商掌控制造资质、供应链与安全体系，二者边界持续重组，任何一方都难以独立闭环。

从四象限视角看，掌握全栈能力的「车企+芯片」联盟占据领跑者位置；聚焦算法的自动驾驶科技公司技术浓度高，但商业化路径仍在收敛；传统整车制造商坐拥渠道与制造价值，正通过结盟向高技术区间迁移；无人艇与水下航行器企业多处于潜力区域，技术门槛不低但市场规模尚待释放。

产业演变的深层逻辑可归纳为一个漏斗式的落地过程：

总体而言，无人系统产业的竞争格局仍在快速演变之中：技术融合降低了跨领域进入门槛，深度结盟重塑了价值链分工，而真正决定座次的，将是各玩家把技术验证转化为规模化商业闭环的速度。

（本章完）

上游：芯片与核心部件

无人系统产业链的上游，正日益清晰地收敛为三大支柱：车规级SoC、传感器与操作系统。它们共同决定了整车厂与方案商在自动驾驶竞赛中的算力上限、感知边界和安全底线。本章围绕这一结构，梳理当前上游格局的最新动向与演变逻辑。

一、上游核心三件套：算力、感知与安全底座

从产业架构看，上游供给链条可以概括为一条自底向上的技术栈：

以近期沃尔沃与英伟达扩大的合作为例，这一架构的代表性组合已经落地：沃尔沃将其车辆安全系统与NVIDIA Hyperion传感器及计算架构、Halos OS安全操作系统以及Alpamayo Stack驾驶软件深度整合，目标是覆盖高速、城市道路到泊车场景，实现「门到门」自动驾驶。值得注意的是，Hyperion平台采用双DRIVE AGX Thor系统级芯片，明确面向Robotaxi和L4级自动驾驶。这意味着，高算力双芯片平台 + 安全操作系统正在成为L4方案的标配配置：前者提供冗余算力以支撑全场景感知与规划，后者为功能安全提供软件底座。

老牌车企主动拥抱芯片厂商的全栈方案，也反映出上游话语权的变化——计算架构与操作系统不再只是零部件，而是定义整车智能化水平的平台级资产。

二、传感器与控制技术的纵深演进

在算力之上，传感器融合与运动控制构成了感知—执行闭环。产业观察显示，上游技术的精进不仅发生在乘用车领域，也向两轮车、水下航行器等非典型场景延伸：

• 两轮无人系统：针对摩托车侧滑摔倒这一连专家骑手也难以避免的事故主因，研究团队提出了基于前后轮转向通用模型的优化控制方法，按车速与路面条件分配辅助控制输入，并在低摩擦路面绕桩、人工冰面模拟雨天过井盖等极限工况下完成实车验证。
• 水下无人系统：面对执行器饱和与水动力不确定性，自适应预设性能控制器通过直接调节性能函数，在保证闭环信号有界性的同时实现轨迹跟踪，并已在BlueROV2平台完成验证。

这些进展说明，上游核心部件的成熟度正在通过算法层的优化被进一步放大——同样的传感器与执行器，配合更精细的控制理论，可以在更苛刻的物理条件下逼近安全边界。

三、上游竞争格局定位

从技术门槛与商业价值两个维度观察，上游主要玩家的位置分布如下：

领跑者象限集中于具备全栈能力的计算平台厂商；安全OS与高集成传感器位于价值爬坡通道；而技术门槛较低、竞争同质化的模组与执行器环节，则呈现存量博弈特征。

四、供应链国产化与集中化并行

上游格局的另一个关键词是「双化」：

一方面是集中化。 头部SoC厂商凭借算力迭代速度与软件生态，在高端L4方案中形成事实性垄断——双Thor芯片平台这类方案，短期内难以出现等效替代。操作系统层同理，Halos OS等安全底座一旦与传感器架构、驾驶软件栈深度绑定，客户切换成本极高，平台锁定效应持续增强。

另一方面是国产化。 在地缘与安全考量下，国内主机厂与方案商正加速推进核心部件的自主可控：车规级SoC国产替代、激光雷达国产份额提升、国产车载操作系统试点落地，均在进行之中。国产化进程呈现典型的金字塔结构：

两种趋势并行而非矛盾：集中化发生在全球高端市场，由少数平台型厂商主导；国产化则发生在区域市场与中低算力区间，由政策与安全需求驱动。二者的交汇点——能否在高端SoC与安全OS上实现突破——将决定未来三到五年上游格局的走向。

本章小结

上游正处于「平台化、安全化、双轨化」三重演进之中：双芯片高算力平台与安全操作系统构成L4标配，传感器与控制算法的协同优化不断拓展物理边界，而国产化与集中化的并行推进，则为产业链上下游的博弈注入了长期变量。对于中游方案商与下游运营方而言，理解上游的锁定逻辑与替代节奏，是构建供应链韧性的前提。

中游：平台与算法集成

无人系统产业链的中游，本质上是将上游的芯片、传感器等硬件能力，转化为可部署、可运行的系统化产品。这一环节的核心任务是“集成”：将计算架构、驾驶软件栈与控制算法整合为一个覆盖感知、决策与执行全链路的完整技术栈。随着上游算力供给日趋同质化，中游厂商的差异化竞争正在从“有没有”转向“优不优”——优化控制与自适应算法的精深程度，正成为决定产品力高下的关键变量。

一、计算架构：从单芯片到“双芯冗余”的整合范式

计算架构是中游集成的基础设施。以沃尔沃与英伟达的深化合作为代表，头部整车企业正在与算力平台厂商构建端到端的联合架构：车辆自有的安全系统，与NVIDIA Hyperion传感器及计算架构、Halos OS安全操作系统、Alpamayo Stack驾驶软件栈深度整合。

这一架构的显著特征是冗余与分层设计。Hyperion平台采用双DRIVE AGX Thor系统级芯片配置，面向Robotaxi和L4级自动驾驶场景，目标覆盖高速、城市道路到泊车全场景，实现“门到门”自动驾驶。双芯片方案既提供了 L4 级所需的算力峰值，也满足安全关键系统对失效运行（fail-operational）能力的要求——即使单侧算力异常，系统仍需维持安全运行。安全操作系统与驾驶软件栈的解耦分层，则使得算法迭代可以独立于底层硬件进行，缩短开发周期。

老牌车企通过与算力巨头联合，实质是在中游完成了一次能力补齐：将自身积累数十年的车辆动力学与安全工程经验，嫁接到现代计算架构与软件栈之上，避免在软件定义汽车时代被边缘化。

二、控制算法：优化控制成为差异化主战场

如果说计算架构决定了系统的“上限”，控制算法则决定了系统在真实物理世界中的“下限”——即在极端条件下能否可靠工作。近期的研究进展显示，优化控制与自适应方法正沿着两条路径深化。

第一条路径是基于模型预测的优化控制。针对摩托车侧滑摔倒这一连专家骑手也难以完全避免的事故主因，研究团队提出了基于前后轮转向通用摩托车模型的优化控制方法：将抑制侧滑摔倒建模为优化问题，按车速与路面条件动态分配辅助控制输入。该团队此前已建立适用于前轮与后轮转向系统的摩托车模型，本次工作将其统一扩展，并通过实车验证了有效性——在低摩擦路面以5.5 m/s完成绕桩行驶，以及在人工冰面上模拟雨天驶过井盖的转弯机动。这类研究的产业意义在于：即使对于两轮这类高不稳定性的载具，控制算法也能在物理极限边缘提供安全保障，为配送机器人、无人摩托车等新兴品类打开落地空间。

第二条路径是面向执行约束的自适应控制。自主水下航行器（AUV）在执行器饱和与水动力不确定性并存时，传统控制方法往往性能骤降。arXiv上的最新研究提出一种低复杂度自适应预设性能控制器：通过“期望控制输入与饱和控制输入之差”直接自适应调节性能函数，仅当实际执行器能力无法满足名义指标时才扩大性能漏斗；结合耦合不变集分析，证明了闭环信号有界性与滤波跟踪误差的预设界，并在BlueROV2上完成对比仿真验证。这一思路的巧妙之处在于“按需放宽”——性能指标不再是固定承诺，而是随执行器真实能力弹性收缩，从而在硬件受限条件下最大化任务完成度。

两条路径共同指向一个趋势：中游算法竞争已从常规工况的“平顺驾驶”，转向边界工况的“极限控制”。谁能把控制边界推得更远，谁就能在安全冗余和场景覆盖上建立壁垒。

三、从感知到执行：全链路集成能力图谱

中游集成横跨感知、决策与执行三个层次，不同环节的技术成熟度与竞争格局差异明显：

值得注意的是，优化控制层不再是被动的末端环节。无论是摩托车侧滑抑制中“按路面条件分配控制输入”的闭环反馈，还是AUV控制器对性能函数的动态调节，都体现出控制层向上游感知与决策环节反向渗透的特征——执行层的物理约束正在重塑整个软件栈的设计逻辑。

四、竞争定位：技术门槛与商业价值的分化

中游玩家在“技术门槛—商业价值”坐标系中呈现清晰的分层：

L4级计算平台整合（如Hyperion双Thor方案）处于高门槛高价值区，玩家稀少但壁垒深厚；极限控制算法（侧滑抑制、饱和自适应控制）虽当前商业化规模有限，但一旦与具体场景绑定，将成为高潜力赛道；常规ADAS集成则门槛趋低，正逐步沦为存量竞争。

五、小结

中游的核心叙事是“整合之上的精深”：计算架构提供冗余与算力底座，软件栈实现分层解耦，而真正的护城河来自优化控制与自适应算法对物理极限的逼近能力。从双芯片冗余架构到冰面侧滑抑制、再到执行器饱和下的自适应轨迹跟踪，产业与研究端的信号一致表明——无人系统的下一轮分化，将在控制算法的“最后一米”决出。

下游：应用场景与商业模式

无人系统产业链的价值兑现，最终取决于下游应用场景能否形成可复制的商业闭环。当前来看，Robotaxi、门到门自动驾驶、特种作业车辆与水下作业构成了四类主要落地场景，其商业化进度虽不相同，但共同面临两道门槛：安全验证与规模化成本控制。

一、四大落地场景的进展与差异

Robotaxi 仍是最受关注的场景。 该场景对技术栈要求最高——需覆盖高速、城市道路、泊车等全场景，并满足 L4 级安全冗余。产业界正通过车企与 AI 芯片平台的深度绑定来加速安全验证。典型如沃尔沃汽车扩大与英伟达的合作，将自身车辆安全系统与 NVIDIA Hyperion 传感器及计算架构、Halos OS 安全操作系统和 Alpamayo Stack 驾驶软件深度整合；Hyperion 平台采用双 DRIVE AGX Thor 系统级芯片，直接面向 Robotaxi 和 L4 级自动驾驶。这种“整车安全基因 + AI 计算平台”的组合，反映出头部玩家正把安全体系作为商业化的前置条件而非事后补丁。

门到门自动驾驶正在成为量产车的中间形态。 完全无人化的 Robotaxi 需要漫长的运营验证，而“门到门”方案——覆盖从出发地到目的地全程的辅助与自动驾驶能力——可以先在乘用车量产体系中分摊研发成本、积累真实路况数据。老牌车企借助与 AI 平台合作切入该赛道，本质是以“量产造血、数据反哺”的路径降低纯 Robotaxi 的前期亏损压力。

特种作业车辆是确定性较高的利基市场。 封闭或半封闭场景（矿区、港口、园区等）对速度和交互的要求低于公开道路，法规约束相对宽松，更容易率先实现无人化替代并核算成本收益。

水下作业处于技术攻坚期。 以自主水下航行器（AUV/ROV）为代表的水下场景，核心难点在于执行器饱和与水动力不确定性下的轨迹跟踪控制。近期学术进展显示，研究者已提出低复杂度自适应预设性能控制器，通过“期望控制输入与饱和控制输入之差”直接自适应调节性能函数，仅当执行器实际能力无法满足名义指标时才扩大性能漏斗，并结合耦合不变集分析证明了闭环信号有界性与跟踪误差预设界，在 BlueROV2 平台完成验证。类似地，针对摩托车弯道侧滑摔倒这一难题，有团队将抑制侧滑建模为优化问题，按车速与路面条件分配辅助控制输入，并在低摩擦路面 5.5 m/s 绕桩和人工冰面模拟雨天过井盖等极端工况下完成实车验证。这类工作虽属细分方向，但代表了无人系统在复杂动力学与极端工况下的安全控制前沿。

二、场景成熟度定位

从技术门槛与商业价值两个维度，可以对四类场景的竞争格局作如下定位：

Robotaxi 与门到门自动驾驶位于高技术门槛、高商业价值区间，是巨头竞逐的主战场；特种作业车辆技术门槛适中、价值兑现路径清晰，属于稳健的利润型市场；水下作业商业价值尚待释放，但一旦控制与可靠性问题突破，在海洋工程、科研与防务领域具备独特卡位价值。

三、商业闭环的两道门槛

四类场景殊途同归，商业闭环的成立均依赖以下链条的贯通：

第一道门槛是安全验证。 无论是 Hyperion 平台的双芯片冗余与 Halos OS 安全操作系统，还是水下航行器的性能漏斗控制、摩托车的防侧滑优化控制，产业界的共同逻辑是：把安全能力前置到系统架构与控制算法层面，通过可量化、可复现的验证方法获得监管与公众信任。安全验证不只是技术问题，也是商业模式的准入条件——没有经过充分验证的系统，无法进入公开道路运营或高风险水下作业。

第二道门槛是规模化成本控制。 单点示范无法证明商业模式，只有当传感器、计算平台与运营成本随规模持续下降，无人系统的单公里/单次作业成本才能低于人工方案。车企与芯片平台的深度整合（如双 DRIVE AGX Thor 架构）正是通过平台化摊薄成本；量产门到门方案则以乘用车规模效应反哺 L4 研发投入。

四、小结

下游格局呈现“主战场 + 利基市场 + 前沿储备”的梯队结构：Robotaxi 与门到门自动驾驶决定产业想象空间的上限，特种作业车辆提供现金流与落地经验，水下作业等场景则在极端环境控制技术上持续积累。未来 2-3 年，能否打通“安全验证—示范运营—规模降本”的完整链条，将是各场景从技术可行走向商业可行的分水岭。

数据、测试与竞争态势

无人系统产业正进入“技术融合与场景落地并进”的关键阶段，而决定企业能否在这一阶段胜出的，已不仅是算法的先进性，更是数据积累、测试验证体系与安全记录所共同构成的综合性竞争壁垒。本章从验证方法、数据壁垒与技术指标三个维度展开分析。

一、实车实验与仿真验证并行

无人系统的验证体系正呈现“实车实验+仿真验证”双轨并行的格局，二者各有分工、互为补充。

在实车层面，物理验证仍是不可替代的环节。针对摩托车侧滑摔倒这一连专家骑手也难以完全避免的事故主因，研究团队提出了基于前后轮转向通用摩托车模型的优化控制方法，将抑制侧滑摔倒建模为优化问题，并按车速与路面条件分配辅助控制输入。为验证方案，团队专门研制了一辆遥控摩托车，开展两组真实场景实验：一是低摩擦路面5.5 m/s的绕桩行驶，二是在人工冰面上模拟雨天驶过井盖的转弯机动。这类高保真实车实验的价值在于暴露仿真环境难以复现的物理边界条件——低附着力路面、突发扰动、传感器噪声等。

在仿真层面，验证则承担着低成本、大规模、可重复的角色。在自主水下航行器（AUV）领域，针对执行器饱和与水动力不确定性下的轨迹跟踪难题，研究者提出低复杂度自适应预设性能控制器，通过“期望控制输入与饱和控制输入之差”直接自适应调节性能函数，并结合耦合不变集分析证明了闭环信号有界性与预设跟踪误差界，最终在BlueROV2平台上完成对比仿真验证。仿真验证使控制策略在进入实机测试前即可完成大量边界工况的筛选，显著压缩研发周期与成本。

在量产级自动驾驶领域，头部企业已将二者整合为完整闭环。沃尔沃与英伟达扩大的合作即是典型：将沃尔沃车辆安全系统与NVIDIA Hyperion传感器及计算架构、Halos OS安全操作系统和Alpamayo Stack驾驶软件深度整合。Hyperion平台采用双DRIVE AGX Thor系统级芯片，面向Robotaxi和L4级自动驾驶，目标覆盖高速、城市道路到泊车场景，实现“门到门”自动驾驶。这一架构级合作意味着仿真工具链、车载计算平台与实车安全数据被打通为统一体系。

二、路测数据与安全记录构成竞争壁垒

无人系统是典型的数据驱动产业：算法性能的上限由数据的质量与规模决定，而商业化落地又高度依赖安全记录的公信力。由此形成一条自我强化的飞轮——路测越多、数据越丰富，算法越成熟；安全记录越好，监管信任与公众接受度越高，进而获得更多路测与运营机会。

这一壁垒的结构可以用冰山模型来理解：市场看到的是产品发布与技术演示等显性成果，而真正决定长期竞争格局的，是水面之下的隐性根基。

沃尔沃与英伟达的合作逻辑印证了这一点：老牌车企的核心资产正是数十年沉淀的车辆安全数据与安全工程体系，通过与英伟达的计算平台和软件栈整合，将“安全记录”这一传统优势转化为自动驾驶时代的差异化竞争力。对于新入局者而言，绕过数据与安全记录的长期积累直接追赶，难度极高——这也是当前产业竞争格局相对固化的根本原因。

三、算法性能指标成为技术比拼焦点

随着验证体系成熟，竞争的焦点正从“能不能跑”转向“跑得多好”，具体指标日益精细化，主要包括三类：

跟踪精度类指标。轨迹跟踪能力是无人系统的基础性能。以水下航行器为例，自适应预设性能控制的目标是实现滤波跟踪误差的预设界——即系统必须在执行器饱和、水动力不确定等约束下仍保证跟踪误差不超出预设边界。跟踪精度直接决定了无人系统在复杂任务中的可用性。

稳定性与安全类指标。防侧滑、防摔倒等动态稳定性指标日益关键。前述遥控摩托车实验表明，通过按车速与路面条件分配辅助控制输入，系统可在低摩擦路面绕桩、冰面过井盖等极端工况下抑制侧滑摔倒。这类指标直接对应事故率，是安全记录的直接支撑。

场景覆盖类指标。从高速、城市道路到泊车的“门到门”覆盖能力，正在成为L4级方案的重要衡量维度。场景覆盖越完整，单位数据的复用价值越高，数据壁垒也越深。

竞争格局上，不同类型玩家凭借差异化资源占据不同生态位：

本章小结

数据、测试与竞争态势三者环环相扣：实车实验与仿真验证的双轨体系产出高质量数据，路测数据与安全记录沉淀为最深的竞争壁垒，而跟踪精度、防侧滑稳定性、场景覆盖度等算法性能指标则是壁垒的外在量化表现。可以预见，未来无人系统产业的头部集中度将进一步上升——数据飞轮一旦转起，后来者的追赶窗口将迅速收窄。对于产业各方而言，尽早构建“仿真—实车—数据—迭代”的闭环体系，比单点算法突破更具战略意义。

趋势判断与展望

综合本章前述技术进展与产业动态，无人系统产业正站在从技术验证期迈向商业化爬坡期的临界点。软硬一体深度整合、安全标准趋严与多域协同，构成未来两到三年最值得关注的三条主线。

一、软硬一体深度整合成为竞争核心

近年来，头部厂商的竞争重心正从单点算法能力转向“芯片—传感器—操作系统—驾驶软件”的全栈整合。沃尔沃与英伟达扩大合作的案例颇具代表性：双方将车辆安全系统与NVIDIA Hyperion传感器及计算架构、Halos OS安全操作系统和Alpamayo Stack驾驶软件深度整合，Hyperion平台采用双DRIVE AGX Thor系统级芯片，面向Robotaxi和L4级自动驾驶，目标是覆盖高速、城市道路到泊车场景，实现“门到门”自动驾驶。这一合作表明，老牌车企正通过绑定头部计算平台供应商，以软硬一体的方式补齐智能化短板，整车厂与芯片/软件供应商的分工边界正在重构。

软硬一体整合的价值在于端到端的性能优化与安全闭环：硬件算力可以根据软件需求定制，安全操作系统可以贯穿传感器接入到决策执行的完整链路，避免了拼装式方案中各层之间的责任模糊。预计未来具备全栈整合能力的厂商将在L4级场景中占据定价权与迭代速度的双重优势。

二、安全标准趋严，控制算法走向精细化

安全正在从“附加属性”变为“准入门槛”。一方面，安全操作系统、冗余计算架构进入量产车型设计；另一方面，学术与工程界在极端工况下的控制技术上持续投入。典型方向包括：针对摩托车弯道侧滑摔倒这一连专家骑手也难以避免的事故主因，研究者提出基于前后轮转向通用模型的优化控制方法，按车速与路面条件分配辅助控制输入，并在低摩擦路面5.5 m/s绕桩及人工冰面模拟雨天井盖转弯等极端场景中验证了遥控摩托车平台的可行性；在水下领域，针对执行器饱和与水动力不确定性，自适应预设性能控制器通过直接调节性能函数并结合耦合不变集分析，保证了BlueROV2轨迹跟踪误差的预设界与可行性。

这些工作的共同特征是：不再追求平均性能最优，而是对“边界条件”给出可证明的安全保证。随着监管对功能安全与预期功能安全（SOTIF）要求提高，具备形式化验证与极端工况验证能力的方案将在准入环节获得先发优势。

三、多域协同：车、艇、水下的技术共振

值得注意的趋势是，地面车辆、水面艇与自主水下航行器（AUV/ROV）三个领域正在出现方法论层面的技术共振。轨迹跟踪、抗扰动控制、执行器约束管理等核心问题在不同介质中呈现同构性——参考3中处理输入饱和的思路，与参考2中处理路面附着约束的思路，本质上都是“在物理能力边界内优化性能”的同一类问题。多域协同不仅意味着技术复用降低研发成本，也为物流、海洋勘测、应急救援等场景提供“门到门、岸到水、水到底”的连续无人化解决方案，打开跨域组合的市场空间。

四、竞争格局与商业化爬坡路径

从技术与商业价值两个维度看，当前格局呈现明显分层：

五、阶段判断

产业整体正处于从“技术验证期”向“商业化爬坡期”的过渡阶段：技术侧，极端工况控制、安全操作系统、全栈整合等关键环节已具备量产可行性；商业侧，Robotaxi、港口与水下作业等场景开始出现可复制的订单与运营模式，但规模经济尚未形成。预计未来两到三年，具备全栈能力、通过严格安全验证、并能在多域场景间复用技术资产的厂商，将率先完成商业化爬坡；而依赖单点技术、缺乏安全体系支撑的参与者，将面临准入与成本的双重挤压。安全标准的持续收紧，既是挑战，也是头部厂商巩固壁垒的机会窗口。