上个月，我们发表了一篇题为《车路协同到底解决了什么问题?》的讨论文章，从宏观角度分析了车路云一体化建设的必要性，从结果上我们讨论了“安全”与“效率”，从场景上也分析了“城市管理”“自动驾驶”落地的可行性，但评论关注的焦点却再一次聚焦到了“成本”与“性价比”上。
建设的代价有多大？投入这么高的成本值不值得？没有闭环如何保证可持续性？
尽管已经有过不少总体成本可控的分析，但高昂的单点建设成本x巨大的覆盖面积，使得车路云一体化建设成本预估仿佛成了天文数字。面对质疑，路侧设备厂商们只能一方面不断推动产业扩大，期望通过规模化和产业化能压缩成本，另一方面积极寻求新的路侧建设路线......
目前车路云一体化建设的资金来源主要有三方面，一是国家层面的财政支持，针对车路云一体化建设，国家通过五部委的政策引导，配套了特别债、地方债和超长期国债等形式的财政支持，为入围的申报试点城市提供主要资金保障。二是地方财政的配套，地方政府会结合自身条件进行资金配资。最后还有企业的自筹资金，通过引入社会资本，甚至利用未来运营权或收益作为抵押吸引投资。
而据行业人士分析，当前高速车路云一体化建设每公里道路的改造成本在100万-200万元之间，即使在产业化规模化加持下，每公里的改造成本降至平均50万元，全国公路分级改造的成本也将十分惊人。
城市车路云建设则更加复杂，以北京高级别自动驾驶示范区为例，单个路口的设备费用大约在45万至50万元之间，涵盖了约30至35台套设备，主要分为三类：感知设备（如AI摄像头、毫米波雷达、激光雷达等）、通信设备（以RSU路侧单元为核心，支持5G和PC5通信模式）以及计算单元（即边缘计算，用于数据处理与存储）。此外，还包括智慧灯杆改造、既有设备更新、电力线路改造等施工费用，平均每个路口约需80万至90万元。
尽管采用了多元化的融资策略，国家层面也给予了政策上的高度关注与倾斜，但就当前的建设成本来看，车路云一体化建设的全面推广对于地方财政和参与企业都还有着不小的财政压力，尤其是当下全国正处于土地财政转型和经济高质量发展转型的关键阶段，过高的成本可能会使项目推动受制于地方财政。
且在当前的成本估量当中，也很少计算设备的使用与运维成本，在这份常常被忽略的成本中，同样隐藏着巨大的需求。
“三分建设 七分运维”，智能交通系统运维的作用甚至要重要于项目建设，这点可以直观的体现在数据监测的准确度方面，比较典型的案例代表就是当前车路云主流感知设备之一的视频监控，作为一种精细化感知产品，其感知精度却受环境影响较大，灰尘、水汽、光线、振动、风力等都可能影响其识别效果，曾有业主表示半个月不维护就可能导致检测精度出现下滑，一个月不维护就无法保障数据的准确与稳定。
在夜晚、雨雾等低能见度条件下，视频识别的准确度急剧下降，数据无法使用，而大部分交通事故是在低能见度情况下形成的，迫切需要准确数据提升安全，视频识别不能满足车路云要求。
从当前的智能交通设备应用情况来看，种种原因导致很多城市甚至没有固定的预算支撑运维工作，即使智能交通项目投资构成重硬轻软、重建设轻服务的状况已经有所改善，但投资重点仍然没有本质上的改变。
另一方面，视频识别为核心的感知体系需要强大的计算能力，特别是当涉及到高精度视频时，这通常意味着需要投资高性能服务器、GPU加速卡等硬件设备来支持实时或批量处理任务，且高质量的视频结构化解决方案往往依赖于复杂的算法和技术栈，软件与算法、数据标注与训练、合规与安全、定制化需求等等都需要资金的持续投入，存储、电力、带宽等持续性消耗成本上同样高昂。
高昂的运维使用成本导致的结果就是，投入巨资建设道路交通精细化检测器受制于维护成本过高，而设备在线率普遍低下，数据无法获取或质量不达标，路侧数据的准确性和可靠性饱受诟病。
在刚刚结束的“第六届全球智能驾驶大会——暨苏州市智能网联汽车‘车路云一体化’应用试点推进会”上，国家智能交通系统工程技术研究中心首席科学家、中国智能交通产业联盟理事长王笑京指出“车路云建设应该更加关注成本效益和实施方式，需要从交通系统和社会角度进行考虑，结合中国实际情况，找到适当的切入点。”
车路云一体化建设，需要更多元，更简便，更高效也更低廉的感知体系。
当下，车路云一体化的建设范围正在由街道路段转向城市全域，作为未来全国智能交通体系中的一环，不仅仅要考虑建设投入，更要从可持续性角度慎重的考虑未来财政的承载力及运营负担。
刚刚结束的2024世界智能网联汽车大会上，一家感知解决方案和设备供应商打出了“1/3成本，提供10倍数据质量的全天候可信路侧数据”的口号，希望通过底层感知体系的逻辑变化，在提供满足车路云需求的数据质量的同时，降低车路云一体化整体建设成本和日后运维成本。
论坛上，成谷科技CTO张宏彬发表《突破核心关键技术 打造价值应用场景》主题演讲，代表成谷发布了雷射视融合通感一体路侧检测解决方案。
该检测方案实现高质量数据、降低成本的核心在于采用通感一体技术，通过更远的感知距离提升感知的准确性，减少路侧感知设备布设密度，并且避免需要消耗大量算力和带宽的视频结构化环节，所需数据仅为视频AI 的万分之三，大幅降低了设备的建设和运维成本。
且相较于视频结构化、毫米波雷达、激光雷达，以及雷视融合等多感知手段的融合，雷射融合感知采用通感一体技术，可以更好解决物理遮挡，异常天气等问题，精准获取车牌、速度、位置、车型、时间这五要素信息，在全天候感知和感知精度方面更上一层楼，是目前唯一满足车路云数据质量的技术路线。
对此方案，展会现场也有观众提出了质疑，射频技术的感知需要车载单元配合，以当前的OBU渗透率如何保障监测数据的完整性？
对此，张宏彬表示，与 5G-A 的通感一体方案不同，成谷的方案支持现有通信终端的识别，车辆无需增设 5G-A 终端设备，可通过WiFi、蓝牙、ETC等频段实现对车辆、行人、非机动车的准确识别，降低了系统对被感知对象的要求和限制，可同时应用于4亿存量汽车和新增的智能网联汽车。
张宏彬还表示，此前车路云一体化建设一直存在车端路侧谁先投入建设的矛盾，但当前来看路侧先行建设的可能性更大一些，因为当前车企生存压力比较大，产品设计配套的周期又比较长，通过路侧先行建设，服务好存量车，也可以打消车企投入的顾虑，牵引车路云一体化发展。
据悉，该方案已在深圳、南昌、苏州等多地开展了商业化应用。
当一项技术建设成本和使用成本过高，其注定难以大范围推广，因此技术普及的过程也是降低门槛的过程。当前车路云建设正如火如荼的在全国范围内开展，不论是毫米波雷达、激光雷达、视频亦或者射频感知，终归各有长短板，如何在合适的场景下选择最适合的组合感知方案，确保长期可持续发展，是大规模推广前就应该考虑清楚的问题。
RECOMMEND
