&

　　摘要

　　探討了智能網聯汽車作為具身智能在交通領域具體應用的技術現狀及發展趨勢，分析了基于具身智能的智能網聯汽車的特點和典型應用場景。進而闡述了智能網聯汽車技術架構的演進過程，提出了車路云一體化的解決方案，為智能網聯技術賦能具身智能產業發展提供了可能的路徑表述。最后，全面分析了車輛群體智能的發展演進以及智能網聯技術向具身智能行業賦能的具體方式，以云端智能為核心，構建“車—路—云—網—圖”深度融合的智能體網絡。

　　0 1 概述

　　在當今數字化與智能化飛速發展的時代，人工智能(Artificial intelligence，AI)技術正以前所未有的速度滲透到各領域，推動著人類社會的深刻變革。其中， “具身智能”(Embodied intelligence，EI)作為一種新興的、具有廣泛影響力的智能形態，被廣泛認為是新一波AI浪潮的核心方向[1]。2025年的政府工作報告首次將“具身智能”納入國家重點發展方向，提出要加快突破人形機器人[2]、具身智能等關鍵技術。從行業來看，OpenAI對Figure AI的戰略投資、特斯拉Optimus的持續迭代升級、英偉達積極構建具身智能與人形機器人生態，種種跡象表明，具身智能正處于快速發展的風口。

　　智能網聯汽車，作為現代交通領域重要發展方向之一，正是具身智能在交通領域的重點體現。隨著傳感器技術、通信技術、人工智能算法的發展以及大數據處理能力的不斷提升，依托智能網聯系列技術，汽車已從傳統交通工具轉變為具有高度智能化和自主性的移動智能體[3]。它們通過車輛內部多種傳感器感知周圍環境，并利用先進的通信技術與其他車輛、路端基礎設施以及云端進行實時數據交互，實現對交通環境的實時感知和動態響應，并借助強大的云端計算平臺進行復雜決策和控制，從而優化交通流量、減少擁堵、降低事故風險[4-5]。在此過程中，云端計算平臺是中心智能體，每一輛智能網聯汽車為智能節點，共同構成了“車—路—云—網—圖”深度融合的智能體網絡，進而才能不斷學習和適應復雜交通場景，優化自身決策和控制策略。這種基于大規模智能體協同的交通系統，正是具身智能在交通領域的重點發展方向，為解決交通領域諸多挑戰提供全新思路與方法。

　　然而，該方案也面臨諸多挑戰和問題。例如，如何確保大規模智能體網絡間高效通信和數據共享，如何保障系統安全性、可靠性和隱私性，如何設計合理的控制策略以實現最優交通管理效果，以及如何應對復雜多變的交通環境和人類駕駛行為等。這些問題不僅需從技術層面進行深入研究和探索，還需從政策、法規等多角度進行綜合考慮與統籌[6]。

　　基于此，本文將從基于具身智能的智能網聯汽車的特點、典型場景、技術架構演進以及群體智能的發展演進入手，探討其行業優勢、面臨挑戰和未來發展趨勢，也探討了智能網聯領域技術能力積累向具身智能行業賦能的可能途徑，希望為具身智能研究者和從業者提供有益的參考和啟示。

　　0 2 基于具身智能的智能網聯汽車特點及應用

　　汽車的發展先后經歷人工控制階段、半自動化階段和全自動化階段，當前正處于后2個階段的過渡期。智能網聯汽車通過云端、路端系統的賦能，結合車輛自身功能，具備以下全新特點。

　　2.1 執行端的全自動化

　　執行端的全自動化主要包括以下幾個方面。

　　a)高度自主性。基于具身智能的智能網聯汽車具備高度自主性，且能根據復雜的交通環境和多變的道路狀況，獨立做出合理的決策并執行相應的操作。車輛可以自主判斷加速、減速、變道、轉彎等，無需人類駕駛員頻繁干預。

　　b)精準控制能力。基于具身智能的智能網聯車輛控制精度極高，能夠精確地控制車輛的行駛參數。在速度控制方面，可以根據道路限速、交通流量等因素，精準地維持在合適的車速;在轉向控制上，能夠精確地調整車輛的行駛軌跡，實現精準的車道保持和轉彎操作。

　　c)快速反應能力。當車輛的傳感器檢測到前方有障礙物或突發危險時，執行端可以在極短的時間內做出反應，如緊急制動、緊急避讓等，其反應速度遠遠超過人類駕駛員，能夠有效避免碰撞事故的發生。

　　d)多模態融合控制。基于具身智能的智能網聯車輛，能結合云端智能網聯綜合能力平臺，將多種感知信息進行融合處理，綜合考慮車輛及周邊視覺、雷達、等多種傳感器數據以及車輛自身動力學狀態等信息，做出更加全面、準確的控制決策。

　　典型場景如智慧泊車，通過協同感知、協同定位、協同規劃和協同控制等技術實現高效、智能的停車管理和服務(見圖1)。智慧泊車的技術核心是根據多源傳感器異構算法聯合感知的異步動態協同感知系統，基于場側的無線通信技術和車輛即時定位與地圖構建技術的協同定位系統，同時基于先驗地圖和實時路況的全局路徑調度和車輛感知的局部軌跡規劃的協同系統，以及場端原始感知數據及預測與車輛實時規劃軌跡的實時干涉控制系統，實現車路云一體化的泊車服務。

圖1 智慧泊車技術核心

　　2.2 交互端的高智能化

　　交互端的高智能化主要包括以下幾個方面。

　　a)深層次語義解析。基于具身智能的智能網聯車輛，能對人類語言進行深層次語義解析，不僅理解語言的字面意思，還能解讀語言背后人的意圖、情感和上下文信息。

　　b)自然語言交互能力。具備強大的自然語言交互能力，能與人類進行流暢、自然的對話，能理解各種不同的語言表達方式。

　　c)上下文理解與記憶能力。能夠理解語言的上下文信息，并具有一定記憶能力。車輛能夠根據之前對話內容和語境，理解當前指令或問題的具體含義。

　　d)多意圖理解與處理。能夠同時理解并處理多個意圖。車輛能準確地識別并按照優先級順序執行相應操作。

　　典型場景如智慧座艙(見圖2)，通過融合多種先進技術，如大語言模型、多模態感知、計算機視覺等，為用戶提供更加便捷、舒適和安全的駕乘體驗。

圖2 智慧座艙技術核心

　　2.3 服務端的自主化

　　服務端的自動化主要包括如下幾個方面。

　　a)全方位車輛狀態監測。系統能實現對車輛各關鍵部件和系統運行狀態的全面、實時監測，包括發動機、變速箱等關鍵部件的性能參數，車輛的行駛里程、油耗等運行數據以及智能網聯駕駛相關數據。通過分析監測數據，可及時發現潛在故障隱患，提前預警并采取相應措施，確保車輛安全可靠運行。

　　b)智能環境感知與風險預警。主動監測系統能實時感知車輛周圍環境的變化，并對潛在的風險進行預警。例如，通過傳感器監測到前方道路出現結冰、積水、塌方等危險情況時，及時向駕駛員發出警報，并建議駕駛員減速慢行或改變行駛路線。

　　c)個性化主動服務。基于對車輛狀態和用戶習慣的監測與分析，能為用戶提供個性化的主動服務。

　　例如在用戶到達目的地后，主動向用戶提供附近停車場、充電樁等信息。典型場景如“人—車—家”全場景智慧互聯(見圖3)，該場景依托智能網聯汽車，可實現跨行業交叉融合創新，打造以車主為中心、跨場景一體化的服務體驗，并打通不同系統數據互通，實現能力聚合。

圖3 “人—車—家”全場景智慧互聯技術核心

　　0 3 技術架構演進

　　智能網聯汽車的技術演進歷程一般分為3個階段(見圖4)。第1階段是單模塊控制階段，車輛各個關鍵部件如動力系統、制動系統等都各自配備獨立的控制模塊，模塊之間協同性較差，只能實現基礎、相對簡單的功能，例如簡單的定速巡航，車輛無法自主應對復雜路況;第2階段是半自動控制階段，部分駕駛任務可以由車輛自動完成，例如記憶泊車功能，車輛能夠自動識別停車位并精準控制轉向、速度等完成泊車動作，但仍需要駕駛員參與;第3階段是全自動控制階段，車輛已達成真正意義上的高度智能化與自主化。車輛依托自身及周邊環境多傳感器融合技術構建起全方位、高精度的環境感知體系，并基于云端智能網聯平臺的強大賦能，具備強大的駕駛決策能力，可實時調整行駛策略以應對復雜多變交通場景，全程無需駕駛員任何干預。

圖4 智能網聯車輛技術架構演進歷程

　　隨著車輛智能化水平的不斷提高，車載計算設備的算力逐漸難以滿足復雜路況下實時處理大量數據的需求，既是成本瓶頸，也是能力瓶頸。為解決這一問題，行業研究出車路云一體化的技術演進路線(見圖5)。此方案體系下，車輛通過高速穩定的通信網絡與云端服務器、道路感知設備進行實時數據交互。云端強大的計算能力既可對車輛上傳的大量傳感器數據進行快速處理和分析，也可處理道路感知設備上報的實時道路信息和交通狀況。平臺綜合分析后將決策指令及時反饋給車輛，從而輔助車輛做出更精準的決策。車路云一體化的技術方案可有效彌補車輛自身算力不足，進一步提升智能網聯車輛的運行效率和安全性，并為降低智能駕駛成本推動智能網聯汽車快速普及，助力智能交通發展提供堅實基礎。

圖5 車路云一體化技術方案

　　0 4 群體智能的發展與演進

　　4.1 群體智能與車輛群體智能的演進

　　群體智能(Swarm intelligence)，早期多用于描述細胞機器人去中心化的自組織智能行為[9]，核心在于通過個體的分布式決策與協作，涌現出超越個體智慧的群體智慧。目前，群體智能已被廣泛應用于環境監測[10]、空間搜索[11]、緊急救援[12]以及軍事作戰[13]等領域。在智能網聯汽車領域，車輛群體智能(VehicleGroup Intelligence，VGI)的演進，將主要經歷如下3個階段。

　　a)單車智能階段。以單車自主決策為核心，依賴車載傳感器和規則驅動算法實現基礎環境感知與局部路徑規劃。此階段信息孤島效應顯著，協同能力弱，難以應對復雜動態場景。

　　b)局部協同階段。通過V2X(Vehicle-toEverything)通信技術實現車—車(Vehicle to Vehicle，V2V)、車—路(Vehicle-to-Infrastructure，V2I)之間信息共享，實現多交通主體的局部協同。

　　c)全局群體智能階段。基于“車—路—云”協同框架，多智能體通過分布式通信與協作，實現交通自組織和自適應優化，并支持城市級大規模交通流優化、動態路權分配等復雜任務。

　　4.2 車輛群體智能架構與關鍵技術

　　智能網聯汽車領域的群體智能系統引入，一般采用“感知—認知—通信—決策—控制—反饋”分層架構。

　　a)感知層。主要通過多模態融合感知(如激光雷達、視覺、毫米波雷達等)，構建動態的環境感知模型，支持對多個交通智能體群體行為的預測和決策。

　　b)認知層。包含對多智能體的協同意圖的挖掘以及其協同資源需求的剖析，多智能體協同需求主動認知。

　　c)通信層。支持多種通信協議，進行多智能體間的實時數據傳輸與同步，實現環境感知信息共享，提供超可靠低時延通信保障。

　　d)決策層。負責分析感知與認知層的信息，結合任務目標與約束條件，依賴以機器學習、大模型等為核心的機器智能決策算法，完成任務規劃、推理分析和協同決策，生成相應的控制指令。

　　e)協同控制層。負責執行具體的控制指令。

　　f)反饋層。主要實現多交通智能體的自主學習演進，通過與環境的交互與反饋，不斷優化，提升智能體自組織、自適應能力。

　　4.3 車輛群體智能典型應用場景

　　智能網聯汽車的群體智能的典型場景應用舉例如下。

　　a)多車協同緊急避險[14]。在突發危險(如障礙物突現、前車急剎、行人闖入等)情況下，通過車輛群智協同實時共享環境信息，協同決策，同步調整速度、方向或路徑，實現事故風險或損失最小化的智能化應急響應模式。

　　b)城市交通流全局優化。車路云協同框架下，通過車輛和路側實時采集車流數據，云端實現車輛優先級控制、信號燈動態調整與速度引導，并通過車—車、車—路、車—云廣播請求，優化城市交通。當前，正處于技術概念走向產業化落地的階段，核心是重構“感知—通信—決策—控制—反饋”閉環的交通系統新范式，有望推動交通系統從單體智能向群體智能的躍遷[15]。

　　0 5 智能網聯技術賦能具身智能行業

　　通過近10年來的技術積累，智能網聯行業已儲備了可向具身智能行業賦能的雄厚基礎，這里以中國聯通智網科技為例進行簡要介紹。聯通智網作為聯通汽車信息化專業子公司，已在智能網聯方向擁有近10年的研發積累，形成了相關核心技術、能力體系和生態協同的優勢，包括全域覆蓋的5G專網、感知融合、云控平臺及跨行業生態整合能力等方面，可面向具身機器人實現能力輸出，提供“通信—感知—決策”閉環賦能，其賦能路徑可概括為：通信為脈→算力為核→AI為腦→演進為能。

　　5.1 通信網絡：構建具身機器人的“神經傳導系統”

　　中國聯通構建了覆蓋30多個城市的5G/V2X融合網絡，端到端時延小于20 ms，支持10萬以上終端的并發連接。該網絡可無縫遷移至具身機器人領域，為機器人“小腦”提供毫秒級指令傳輸，滿足快反應場景需求。多機協同技術通過R2R通信協議，實現機器人集群的任務調度，如倉儲物流中的編隊運輸與協同分揀。此外，通信連接管理平臺支持5G、V2X、Wi-Fi、衛星通信等多制式通信融合接入，解決具身機器人因場景切換導致的網絡中斷問題。

　　5.2 算力基礎設施：支撐端—邊—云協同智能

　　“中心—區域—邊緣”三級算網架構，整合了全國270+骨干云池與300+MEC邊緣節點，實現算力資源的動態分配。行業首個算網調度平臺支持全國270多個骨干云池按需使用，具備算力感知、調度、多云對接、網絡監控等功能。對于具身機器人的快反應場景，本地MEC節點可提供1~20 TOPS算力，支持機器人關節控制;針對復雜決策場景，云端智能體可調用超算資源(100+TOPS)，完成AGV路徑全局優化或群體任務調度。

　　5.3 感知與決策：強化機器人的“大腦—小腦”協同

　　依托“5G+MEC”分布式智能融合感知系統，協助機器人實現周邊環境感知，融合北斗三代+5G基站定位(精度≤10 cm)，并結合觸覺、嗅覺傳感器技術，為機器人提供厘米級空間定位及多維環境感知能力。數據驅動訓練依托高質量多模態數據集構建，支撐機器人運動軌跡優化訓練。此外，結合10年積累的汽車行業數據以及具體場景，訓練出運營大模型、座艙大模型、交通大模型等，為車企提質增效，提升車主出行體驗。

　　5.4 未來方向：從“單機智能”到“群體智能”

　　在從“單機智能”到“群體智能”的演進中，智網科技牽頭開展面向智能網聯的5G-A通感算一體能力驗證，并探索面向6G的空天地一體化網絡演進，同時聯合產業相關方，結合低軌衛星通信，實現野外勘探機器人的全域覆蓋。此外，探索構建Robot-toEverything通信樞紐，支持機器人—基礎設施—人—網絡的實時交互(R2X)，推動家庭、工業場景的群體智能協同。

　　0 6 總結

　　本文探討了智能網聯車輛作為具身智能在交通領域的技術現狀與發展趨勢。智能網聯車輛正從單車智能向車路云協同轉變，其技術架構不斷演進，以滿足車載算力集中、車路云多源算力分配等需求。然而該領域仍面臨諸多挑戰，在技術層面，異構通信和動態資源調度等難題亟待突破;在安全與可靠性方面，保障系統安全性、可靠性和隱私性是廣泛應用的關鍵瓶頸，需從技術、政策、法規等多角度綜合考慮;在實際應用中，復雜交通環境增加了決策和控制的難度。

　　展望未來，智能網聯車輛的發展前景廣闊。車路云一體化技術將更加成熟，群體智能的應用將推動交通系統從單體智能向群體智能躍遷。通過“感知—通信—決策—控制—反饋”閉環重構交通系統范式，有望實現城市級交通流全局優化和動態路權分配。未來的研究將聚焦于突破關鍵技術難題，構建“車—路—云—網—圖”深度融合的智能體網絡，加速產業化進程。同時，需加強跨學科研究，推動技術全面發展。

　　我國智能網聯汽車正處于快速發展和落地實施階段，為具身智能的發展提供了重要場景。歷經近10年的技術攻關、應用場景、標準規范、商業模式探索與積累，行業培育出眾多優秀企業，為具身智能的發展提供了技術能力支撐。

　　參考文獻

　　[1] 劉馨竹，王亞珅，石曉軍，等.2024年具身智能技術發展分析[J].無人系統技術，2025，8(2)：108-122.

　　[2] 陶永，萬嘉昊，王田苗，等.構建具身智能新范式：人形機器人技術現狀及發展趨勢綜述[J/OL]. 機械工程學報，2025：1-27[2025-05-16].http：//kns.cnki.net/kcms/detail/11.2187.TH.20250508.1039.002.html.

　　[3] 白入文，張蔚敏，石霖，等.基于具身智能的智能制造創新體系與應用模式研究[J]. 數字化轉型，2025，2(5)：4-14.

　　[4] 張新鈺，盧毅果，高鑫，等.向智能網聯汽車的車路協同感知技術及發展趨勢[J].自動化學報，2025，51(2)：233-248.

　　[5] 丁飛，張楠，李升波，等. 智能網聯車路云協同系統架構與關鍵技術研究綜述[J].自動化學報，2022，48(12)：2863-2885.

　　[6] 劉飛，吳輝.具身智能的內在意蘊、現實梗阻與紓解理路[J/OL].西南交通大學學報(社會科學版)，2025：1-11[2025-05-16].http：//kns.cnki.net/kcms/detail/51.1586.C.20250409.1514.002.html.

　　[7] 李孟遠.汽車智能化駕駛系統的發展趨勢[J].汽車維修技師，2023(9)：115-116.

　　[8] 李克強，常雪陽，李家文，等.智能網聯汽車云控系統及其實現[J]. 汽車工程，2020，42(12)：1595-1605.

　　[9] BENI G，WANG J. Swarm intelligence in cellular robotic systems[C]//Robots and Biological Systems：Towards a New Bionics?. Berlin：Springer，1993：703-712.

　　[10] DUARTE M，GOMES J，COSTA V，et al. Application of swarm robot?ics systems to Marine environmental monitoring[C]//OCEANS 2016- Shanghai. Shanghai：IEEE，2016：1-8.

　　[11] TAK M H，JOO Y H. Behavior control algorithm for space search based on swarm robots[J].The Transactions of the Korean Institute of Electrical Engineers，2011，60(11)：2152-2156.

　　[12] CARRILLO-ZAPATA D，MILNER E，HIRD J，et al. Mutual shaping in swarm robotics：user studies in fire and rescue，storage organization，and bridge inspection[J]. Frontiers in Robotics and AI，2020，7：53.

　　[13] 李磊，王彤，胡勤蓮，等. DARPA拒止環境中協同作戰項目白軍網絡研究[J].航天電子對抗，2018，34(6)：54-59.

　　[14] 劉雨桐.車車通信環境下考慮駕駛意圖共享的車輛集群避撞預警算法[D].北京：北京交通大學，2022.

　　[15] 雷鳴，鄔小魯.基于云計算的一體化車路云協同系統方法研究[J].信息記錄材料，2024，25(11)：189-192.

　　作者簡介

　　續宇潔，畢業于長安大學，工程師，碩士，主要從事車聯網和自動駕駛標準制定工作;

　　周光濤，畢業于北京郵電大學，教授級高級工程師，博士，主要從事車聯網和人工智能研發工作;

　　溫桂，畢業于德國伊爾梅瑙工業大學，工程師，碩士，主要從事車聯網和自動駕駛研發工作;

　　程軍峰，畢業于中國科學技術大學，高級工程師，博士，主要從事車聯網開發和生態建設工作。

　　來源：《郵電設計技術》