近日，扬州有网友反映，他外出经过东区运河人家小区附近时看到，无人驾驶快递送货车沿路行驶，到了出行高峰期，随着车流量和人流量增大，车辆要么缓慢行驶，导致后面来车也跟着降低车速避让，要么横在路中间一动不动。“这类车辆车身也不算小，横在路中间，导致交通出现拥堵，我前后被堵在路上将近半个小时。”网友无奈地表示，广盛路本身不是很宽敞，无人驾驶车辆行驶慢，有时不注意靠边避让其他车辆，给他和其他司机通行带来影响。
无独有偶，北京顺义区也有市民反映，早高峰时段某快递无人车堵着高速入口，两条路的入口被堵成一条，有时直接堵在高速入口中间，留言质问“无人车是否可以过了早晚高峰期再出来”。而在无锡，12345政务服务便民热线近期也收到多起无人物流车扰民诉求，市民反映的问题主要集中在低速占道行驶拖慢车流、路口无预警骤停引发拥堵、紧急制动导致后方电动车避让不及引发轻微剐蹭事故等方面。
这些看似零散的投诉背后，折射出的并非偶然故障，而是当前自动驾驶技术在面对中国式复杂路况时遭遇的深层困境。
无人配送车之所以在高峰期频频“掉链子”，首先要从它的“眼睛”说起。当前无人配送车通常搭载激光雷达、摄像头、毫米波雷达等多类传感器，日常行驶时各司其职，配合尚可。但一到早晚高峰，密集的人车流便成了传感器的“噩梦”。
激光雷达通过发射激光束来感知周围物体的距离和形状，但在密集交通中，多台车辆和行人之间频繁出现的遮挡，会导致雷达点云数据出现大片“盲区”。行人紧贴车旁穿行时，传感器可能将其误判为静态障碍物；非机动车在车流中灵活穿插，又容易让多目标跟踪算法陷入混乱。摄像头在强光、逆光或夜间弱光环境下，成像质量大打折扣，识别准确率显著下降。毫米波雷达虽不受光照影响，但在人流密集区域容易产生多径反射，造成虚假目标信号。
更棘手的是，不同传感器的数据要融合到同一坐标系中，还需解决时间同步问题——摄像头的帧率通常是30赫兹，而激光雷达只有10赫兹，两者数据“各说各话”时，融合算法在低信噪比下就会出现决策延迟。有技术资料显示，经过优化后的多模态融合算法，夜间行人检测准确率可从85%提升至95%，雨天障碍物漏检率可从15%降至3%——这意味着，在算法优化尚未到位的情况下，无人配送车在复杂环境中的感知能力远未达到可靠水平。
如果说感知层解决的是“看没看到”的问题，那么决策层面对的则是“该怎么办”的难题。无人配送车的决策算法，通常基于大量预设规则和海量训练数据来预测周围交通参与者的行为。但中国城市道路的特殊性，让这套算法频繁“碰壁”。
美国等国家的道路规则性强，车流相对有序，行人、非机动车和机动车各行其道。而国内城市道路呈现的是典型的“混合交通流”特征：非机动车在机动车道穿行、行人闯红灯、电动车逆行、加塞变道成为常态。这些不规则行为在训练数据中属于典型的“长尾场景”——发生频率低、样本数量少，算法难以覆盖。
一名业内人士曾形容，无人配送车在路口遇到非机动车和行人包围时，常常陷入“决策瘫痪”：前方车辆突然加塞，算法在“让行还是加速”之间犹豫不决；行人鬼探头时，紧急制动与避让动作产生冲突；面对频繁横穿马路的行人，算法会选择“原地等待”而非主动避让——这种安全至上的决策机制，在复杂路况中反而成了效率的瓶颈。有市民反映，在无锡南禅寺至八佰伴路段，一台无人物流车停在路口人行横道线上迟迟不动，前方公交车多次语音提示转弯避让，两分钟后车辆才慢慢后退挪位，长时间僵持影响整条路段的通行。
在控制层面，无人配送车面临的核心矛盾是：安全与效率如何平衡？出于安全考虑，当前无人配送车的制动策略被设计得极为保守——一旦感知到潜在冲突，系统会立即急刹或直接停止，而不是尝试缓慢绕行或寻找间隙通过。
这种策略在平峰期问题不大，但到了高峰期就成了“添堵元凶”。有市民在无锡南方不锈钢市场附近观察到，无人物流配送车遇到行人、非机动车、障碍物时，系统就会紧急制动、原地停下，不会灵活绕行避让。早晚高峰车流集中时，单台车辆停滞就能阻断整条非机动车道，造成后方电动车大面积积压拥堵。在拥堵路段的低速行驶中，车辆频繁启停不仅加剧了拥堵，也让后方人类驾驶员难以预判其行为，增加了剐蹭事故的风险。
当前市面上的无人配送车，绝大多数依赖“单车智能”——即车辆自身搭载的传感器和算法来完成感知、决策和执行，缺乏车路协同基础设施的支持。在V2X（车路协同）技术尚未大规模部署的背景下，无人配送车无法预知前方路况、信号灯相位、行人意图等全局信息，只能依靠局部感知来“摸着石头过河”，决策自然短视。
有技术分析指出，L4级自动驾驶还需要路侧配合，车端感知有局限，路端信息的加入十分必要。路侧系统可以对关键节点进行实时态势感知，帮助车辆提前了解前方路况。但当前路侧端受制于多方面制约，包括5G网络布局尚未全面覆盖、V2X系统建设成本高昂、各地政策推进进度不一等。
至于市民提到的“后台操作”远程干预，在实际运行中也存在诸多局限。通信延迟、多车并发时的带宽瓶颈、操作员对实时场景的感知延迟，都使得远程干预难以在高峰期高动态场景中及时有效发挥作用。
如果说技术瓶颈可以靠时间来解决，那么伦理困境则更加棘手。前不久，陕西省西安市居民王女士在早高峰时与一辆无人配送车发生了碰撞。据她介绍，当时无人配送车从主干道驶入非机动车道，在避让路边停靠的车辆时轻微跑偏，与她的汽车发生剐蹭。“它是一辆无人驾驶的车，出了事故，该找谁负责？”王女士的困惑，道出了无数市民的心声。
当前，无人配送车的法律定位尚不明确。有法学专家指出，国家层面尚未对无人配送车设定统一的资质要求，仅有少数地方出台了相关规定。无人配送车既未明确属于机动车，也未明确属于非机动车，若直接援引道路交通安全法进行责任认定，会因车辆属性不明、驾驶主体缺失，难以直接适用。实践中，责任判定更多指向车辆管理者或所有者，但这种“一刀切”的方式并不科学，因为事故原因可能涉及车辆设计缺陷、算法漏洞、传感器故障等多种因素。
更深层的问题在于，当事故发生在自动驾驶系统接管期间，责任应归属于谁？是算法设计方、运营商、车辆制造商，还是道路管理方？目前，《北京市自动驾驶汽车条例》正式实施后，删除了此前征求意见稿中关于车企赔偿责任的具体条款，改为“按有关规定处理”。这意味着，自动驾驶事故的责任认定，在法律层面仍存在大片空白。有统计显示，82.68%的受访者最担心“系统出错或不可靠导致事故”，44.93%的受访者害怕事故后厂家推诿责任。
无人配送车在早晚高峰的“不灵光”，是感知、决策、控制、基础设施多方不足的集中体现。在技术层面，算法需要更多极端场景的训练数据，传感器需要更强的抗干扰能力，控制策略需要在安全与效率之间找到更优解。在基础设施层面，V2X车路协同的普及、道路标线的标准化、专用通道的规划，都需要政策层面的持续推动。
工信部此前公示的《智能网联汽车自动驾驶系统安全要求》强制性国家标准，正是对这一行业痛点的回应。作为国内首部针对L3和L4自动驾驶的强制标准，其核心价值在于建立统一的国家准入门槛，覆盖感知、决策、执行全链路安全机制。但标准落地到实际运行中，仍需时日。
有人说，应该先攻克技术难关，让算法足够聪明再上路；也有人说，路况复杂是客观现实，先把基础设施配齐，给无人车划出专用通道，矛盾自然缓解。你觉得，在完全自动驾驶到来之前，是技术突破更重要，还是基础设施完善更紧迫？
