“无人配送车”正在越来越多地出现在城市街头但伴随着落地规模的扩大一些“意想不到”的场景也开始浮出水面。最近郑州一辆无人快递车被行人攀爬的消息引发了不少讨论运营方“新石器”回应称已报告交警并启动三项改进措施。很多人把这当作一条社会新闻看但我更想从技术角度复盘这件事无人车在路边停靠时为什么没有第一时间规避这种“异常干预”它的感知系统到底能不能识别“有人爬上车顶”这类行为在遇到人为破坏、攀爬、遮挡时车辆应该采取什么样的安全策略这次事件之后行业里通常会从哪些维度做整改这篇文章不讨论具体责任归属只围绕无人配送车的技术架构、安全机制、运营处置和常见盲区展开希望能给做自动驾驶、低速无人车、机器人运营的同学一些参考。1. 事件回顾一辆无人配送车的“意外路考”1.1 事件的基本经过根据公开报道事件发生在郑州。一辆无人快递车在道路或社区场景作业期间被路人攀爬车身承受了额外的非设计载荷。随后无人配送车运营方“新石器”回应已向交警报告并启动三项改进措施。这里有几个信息值得注意车辆当时大概率处于低速或静止状态否则攀爬行为很难完成。运营方第一时间“向交警报告”说明事件已经进入公共安全事件处置流程不再只是车辆自身的技术故障。“启动三项改进”说明运营方认可当前车辆在“应对人为干预”方面存在优化空间。我不掌握事件的全部细节也无意为任何一方定性。但可以确定的是这类事件不会是最后一次。无人配送车规模化运营之后如何面对来自行人的“非交通参与者行为”是每一个运营方都必须补课的内容。1.2 为什么这类事件值得做技术复盘很多人的第一反应是“有人攀爬无人车这不是人的素质问题吗跟技术有什么关系”这样的理解过于简单了。从自动驾驶系统的视角来看任何作用于车身的物理行为都必须被感知、被判断、被响应。如果系统只能识别“前方有障碍物”并停车却无法区分“障碍物是静止的、移动的、还是正在对车辆实施干预”那么车辆在复杂的开放场景中就会存在安全盲区。换句话说正常行驶时无人车知道怎么走遇到障碍物时无人车知道怎么停但“有人正在爬上车顶”这种既不属于正常交通流、又不属于简单障碍物的行为恰恰处于很多无人车安全策略的“灰色地带”。这次事件最大的价值是让行业重新审视低速无人车在“人机对抗”场景下的安全冗余设计。2. 无人配送车如何“看见”世界核心技术与运行架构2.1 无人配送车的技术定位无人配送车本质上是低速、限定场景的 L4 级自动驾驶产品。它和乘用车 Robotaxi 最大的区别在于维度无人配送车Robotaxi运行速度通常 5-40 km/h60-120 km/h运行场景园区、社区、非机动车道城市道路、快速路载人/载货载货为主载人安全等级要求货物安全与路人安全乘员安全优先感知范围中近距离为主中远距离为主因为速度低无人配送车不需要像高速自动驾驶那样拥有超远距离感知能力但因为运行环境贴近行人它对“近距离异常行为”的感知和响应要求反而更高。2.2 车辆的核心硬件组成一辆典型的无人配送车通常包含以下子系统感知系统摄像头、激光雷达、毫米波雷达、超声波雷达。计算平台工控机或车载计算单元负责传感器融合、路径规划与控制决策。线控底盘支持线控转向、线控制动、线控驱动是自动驾驶执行层的基础。远程通信模块4G/5G 模块用于车辆与云端监控平台的实时通信。车联网设备定位模块RTK-GNSS、OBU 等。在低速场景中超声波雷达和近距离摄像头的作用尤为关键它们负责覆盖车身边缘的近距离盲区。2.3 从任务下达到任务完成车辆内部发生了什么可以简单拆成六个阶段平台下发任务云端调度系统把配送任务发送到车辆。全局路径规划车辆根据地图与任务点生成全局行驶路径。实时感知传感器采集周围环境数据融合模块输出障碍物列表。行为决策决策模块根据路况、交通规则和安全策略决定“走、停、绕、让”。运动控制控制模块把决策转换成方向盘转角、油门和刹车指令。事件上报关键事件实时上传云端供运营人员监控。在这六个阶段中与本次事件最相关的是第 3、4、6 步。3. “被攀爬”背后无人车安全防御的四个薄弱环节3.1 感知系统对“非交通参与者行为”的识别局限当前主流自动驾驶感知系统核心任务是识别“可行驶区域”与“动态障碍物”。感知模型通常输出的类别包括行人自行车/电动车小汽车卡车锥桶未知障碍物但“有人在爬车”“有人在撬车门”“有人在遮挡传感器”这类行为本质上不是“静态类别”而是“动态行为”。它需要感知系统不仅识别“这里有人”还要理解“这个人正在对车辆做什么”。这对于一般的目标检测模型来说是困难的。因为行为理解需要时序信息连续多帧中人的姿态、位置、与车辆的相对距离变化趋势才能被判定为“攀爬”或“破坏”。如果车辆只安装了前向主摄像头车身侧面和顶部区域就会成为感知盲区攀爬行为根本无法被有效识别。3.2 决策层缺少“异常干预”状态定义很多低速无人车的安全状态机是这样的NORMAL正常行驶。CAUTION检测到障碍物减速观察。STOP停车等待。MANUAL远程接管。在这个状态体系中没有“TAMPERING被干预”状态。因此当有人攀爬车辆时车辆的决策模块只会认为“车身周围有障碍物”然后选择一个保守策略停车等待。停车等待本身没有错但它只能避免碰撞并不能防止车辆被继续破坏。更合理的设计是一旦判断车辆正在被干预立即触发告警、录像锁定、远程通知并根据振动传感器或力传感器的数据判断是否需要发出声光警告。3.3 远程监控链路的延迟问题无人配送车虽然具备自动驾驶能力但绝大多数运营方都会设置远程监控中心。理论上远程人员可以实时看到车辆画面并接管。但实际运营中存在两个问题链路延迟视频流从车载摄像头到监控中心再经过人工判断并下发指令通常需要数秒甚至更长时间。监控粒度一家运营方可能同时监控几十台甚至几百台车监控人员不可能对每一台车的每一个异常都及时响应。因此远程接管只能作为“事后兜底”不能作为“第一道防线”。3.4 示例如何用代码对感知结果做“异常行为标记”下面用一段 Python 代码演示感知融合模块输出的一帧数据以及我们如何从中识别出“近距离未知物体”的风险。# 文件路径examples/sensor_frame_parse.py import json def parse_sensor_frame(frame: str) - list: 解析自动驾驶感知融合模块输出的一帧数据。 实际项目中该数据通常来自 ROS Topic 或自定义消息协议。 data json.loads(frame) objects [] for obj in data.get(objects, []): objects.append({ category: obj.get(category, unknown), distance: obj.get(distance, 100.0), # 距离单位米 relative_speed: obj.get(speed, 0.0), # 相对速度正数表示靠近 confidence: obj.get(confidence, 0.0), # 置信度 0~1 track_id: obj.get(track_id, None) # 跟踪ID用于跨帧关联 }) return objects frame { objects: [ {category: pedestrian, distance: 1.8, speed: 0.3, confidence: 0.92, track_id: 1001}, {category: unknown, distance: 0.35, speed: 0.0, confidence: 0.55, track_id: 1002} ] } for obj in parse_sensor_frame(frame): print(obj)运行结果会输出两个障碍物信息。其中第二个物体距离 0.35 米、类别未知、置信度只有 0.55这就是典型的需要重点关注的“近距离未知干预”。如果它连续多帧存在且跟踪轨迹显示正在靠近车身决策模块就应该进入高危状态。4. 从感知到制动无人车应对人为干扰的安全机制拆解4.1 多层安全防线设计一套完整的无人配送车安全体系应当由多层防线构成而不是依赖单一传感器或单一算法车身电子围栏车辆静止时通过超声波雷达和鱼眼摄像头检测车身周边 0.3~1 米范围一旦有人靠近并停留即触发“待观察”状态。行为识别模型用视觉模型识别“攀爬”“推搡”“遮挡”“拖拽”等异常行为而不是只做目标检测。振动与姿态感知通过 IMU 和振动传感器感知车身异常晃动判断是否有人用力或攀爬。声光告警车辆在确认被干预后发出声光警示提示干预者停止行为。自动取证触发事件前 10 秒到事件结束后 10 秒的车内外视频自动上传云端防止证据丢失。事件上报与人工介入通过 4G/5G 链路将事件级别、车辆状态、实时画面推送到运营监控平台。4.2 紧急制动与安全停车状态来看一段简化的决策状态判断代码。它演示的是当感知结果中出现近距离未知物体时系统如何从“正常行驶”快速切换到“紧急停车并上报”。# 文件路径examples/decision_state.py import enum class VehicleState(enum.Enum): NORMAL normal CAUTION caution EMERGENCY_STOP emergency_stop MANUAL_OVERRIDE manual_override def decide_state(objects, current_speed): 输入感知对象列表与当前车速输出车辆应进入的安全状态。 注意这是示意逻辑真实系统中还会结合预测轨迹和行为识别结果。 for obj in objects: dist obj[distance] conf obj[confidence] # 距离极近且置信度低无法判断是什么物体必须紧急停车 if dist 0.5 and conf 0.8: return VehicleState.EMERGENCY_STOP # 近距离出现行人或未知物体减速进入戒备状态 if dist 1.5 and obj[category] in (pedestrian, unknown): return VehicleState.CAUTION return VehicleState.NORMAL # 模拟场景有人靠近车身传感器输出“近距离未知物体” objects [ {category: unknown, distance: 0.4, confidence: 0.52} ] state decide_state(objects, current_speed0.0) print(当前状态:, state.value)这里的关键点在于置信度低并不意味着可以忽略在安全策略中低置信度的近距离障碍物应该被赋予更高的风险权重。很多无人车在真实场景中表现“反应迟钝”并不是传感器没有探测到物体而是决策策略把低置信度目标过滤掉了。4.3 分级响应策略同样是“被干预”不同行为的风险等级不同风险等级行为示例车辆响应L0行人正常经过正常行驶或礼让L1有人在车旁停留、观察减速、持续观测L2有人长时间遮挡传感器停车等待并上报L3攀爬、推搡、撬门紧急停车、声光告警、上报并联动远程对应的代码可以这样组织# 文件路径examples/safety_level.py SAFETY_LEVELS { 0: {action: continue, desc: 正常行驶持续观测}, 1: {action: slow_down, desc: 减速保持安全距离}, 2: {action: stop_and_report,desc: 停车等待通知监控平台}, 3: {action: alert_and_stop, desc: 紧急制动声光告警上报并录像}, } def evaluate_threat(behavior_type: str, distance: float, confidence: float) - int: 根据行为识别结果与距离信息评估威胁等级。 behavior_type 由上游行为识别模型输出例如 climb、pull、block、normal。 if behavior_type in (climb, pull, tamper): return 3 if distance 0.8 and confidence 0.8: return 2 if distance 2.0: return 1 return 0 # 模拟行为识别模型判定“攀爬” level evaluate_threat(behavior_typeclimb, distance0.3, confidence0.61) print(威胁等级:, level, , SAFETY_LEVELS[level][desc])这段代码的核心思想是先判断行为类型再结合距离与置信度修正等级。行为类型优先级最高一旦识别出“攀爬”“拖拽”等行为无论距离多远都直接进入最高风险等级。4.4 事件上报与证据留存车辆被干预后及时可靠的证据上传非常关键。下面是一个典型的事件上报消息结构{ event_id: EVT-20250412-001, vehicle_id: EV-001, timestamp: 2025-04-12T10:30:0008:00, location: { lng: 113.625, lat: 34.746 }, event_type: abnormal_climb, threat_level: 3, vehicle_state: { speed_kmh: 0.0, gear: P, battery: 82 }, video_ref: obs://vehicle-ev001/20250412/ev001_103000.mp4, action_taken: [ emergency_stop, sound_light_alarm, report_to_cloud ] }这份 JSON 上报到云端后监控平台可以立即做三件事根据event_type和threat_level触发告警页面弹窗。自动留存车辆位置、速度、电池等状态方便事后追溯。把video_ref对应的视频片段放入证据链供后续交警或保险处理使用。5. 改进方向从单点防御到体系化运营安全回到事件本身。标题里提到“启动三项改进”虽然我没有掌握那三项改进的内部定义但结合行业惯例我可以给出一个普适的分析框架供做无人车运营的同学参考。5.1 改进一感知系统升级消除近距离盲区这次事件最直接暴露的问题是车身侧面和顶部缺乏有效感知。改进方向通常包括增加 360° 鱼眼摄像头覆盖车身周围 2 米以内的近距离区域。增加超声波雷达数量覆盖前后保险杠之外的侧面盲区。引入行为识别模型从“识别物体”升级为“识别行为”。增加振动传感器和 IMU 融合逻辑在车身受到外力时能快速感知。传感器布局示意传感器安装位置覆盖目标前置激光雷达车顶前部远距离障碍物鱼眼摄像头 x4车身四角近距离盲区超声波雷达 x8前后保险杠两侧0.2-2m 近距离检测振动传感器底盘外力冲击与攀爬检测IMU底盘中心车身姿态异常检测5.2 改进二安全策略升级明确“被干预”状态感知能力提升之后决策层也要配合。核心是增加“被干预”状态并定义清晰的策略转移路径。建议决策状态机包含NORMAL --(近距离障碍物)-- CAUTION --(持续靠近)-- STOP NORMAL --(识别到攀爬/破坏行为)-- ALERT_STOP STOP --(干预行为升级)-- ALERT_STOP ALERT_STOP --(远程确认安全)-- NORMAL同时策略中要加入“声光告警”与“语音提示”在检测到干预行为时主动发声给干预者明确的反馈。这不只是威慑也是向周围路人传递“车辆正在异常状态中”的信号。5.3 改进三运营管理机制完善强化应急响应链路技术之外运营机制同样重要。通常包含建立 7x24 小时监控中心对高风险事件分级响应。与属地交警建立沟通渠道发生车辆被破坏、被干预事件时第一时间按流程报告。完善取证流程保证视频、日志、位置数据完整留存。与保险公司协商针对“第三方人为破坏”的定责条款。对每次安全事件做复盘并把典型场景补充到感知训练样本中。一个可落地的告警规则配置示例如下采用 YAML 描述监控平台的规则# 文件路径config/alert_rules.yaml alerts: - name: vehicle_tampering description: 车辆被攀爬或拖拽 condition: event_type in [abnormal_climb, abnormal_pull, door_open] level: high actions: - notify_operator - upload_video - call_emergency_contact - name: close_unknown_obstacle description: 近距离低置信度障碍物 condition: distance 1.0 and confidence 0.7 level: medium actions: - notify_operator - increase_record_frequency这类规则的价值在于让事件响应不依赖人工盯屏而是由平台自动判断、自动通知、自动留证。6. 无人配送安全运营的最佳实践与合规边界6.1 安全设计应以“最坏情况”为基准做无人配送车安全设计时一个常见误区是只考虑“正常交通参与者”的行为。实际上真实社会场景中会有大量非标准行为小孩子追逐车辆、行人倚靠车身、电动车违规穿行、路人故意遮挡传感器。安全设计必须假设“最坏情况会发生”并在最坏情况发生时车辆依然能保证不会突然加速伤人。不会因为无法判断而长时间僵持。能够在保证安全的前提下主动发出告警并取证。能够通过远程通道让运营人员介入。6.2 远程接管与人工处置流程远程监控中心是低速无人车安全运营的重要兜底。建议流程如下车辆上报高风险事件平台弹窗并播放实时画面。监控员在 10 秒内确认事件类型。如果是攀爬、破坏类事件立即远程锁车禁止一切行车指令。同步通知现场运维人员到场。保留视频与日志按流程报告交警或物业。事后填写事件复盘记录更新感知模型与决策策略。这里要特别提醒远程接管必须设置权限边界只有具备资质的运营人员才能下发锁车、解锁等指令且每一次指令都需要记录日志。6.3 证据留存与个人信息保护无人配送车在事件取证时会记录大量视频其中可能包含行人人脸、车牌号等个人信息。在数据处理上需要遵循最小必要原则视频数据加密存储设置访问权限。非必要不采集车外行人人脸信息如果采集需要按相关法律法规做好告知与脱敏。事件视频仅用于安全事件调查不用于其他用途。视频留存周期建议按运营平台的安全策略设定到期自动清理。6.4 与交警、社区、用户的三方协同无人配送车不是孤立运行的“机器人”它身处公共空间必然会与行人和社区产生交互。运营方应当提前建立外部协同机制与属地交警部门报备运行区域、运行时间、车辆类型与安全责任人。与社区物业、写字楼安保建立联系方式车辆出现异常时双方能快速配合。在车身明显位置张贴运营方联系方式与投诉渠道遇到纠纷时用户可以快速找到责任人。对用户和公众做好科普说明无人配送车的运行逻辑与安全特性减少误解。7. 常见问题与行业思考7.1 无人车被攀爬时为什么没有自动开走避让很多人会问“车被爬了为什么不直接开走甩开对方”这个想法很危险。无人车在不确定周边安全的情况下最优先的原则是“不造成新的伤害”。如果车辆在有人攀爬时突然加速可能导致人员跌落、碾压等更严重的事故。正确的做法是原地停车、锁车、告警、上报等待人工处置。7.2 为什么感知系统没能识别“攀爬”行为当前主流感知模型以目标检测为主识别的是“人”“车”“障碍物”等静态类别而不是“行为”。“攀爬”是一个连续动作需要结合多帧画面、姿态关键点和相对距离变化来判断。很多无人车在出厂时并没有针对这类长尾场景训练行为识别模型因此识别不到是正常的这也正是本次事件需要改进的地方。7.3 低速无人车需要装安全员吗目前国内无人配送车多在限定区域以“无安全员”模式运行但远程监控人员是必须的。无人车不是“无人管”而是“人在远端管”。每一次高风险事件运营方都应该能追溯到具体的处置记录和处置人。7.4 遇到类似事件普通路人应该怎么做如果你在马路上看到无人车被人攀爬、破坏或遮挡建议不要参与避免被误伤。如果条件允许拍下视频或照片。拨打车身张贴的运营方电话告知情况。如果发现有人可能受伤或车辆有失控风险及时报警。问题关键要点车辆被干预后能不能自动驶离不能优先原地锁车远程接管延迟多久链路人工判断通常数秒需靠本地策略兜底事件视频能保留多久按运营策略建议加密留存并定期清理谁负责最终处置运营方安全员 交警 保险三方协作8. 结语无人车的“最后一公里”也需要社会共治“无人配送车被攀爬”看似是一起孤立事件但它揭示了低速无人车在开放场景中必须面对的真实挑战技术系统不仅要理解交通规则还要理解人的行为运营体系不仅要管好车还要协同好交警、社区和公众。对从业者来说这件事真正的启示是安全不要只盯着“算法准确率”更要关注“异常场景的覆盖度”。感知模型能识别多少障碍物类别很重要但车辆在高危场景下能不能正确决策、及时取证、快速上报同样重要。无人配送车正在从试点走向规模化运营这条路不会一帆风顺。每一次意外事件都是在给行业补齐安全短板的机会。希望后续的改进方案能真正落地也希望整个行业都能把“应对人为干预”写进安全设计的默认清单里。