无论自动驾驶的应用场景是什么样，这背后始终有三个核心原则需要满足：技术上成熟度达到该应用场景的要求；投资成本可接受；投资回报达到突破点。相对于之前的有人驾驶，必须能够减少成本或者增加收益，并且这种商业收益是可以被量化的，一句话—— 部署自动驾驶就意味着省钱或者赚钱，否则只能落入作秀的场景。

　　因此，自动驾驶的商业化路径，在不同国家也势必各不相同，因为相同的应用场景，成本结构不同，例如出租车行业，美国的出租车人工成本显然要比中国高非常多，这也是Uber在自动驾驶技术的投入上如此激进的原因之一。

　　在国内，一线城市都在积极推动自动驾驶的测试实验区开发，背后的商业化驱动力不容忽视。北京市超过20%的路面是被汽车所占据的，而一辆私人汽车的实际利用率通常只有不到10%，超过90%的时间里都处于泊车状态，这带来了两个巨大的难题：停车难、拥堵（潮汐式通行，寻找停车位造成的局部路段拥堵）。解决之道呢，从传统上讲，需要修建更多的停车场，以及更多的道路，而这无可避免地要消耗土地，现在的一线城市土地是什么价？上海平均超过一个亿/亩，如果我们能利用自动驾驶提高车辆利用率，停车场就可以少建，如果少停10万辆车，则省出来的停车场面积至少是1.6平方公里，价值2400亿元！道路资源也是一样，如果可以利用自动驾驶结合绿波带通行，将道路利用率提升一倍，则很多道路就可以重新规划，例如减少新建道路，或者旧的道路连同小区集中拆除，做整体改造，对于土地的节约是显而易见的。

　　成本同样是无法忽视的，一项先进的技术，其商业化之路，往往是伴随着成本的下降逐步展开的。今天，我们的大部分汽车上都安装有雷达，但当雷达最初投入实用，是在二战前夕，1936年英国人在索夫克海岸架起了第一个雷达站，之后在二战中，雷达技术在巨大的军事需求下得到飞速发展，从地基防空雷达扩展到舰载雷达，随后机载雷达也出现了，之后雷达才渐渐步入民用，二十年前雷达才开始应用于汽车，而77GHz毫米波雷达在汽车上的应用只是近几年的事，这里面固然有技术的因素，但成本无疑是决定性的，毕竟汽车是大众消费品，成本的因素无法忽视，对于自动驾驶同样如此，在成本没有降低到一定程度之前，在乘用车上的普及是不可能的。

　　不可忽视的技术因素

　　目前，几乎所有的自动驾驶测试车都是基于自主感知的模式，也就是利用多种不同种类的传感器对环境进行感知。 但是，任何一种传感器都是有局限性的，而传感器融合并不是那么容易做到。例如，雷达探测到前方有强烈的回波并确认这是一个很大的障碍物，而摄像头却没有看到，这时该相信哪一种传感器的数据？而真实情况可能是前方有一个易拉罐，它放大了雷达的回波。

　　自动驾驶所需要的安全性如此之高，必须有多重冗余的感知手段，V2X在这里扮演了非常关键的角色。与摄像头或者雷达不同，V2X是一种精确感知手段，依靠802.11p或者5G通信，V2X可以在大得多范围内（室内300米，室外1000米）准确感知周围车辆的态势，包括其位置、车速、转向灯状态等，同时，通过与道路基础设施的通信，获得局部范围的精确地理信息；V2X使动态的车队组网成为可能，并且可以通过V2I，实现绿波带通行；V2X不会受到天气条件的影响，这一切是其它传感器难以企及的。可以说，V2X使自动驾驶的可靠性发生了质的飞跃。

　　但V2X是典型的依赖于标准的技术，这意味着其真正主导者只有一个：政府。目前，中国的V2X的标准还在制定中，LTE-V技术也才刚刚开始研究，距离实用化还有很长的路要走，这折射出政府决策的复杂性，这使得V2X部署时间很难预测，而局部封闭场所的V2X部署要容易得多，一家公司就可以在机场或者某个园区部署V2X，并且由于是封闭场所，不需要考虑互联互通，或者标准的问题，因此商业化实施的效率就很高。