课题成果|L3自动驾驶车辆保险模型与保险方案

本期成果的核心创新体现在三个层面：

• 数据层面：广联数科牵头打通L3数据采集与应用链路，为模型构建提供稳定可靠的“数据燃料”；

• 判责层面：引入基于贝叶斯推理的概率图模型，从事故现象反推系统根因，实现可量化、可追溯的责任分析；

• 产品层面：平安保险融合模型与真实数据，形成首个可落地的L3自动驾驶乘用车保险服务方案。

任何精准模型的构建都离不开高质量数据的支撑。在本项目中，广联数科充分发挥其在车联网数据与平台建设方面的专长，牵头负责与实验室各参与方对齐L3自动驾驶数据采集标准，协同课题组过往已有的数据资源，在确保数据符合隐私与安全规范的前提下，实现合规、高效的模型应用，为后续的事故分析与模型训练提供了稳定、可靠的“数据燃料”。这一基础性工作，确保了模型研发根植于真实、多元的自动驾驶运行场景，是项目得以顺利推进的基石。

深城交依托全国首个智能网联汽车全链条监管平台，为本项目提供高质量车辆数字画像和事故数据集。基于平台实时车端数据，自动提取紧急事件特征，构建智能行为安全评价模型，从安全、舒适、节能多维度打分。建立道路运行风险评价指标，结合场景交互风险评价，生成车辆、企业安全指数与风险画像。融合车端、路侧、环境感知等多源数据，实现事故前后90秒的完整时空轨迹和特征还原。

当事故发生时，清晰、公正、高效的责任判定是保险理赔与纠纷解决的前提。中保车服依托其在车险理赔与事故分析领域的深厚积累，联合广联数科承担了本项目中L3事故判责模型研发工作。该模型并非基于主观判断、纯粹历史数据或简单规则，而是创新性地引入了基于贝叶斯推理的概率图模型。

该模型的核心思路是从碰撞前易于观测的“事故现象”（如车辆偏离车道、未识别障碍物、误触发制动等）和碰撞前后的传感器数据（例如急减速、车身偏移、）出发，通过概率计算，反向推断难以直接观测的“系统根因”（如特定传感器故障、算法模块失效、特殊环境干扰等）。

模型框架明确了不同根因的先验概率、不同现象的条件概率，并通过贝叶斯公式计算出在给定事故现象下，各种根因组合的后验概率。通过最大后验概率估计与设定合理的置信阈值，模型能够输出“最可能的根因组合”及其概率，为判定责任方（如：车辆系统、驾驶员、环境因素等）、识别事故类型（如：感知局限、决策错误、控制异常等）以及评估损失关联性提供了可量化、可追溯的科学依据。这一模型的价值在于其“可量化”（概率来自测试数据）、“可追溯”（分析链路清晰）和“可工程化”（满足实际部署的效能要求），将以往模糊的定性争议，转变为基于概率的量化评估。

自动驾驶技术与保险都是一个需要持续学习、快速迭代的领域。本次发布的版本模型与服务方案仅针对L3自动驾驶乘用车，是一个重要的起点，但绝非终点，目标是建立一个能够持续进化的系统。

得益于深圳市联席工作小组的前瞻性布局，以及深圳市自动驾驶安全实验室搭建的高质量协作平台，未来随着更多L3自动驾驶车辆上路运营，海量的真实数据将持续反哺模型。通过不断校准先验概率、优化条件概率参数，事故判责模型将日趋精准，定价模型也将同步优化，最终实现对安全记录优秀的自动驾驶企业提供更具竞争力的保险产品，切实为其降本增效。这种基于真实数据与科学模型的正向激励，也将有力鼓励所有产业主体在设计、测试到运营的全环节，更加重视和投入于自动驾驶安全水平的提升，形成“安全提升-风险降低-成本下降”的良性循环。

后续，课题组将围绕 L3 乘用车方案持续推进模型与产品的双轨优化，同时积极探索涵盖 Robotaxi、Robobus、无人物流等应用场景的保险解决方案，逐步构建系列化智驾保险产品矩阵，并积极与交管部门交流学习，推动技术判定与行政认定的良性协同。

广联科技、深城交、中保车服和平安保险联合课题组将继续秉持开放协同的精神，与实验室同仁及产业各方一道，持续优化并创新自动驾驶保险模型与服务方案，为深圳市乃至全国自动驾驶产业的商业化、规模化安全落地，贡献坚实的保险保障基石。

编 制 说 明