智见·趋势|从单点识别到一车一轨迹:AI赋能“手机+”无卡便捷通行收费关键技术创新实践

“手机+”无卡通行是“十五五”公路收费数字化升级的核心场景，识别精度与队列绑定能力是制约模式规模化落地的核心技术门槛。罗庆异直击行业普遍存在的“单点识别准、队列匹配错”的隐性痛点，拆解三类传统技术路线的性能天花板，提出“一车一轨迹”的车道智能体创新方案。内容覆盖政策要求、现场痛点、技术创新与效益验证，为各地推进“手机+”无卡通行改造提供了实践路径。

结合交通运输部的指标要求，“手机+”无卡通行模式要求出入口车牌识别准确率高于99.5%。但从全国联网运营统计数据来看，当前全国收费站出入口车牌识别平均准确率约为95%，ETC门架车牌识别平均准确率约为96%，与政策要求存在明显差距。车牌识别技术进入高速公路行业已逾二十年，行业长期宣称识别率可达99.9%以上，但实际运营统计数据与宣传数据存在较大落差，核心原因在于现场复杂场景对识别效果的多重制约。

具体来看，制约现场识别准确率的因素主要分为四类。

第一是环境干扰，复杂天气、多变光照条件（如逆光、强光、雨雾、夜间低照度、车灯眩光）等都会直接影响成像质量，制约识别成功率。

第二是物理遮挡，在珠三角等大流量路段，大车遮挡小车、跟车距离过近的现象尤为突出，整体呈现流量越大、识别准确率越低的特征，与一线运营感知一致。

第三是识别混淆，车牌污损、磨损、污渍，以及B与8、D与0等形态相似字符的误判，都会进一步增加识别难度。

第四是队列绑定错位，这也是行业较少提及的核心痛点：即便单帧图像识别准确，若无法将识别结果与车道内车辆队列精准绑定，就会出现识别结果与实际车辆不匹配的问题，此外，传统队列识别方案依赖线圈进行车辆识别和跟踪，长期使用下来线圈和车检器的稳定性下降严重，信号跳变、设备假死等情况频发，这是导致统计准确率与行业宣传值存在较大差距的核心原因。

落地“手机+”模式，行业还面临三大业务挑战：

第一，技术指标要求严苛。复杂天气、大流量场景对AI模型的鲁棒性、边缘计算能力提出极高要求。尤其在珠三角等流量密集区域，人工车道单车道日流量可达数千辆，ETC车道流量甚至过万，系统必须稳定适配各类复杂现场工况。

第二，系统兼容与容错难度大。按照政策规划，2028年将全面推行“手机+”不停车通行，届时ETC、“手机+”等多类支付介质车辆混合通行将成为常态。若系统无法有效解决跟车干扰、邻道干扰问题，在免密支付模式下极易出现错扣费、漏扣费问题，对系统兼容性、容错能力构成极大挑战。

第三，通行体验保障压力大。高效通行仅为前端服务基础，异常场景下的售后服务响应速度、特情处置效率，直接影响整体运营效果，也对收费系统的稳定性提出了更高要求。

针对上述现状，我们选取部分车道开展试点验证测试。结果显示，升级前车道车牌识别率、车型识别率、队列准确率均未达到“手机+”政策标准，若直接推行无卡通行，将引发大量收费纠纷与通行效率问题。同时，现有车道还普遍存在车辆队列通行混乱的问题，这也是当前ETC车道通行效率不高的重要原因——单辆车异常即可引发整条车道拥堵，特情处置不及时会直接影响车道整体运转效率。

此外，我们还开展了多品牌、多设备、多布局的现场测试，覆盖单牌识、双牌识等不同设备方案，以及前后布设、左右布设等多种点位形式。测试结果显示：单牌识设备均很难稳定达到政策指标要求；双牌识甚至多设备冗余布设，可在部分场景达标，但存在稳定性不足、数据波动较大的问题。

其实围绕车牌识别能力提升，行业已探索了多类技术路径，主要有如下三种：一是单纯升级硬件设备，二是在不更换硬件的前提下迭代识别算法，三是融合多源传感器，引入激光雷达、雷视一体等设备补充感知维度。经测试验证，三条路径均有一定成效，但依然很难达到“手机+”无卡通行的指标要求。

经我们实际测试分析，这些路径存在共性局限：仅停留在感知层做技术优化，理想工况下的指标满足要求，但在一些特殊、极端场景下依然无法满足要求，并且未能解决识别结果与车辆队列的绑定归属问题。

至此，延伸出行业另一核心门槛：视觉识别准确，不等于车辆队列归属准确，也就是无法解决“识别结果对应队列中哪一辆车”的问题。等到2028年“手机+”模式全面落地后，ETC车道、混合车道将实现多支付介质、多车型混行，若无法解决队列绑定问题，将重现早期ETC车道的跟车干扰、邻道干扰问题，引发误扣费、误放行等运营风险与舆情问题。

基于上述的研究分析，我们创新提出在感知层之上叠加车道级决策层，将整条车道作为一个智能体进行统筹感知，融合多传感器数据与车辆通行全流程时序逻辑，从根本上解决识别结果归属模糊、车辆队列绑定错位的行业痛点。

“手机+”模式落地不能仅考虑单点识别问题，更要构建适配长期运营的可持续技术体系。这一痛点在大流量路段尤为突出，东莞、佛山、深圳等地的一些大流量的高速运营单位均反馈，大流量场景下队列混乱、识别错位的挑战极为严峻，对技术稳定性要求极高。

基于上述研判，我们创新提出从“单点识别”叠加“一车一轨迹”升级的技术思路，不仅仅在前端提升设备的光学性能，还优化了算法，并且对车辆从驶入车道到驶离的全过程建立完整的跟踪模型，解决了车辆牌识识别、队列归属等问题，实现车辆身份识别体系化的能力提升。

该方案的核心是依托前端精准识别技术、叠加了车牌二次识别与连续跟踪算法技术，实现“一车一轨迹”的精细化感知，为每辆车的通行计费提供全流程技术保障。

方案实现了三大核心技术创新：

第一，多源数据精准感知。融合视频、地感线圈、天线、激光雷达等多维度感知数据，通过大量大流量场景的现场论证，有效解决多源数据融合的机器幻觉问题，实现感知数据的精准协同。

第二，强抗干扰设计。针对大流量、高密度跟车场景，重点攻克邻道干扰、跟车干扰难题，保障ETC车辆、“手机+”车辆混行场景下，车辆与识别结果、交易数据的一一对应，在车流密集场景下依然保持稳定的识别与绑定精度。

第三，边缘侧实时分析。“手机+”模式推动收费方式从离线计费转向在线计费，对响应时效要求极高。方案将算法内置车道智能体边缘终端，实现视频流本地毫秒级分析，不依赖云端算力，网络异常时业务不中断，保障计费实时性与系统稳定性。

最终，我们将全套技术能力整合为车道智能体边缘终端，该设备具备车牌视觉二次识别、视频智能分析能力，可有效规避旁道干扰、跟车干扰、地感故障引发的漏收费、误拦车等问题，适配“手机+”二维码展示等各类特情场景，兼容各种类型的收费车道软件。

该技术方案不仅解决了“手机+”模式下的快速通行核心问题，还实现了稽核证据的全链路闭环。传统单帧车牌识别模式下，事后稽核取证难度大、证据链不完整；而基于全程连续轨迹跟踪，可留存车辆驶入到驶离的全链路数据，为事后业务复盘、稽核争议处置提供直观、完整的证据支撑。

经现场实测验证，该方案落地后，车道车辆队列准确率超过99.9%，车牌识别准确率从升级前的94%左右提升至99.8%，提升幅度近5个百分点；车型识别准确率同步提升近5个百分点，达到99%以上。

不同于“设备级”理想工况下的测试数据，“系统级”的在实际运营环境下的运行数据更能反映真实运营效果。经连续两个月的常态化运行验证，各项指标稳定达到交通运输部“手机+”无卡通行的政策要求。

在特殊场景鲁棒性方面，针对夜间低光照、光线条件差的场景，系统识别效果较升级前实现显著提升。针对南方地区高频的暴雨天气，选取试点收费站在7月9日、8月23日两次触发地质灾害预警的大暴雨时段进行数据验证，系统识别精度保持稳定，极端天气工况下仍可稳定达标。

从运营效益维度分析，技术升级带来四方面核心提升：

第一，运营风险大幅下降。车牌识别错误率下降约99%，车型识别错误率下降约88%，车辆误拦率下降约88%，无卡通行模式下的收费精准度得到显著提升。

第二，特情处置效率显著提升。早晚高峰3小时内，单车道特情处置数量从18起降至3.3起，单车道高峰时段特情处置总时长从约54分钟压缩至10分钟以内。

第三，通行效率规模化释放。极端最不利工况下，单车道特情车辆峰值排队长度从1公里以上降至200余米；在不新增物理车道资源的前提下，高峰时段等效新增约2.5条车道的通行能力，收费站整体运营管理效率大幅提升。

第四，作业负荷实现削峰填谷。系统运行平稳性显著提升，一线收费人员的工作中断频次大幅降低，整体作业节奏更加均衡。

需要指出的是，静态停车通行模式下，识别误差可通过人工介入修正，对识别精度的要求相对较低；但2028年“手机+”不停车通行全面落地后，ETC、手机支付等多介质车辆混合通行，识别偏差与队列绑定错误将直接引发错扣费、漏收费、通行纠纷与拥堵等问题，行业需提前布局技术升级，保障长期可持续运营。

除前端车辆识别与跟踪能力升级外，团队同步构建了稽查校核、运营分析、运维监测三大配套支撑体系，推动收费运营从被动处置向主动预防升级，实现全维度的运营管理能力提升。

招商华软是招商局集团旗下招商公路所属招商新智全资子公司，自2020年提出“AI赋能智慧收费2.0”理念以来，打造了智慧收费机器人、云收费等高速收费新模式，历经6年发展已获得行业广泛认可并实现了规模化落地。

在集团产业资源、技术底座、场景能力的协同支撑下，公司构建了赋能智慧收费的全栈AI技术能力，形成AI智能感知、AI数字员工、云+AI平台三大产品矩阵，本次分享的“车道智能体”即智能感知类的核心产品。

招商华软在AI+交通领域持续深耕，技术积累深厚，欢迎各位业内同仁深入交流探讨。