阿里达摩院自动驾驶实验室业务、产品负责人郭振宇：技术进步不等于商业成功

2021年12月10日，由雷峰网 (公众号：雷峰网)  & 新智驾主办的第四届「全球智能驾驶峰会」在深圳正式召开。 

这一次，雷峰网新智驾以「智能驾驶鏖战时刻 」为主题，将话筒递给业内 19 家标杆企业，辐射 13 大技术/场景，覆盖智能驾驶算法、芯片、感知、落地等多个维度，每个领域只筛选最具代表性的一家企业。 

遵循“基础理论技术创新”和“行业解决方案落地”两项黄金标准，演讲嘉宾向行业分享他们对过去经验的总结回顾、对未来趋势的预测以及行之有效的模式的分享。

峰会之上，阿里达摩院自动驾驶实验室业务、产品负责人郭振宇带来了题为《末端无人配送，从技术实验、效率提升到全新的用户体验》的精彩演讲。

郭振宇介绍了阿里自动驾驶小车选择落地校园快递场景的原因以及最新进展。

“大家可能觉得自动驾驶最关键的因素是技术进步，但其实技术进步并不等于商业成功，历史上有很多超前于时代的或者非常优秀但不符合实际市场需求的技术，最后都没有取得商业上的成功。”

郭振宇指出，如果没有市场实际需求的牵引，整个技术的演进路径会变得曲折，不知道该往哪里去、该解决哪些问题、又该忽略哪些问题，因此达摩院从决定做自动驾驶的那一刻起，就坚定要从用户、场景、市场出发。

封闭园区、速度低、载物不载人，是自动驾驶车辆落地校园快递场景的主要特点，但这不意味着该场景所需的自动驾驶技术就是更简单的。

随机性高，算法决策难、路况复杂，感知困难、主动干扰，阻碍感知等都是达摩院自动驾驶团队在落地校园快递场景遇到的问题，为此，他们专注于算法、硬件、系统和无人车整体HMI交互的联合优化。从单点技术能力过渡到了综合技术能力突破和应用阶段。

在业务链路中，郭振宇团队开发了车队实时调度VRP系统、可准确预估车辆到达时间的ETA模型等技术来进一步提升配送效率，最大程度发挥自动驾驶能给用户带来的价值。

目前，阿里达摩院的小蛮驴已经落地全国81个城市、200多所高校，拥有每个月进入100个新场景的并行部署能力，而接下来，阿里的智能驾驶车辆还会进入诸如城市物流等新场景。 

以下是郭振宇演讲全文，雷峰网新智驾做了不改变原意的整理与编辑：

我今天可能会讲到跟各位在自动驾驶论坛等类似场合，所听到的不太一样的事情。我也不讲过多的通用能力和技术方案，而是更多地分享我们无人小车在过去实际落地过程中，我们的经验、感受和心得体会。 

我今天分享的题目是《末端无人配送，从技术实验、效率提升到全新的用户体验》。 

第一个问题，我们回顾一下自动驾驶的价值是什么？显而易见，自动驾驶技术解放了司机双手，人类劳动的成本降低就是其带来的价值，这是最容易看到的一层。

另一层不容易看到的价值，则是面对一个具体的业务链路时，当你把整个业务链路无人化后，由于无人车信息更实时、更具确定性、可调度、可控制，它在整个业务链路里，如果能形成无人的运力网络，相比于人工网络，它就能实现整体效率的巨大提升。 

第三个我想强调的是，所有技术产品的本质是要给用户带来更好的体验，给人类带来更美好的生活。我们怎么做？仅仅一个技术产品的进步就能给人类带来更好的体验吗？我们做了进一步的探索。

接下来，讲完自动驾驶的技术，我们从市场出发。大家可能觉得自动驾驶最关键的核心应该是技术进步，这当然是正确的，传感器、算力、算法、系统、网络、地图、定位等都是非常重要的基础设施。

但是并不是技术进步就等于商业成功，在历史上很多超前于时代或者不符合实际市场需求的非常优秀的技术，最后都没有成功。

另一方面如果没有实际市场需求的牵引，整个技术的演进路径就会变得曲折，因为你不知道该往哪里去，你不知道该解决哪些问题、该忽略哪些问题、什么是重要的、什么是不重要的，因此我们达摩院自动驾驶实验室从决定做自动驾驶那一刻，就坚定从用户出发、从场景出发、从市场出发。

从市场出发，我们选择了校园快递场景。我讲一下为什么，这不是一个理论，我们实实在在就在这个场景落地。 

这个场景有一个特点，因为校园的管理要求、安全、防疫等原因，快递员无法自由地出入学校完成配送，因此大量的快递会集中在校园的驿站站点，需要同学们去取。

另外目前国内的高校有一个特点，就是校园越来越大，比如郑州大学的新校园，沿着一条外墙就有三站地铁站，这是一个巨大的校园。

同学们取件肯定是很不方便的，现在的年轻人会从各种各样的电商平台买各种各样的生活用品，尺寸、数量很多。取到后就会很难搬回宿舍，我们为什么选择这个场景？因为我们觉得自动驾驶无人配送可以非常好地解决这个问题。

我们再站在技术演进的角度看市场，这个市场有什么特点？它是封闭园区、速度低、载物不载人，安全性就较高，它的B端、C端痛点也非常明确。 

全国有4000多所全日制学校，它们可以为自动驾驶的真正落地，在第一阶段提供足够的市场空间。

这个场景定了，市场也定了，接下来我们要解决的第一个问题就是单车面对的场景问题。

末端园区挺麻烦的，虽然相比高速重卡物流干线或者城区复杂场景来说相对友好，但由于该场景是非结构化道路，道路交通参与者也没有明确的规则约束，所以他们可以随意在学校里走，这给我们造成了环境里的问题，其预测性更难，你得出最优的决策也更难。 

另外由于末端园区的封闭性，它有很大的自主管理权，里面会出现各种各样的长尾场景，比如会突然遇到建筑工地等，这给感知带来非常大的困难，同时我们还遇到大量的道路交通参与者，也给我们带来了非常不必要的阻挡和阻碍。

我们怎么解决这些问题？我接下来不会讲太多的技术细节，我给大家讲一下我们如何解决问题的思路。

在校园高峰期，有很多行人在大面积走路，我们的感知系统可以实时检测和跟踪预测多达100多个目标。我们对系统有非常好的理解，对环境有了理解，对他人意图有了理解后，我们形成了很多非常智能的决策规划策略。

有一个非常典型值得分享的是，我们做了一套基于智能仿真的强化学习系统，这套系统可以在竞争模式下、跟随模式下、合作模式下，通过大量的训练和博弈找到果断的决策策略，它不会让车的决策过于保守，阻碍交通，也不会过于激进，给同学们造成危险。

另一方面在园区运行一年多时间，无人驾驶小车会遇到各种各样的天气的情况，我们的思路是通过算法来解决这类问题，因此我们做了深度算法，就是通过软件方法来解决硬件噪点的问题。

为了量产化和低成本以及各种各样的原因，小车的控制能力肯定不如家用有四驱能力的乘用车，所以我们面对小坡和减速带的时候，我们的决策、规划算法就能调整车身姿势姿态，使小车正对着减速带小坡，让它更容易通过。这解决了后轮悬空的问题，这是用软件解决硬件问题的另一个代表。

在算法以外，我们也在产品整体的完整性上做了很多工作，比如我们有大量的HMI交互的完整考虑，想通过告诉其他道路交通参与者，阿里小蛮驴自己的意图，提醒大家哪里有风险，小车的意图被表达清楚后，就会更容易解决算法难题。 

比如小车的行为预警，小车停靠的时候就会提醒大家，小车要停靠了，再比如，如果有自行车离小蛮驴太近，也会有语音提醒大家不要跟太近，如果有人堵在了前方，我们就会提醒大家让一让。

另外，在我们解决一个个问题过程中，我们还要确保另外一件事，如何让我们的系统不去Overfit少量场景，如何保证这个系统的泛化性和鲁棒性，所以我们持续投入了仿真训练平台，以使系统得到大量训练。 

我们可以通过仿真的办法，把有限的实际路测里程做到大量的仿真里程，以提升系统的安全性和泛化能力。

我们也在持续投入我们自研的AutoDrive全链路数据驱动模型训练平台。

在AutoDrive2.0中，所有数据已不需要任何算法工程师的参与，系统可以自动在Hardware Aware模式下优化出模型，非常符合我们车上的嵌入式系统的能力。

它不是针对一个服务器级别的大算力的东西去优化模型，而是针对相对小算力、低成本的车上嵌入式，来优化模型。

同时我们建设了覆盖各种天气、各种道路路面环境、各种交通规则的实车路测体系，确保我们的泛化能力。

综上所有一切，我们做到了系统不会Overfit有限问题，同时保证了我们迅速收敛解决问题的效率。

刚才讲了单车自动驾驶能力的价值就体现在对于司机劳动力的解放，而整车的成本无疑是至关重要的。我们通过软硬件技术的进步，使得我们的整车成本是业界平均水平的三分之一。

我要强调一点，这真的是技术进步带来的，比如算力成本。我们的思路是，如何让算法用比较少的算力，就能实现别的公司的算法用更多算力，才能达到同样水平。

同时我们的HLU定位模块实现了业界十分之一的成本，达到了厘米级高精定位，无论在窄路、地铁、地库、没有GPS信号，无人小车都可以保障厘米级高精定位。

到现在为止，小蛮驴单车场景的能力介绍完了，我也介绍完我们车子所有场景里的长尾问题，小车可以实现没安全员的全自动L4功能。

这时候我要把小蛮驴放到业务里。我先讲两个技术储备，有了自动驾驶的配送业务和用人配送的业务有什么不一样？ 事实上，由于自动驾驶车辆的数据确定性和可预测性，所以利用车辆行驶数据和历史用户取件等待时间数据，就可以带来非常准确的车辆到达时间预估模型（ETA模型）。

另一个技术储备，则是由于车辆会准确执行你下发的路径和下发任务，因此相比于人工的运力来说，我们可以做非常高效率的大规模车队调度VRP系统。

我举一个具体的例子，介绍我们如何提升整体的运力效率。

小蛮驴无人配送车的货箱物理尺寸是固定的，所以它能装多少包裹是有一个大概数量的，我们是预约服务，所以具体能送多少包裹，跟有多少人预约、站点之间的距离、每个站点等待用户取件的时间都有很大的关系，所以如何设置车辆库存就很有意思。 

如果你设置得过于保守，会浪费太多运力，大量的车没有装满，如果你设得过于激进，有时候约的人多了，很远你送不过来，同学们取不到件，就会形成超卖，我们怎么解决这个问题呢？ 

我们结合ETA模型和VRP系统，使得每次有新的包裹预约进来后，系统会重新实时规划一个新的路径、最优路径，确保可以每一个包裹都能在一小时内送完，然后回来。

比方说我们有这样一个路径，在T时刻有新的用户点开他的页面，如果他离这个路线比较远，也就是说如果我们再配送他的包裹，其他人的包裹就要迟到，所以他看到的页面就会是黑掉的，也就是说不好意思，这个时间点你约不了了。

但是下一秒另一个人进来了，由于他离原来的路线比较近，我们有余量配送这些用户，他们看到的页面则是可以预约的。

所以我们通过这样一个智能动态库存的办法，能把整个校园的平均运力能力提升80%。大家可以看到，自动驾驶带来的价值和无人化带来的价值，不仅仅是人力劳动的减少，而是整体效率的提升。

完成了对业务效率的提升和对业务链路的需求，接下来讲讲小蛮驴的用户体验。

在校园里，同学们可以非常轻松地用菜鸟App、淘宝App来预约配送，包裹会精确到每一个小时时段的配送，预约后在小蛮驴发车前它会收到通知，小蛮驴快到楼下站点的时候，则会做智能外呼，自动的电话会打给他。

如果这个同学那天刚好没办法来取，他可以在智能电话里告诉我们他来不了，我们的车子就不用在楼下等他，浪费时间了。如果他在赶回来的路上，可能会迟到一点点，他也可以在电话里告诉我们，我们会等着他，不至于他来到取不到件。

我们做了非常顺滑的体验，让同学们在校园里不必面对驿站的繁忙排队、混乱翻找，以及取到件后无法运回宿舍的烦恼。 

我们觉得做了这么多年自动驾驶，是实实在在地在通过我们技术产品的进步，至少在过去一年时间里，在给校园里的同学、师生真实地提升他们的生活质量和生活体验。

在过去一年时间里，我们把小蛮驴带到全国81个城市、200多所高校，我们怎么做到的？

首先，我们建设了一套每个月可以进100个新场景的并行部署能力，从这个车运到场景，到交付给工作人员使用，只需要两周时间，这是我们做的第一件事。

第二件事，则是我们建设了可触达全国范围26个省市、自治区的属地化运维维保团队。无人车、机器人、家用乘用车难免有突发状况、机器故障、耗材损耗等，有这样一支维保团队才能保障运力的高效、稳定、可靠，我们有一套非常复杂的实时故障上报系统，能做到及时响应。

同时我们在车身结构上，也做了很多巧妙的提高运维便利性的设计，使得无人小车修起来很容易、修起来很快、修起来很便宜。

最后不得不说，这样一支高效率的人员管理队伍也是必不可少的组成部分。大家可能会奇怪作为自动驾驶团队，为什么我们会有一支分布在全国各地的人，因为我们认为，要真正做产业落地，要真正创造价值，这是一定要走的一步。

最后给大家分享一下，在刚刚过去“双11”20天时间，我们完成200万个包裹的配送，平均一天10万个包裹，由不到400辆车完成，81个城市，26个省级行政区。

其中有一个学校的数据很有趣，这个学校有5辆车，20天里平均每辆车送了603个包裹。怎么实现的？这辆车不是很大，我们通过非常高效的自动驾驶算法能力，因为我算法能力强，所以车辆可以在人多的时候走得更快更安全，同时加上调度系统，就实现配送的效率提升。

最后讲一下下一步，接下来我们会依托阿里巴巴体内的物流场景，去寻找下一个有增长潜力的市场环境。我们会沿着过去积累的经验，先解决单车的通行能力问题，再解决业务结合问题，再到完整的用户体验，再到完善的规模化，这是我们一贯的思路。

雷峰网原创文章，未经授权禁止转载。详情见。