2021年12月10日，由雷峰網 (公眾號：雷峰網) ?&?新智駕主辦的第四屆「全球智能駕駛峰會」在深圳正式召開。?

這一次，雷峰網新智駕以「智能駕駛鏖戰時刻 」為主題，將話筒遞給業內 19 家標桿企業，輻射 13 大技術/場景，覆蓋智能駕駛算法、芯片、感知、落地等多個維度，每個領域只篩選最具代表性的一家企業。?

遵循“基礎理論技術創新”和“行業解決方案落地”兩項黃金標準，演講嘉賓向行業分享他們對過去經驗的總結回顧、對未來趨勢的預測以及行之有效的模式的分享。

峰會之上，阿里達摩院自動駕駛實驗室業務、產品負責人郭振宇帶來了題為《末端無人配送，從技術實驗、效率提升到全新的用戶體驗》的精彩演講。

郭振宇介紹了阿里自動駕駛小車選擇落地校園快遞場景的原因以及最新進展。

“大家可能覺得自動駕駛最關鍵的因素是技術進步，但其實技術進步并不等于商業成功，歷史上有很多超前于時代的或者非常優秀但不符合實際市場需求的技術，最后都沒有取得商業上的成功。”

郭振宇指出，如果沒有市場實際需求的牽引，整個技術的演進路徑會變得曲折，不知道該往哪里去、該解決哪些問題、又該忽略哪些問題，因此達摩院從決定做自動駕駛的那一刻起，就堅定要從用戶、場景、市場出發。

封閉園區、速度低、載物不載人，是自動駕駛車輛落地校園快遞場景的主要特點，但這不意味著該場景所需的自動駕駛技術就是更簡單的。

隨機性高，算法決策難、路況復雜，感知困難、主動干擾，阻礙感知等都是達摩院自動駕駛團隊在落地校園快遞場景遇到的問題，為此，他們專注于算法、硬件、系統和無人車整體HMI交互的聯合優化。從單點技術能力過渡到了綜合技術能力突破和應用階段。

在業務鏈路中，郭振宇團隊開發了車隊實時調度VRP系統、可準確預估車輛到達時間的ETA模型等技術來進一步提升配送效率，最大程度發揮自動駕駛能給用戶帶來的價值。

目前，阿里達摩院的小蠻驢已經落地全國81個城市、200多所高校，擁有每個月進入100個新場景的并行部署能力，而接下來，阿里的智能駕駛車輛還會進入諸如城市物流等新場景。?

以下是郭振宇演講全文，雷峰網新智駕做了不改變原意的整理與編輯：

我今天可能會講到跟各位在自動駕駛論壇等類似場合，所聽到的不太一樣的事情。我也不講過多的通用能力和技術方案，而是更多地分享我們無人小車在過去實際落地過程中，我們的經驗、感受和心得體會。?

我今天分享的題目是《末端無人配送，從技術實驗、效率提升到全新的用戶體驗》。?

第一個問題，我們回顧一下自動駕駛的價值是什么？顯而易見，自動駕駛技術解放了司機雙手，人類勞動的成本降低就是其帶來的價值，這是最容易看到的一層。

另一層不容易看到的價值，則是面對一個具體的業務鏈路時，當你把整個業務鏈路無人化后，由于無人車信息更實時、更具確定性、可調度、可控制，它在整個業務鏈路里，如果能形成無人的運力網絡，相比于人工網絡，它就能實現整體效率的巨大提升。?

第三個我想強調的是，所有技術產品的本質是要給用戶帶來更好的體驗，給人類帶來更美好的生活。我們怎么做？僅僅一個技術產品的進步就能給人類帶來更好的體驗嗎？我們做了進一步的探索。

接下來，講完自動駕駛的技術，我們從市場出發。大家可能覺得自動駕駛最關鍵的核心應該是技術進步，這當然是正確的，傳感器、算力、算法、系統、網絡、地圖、定位等都是非常重要的基礎設施。

但是并不是技術進步就等于商業成功，在歷史上很多超前于時代或者不符合實際市場需求的非常優秀的技術，最后都沒有成功。

另一方面如果沒有實際市場需求的牽引，整個技術的演進路徑就會變得曲折，因為你不知道該往哪里去，你不知道該解決哪些問題、該忽略哪些問題、什么是重要的、什么是不重要的，因此我們達摩院自動駕駛實驗室從決定做自動駕駛那一刻，就堅定從用戶出發、從場景出發、從市場出發。

從市場出發，我們選擇了校園快遞場景。我講一下為什么，這不是一個理論，我們實實在在就在這個場景落地。?

這個場景有一個特點，因為校園的管理要求、安全、防疫等原因，快遞員無法自由地出入學校完成配送，因此大量的快遞會集中在校園的驛站站點，需要同學們去取。

另外目前國內的高校有一個特點，就是校園越來越大，比如鄭州大學的新校園，沿著一條外墻就有三站地鐵站，這是一個巨大的校園。

同學們取件肯定是很不方便的，現在的年輕人會從各種各樣的電商平臺買各種各樣的生活用品，尺寸、數量很多。取到后就會很難搬回宿舍，我們為什么選擇這個場景？因為我們覺得自動駕駛無人配送可以非常好地解決這個問題。

我們再站在技術演進的角度看市場，這個市場有什么特點？它是封閉園區、速度低、載物不載人，安全性就較高，它的B端、C端痛點也非常明確。?

全國有4000多所全日制學校，它們可以為自動駕駛的真正落地，在第一階段提供足夠的市場空間。

這個場景定了，市場也定了，接下來我們要解決的第一個問題就是單車面對的場景問題。

末端園區挺麻煩的，雖然相比高速重卡物流干線或者城區復雜場景來說相對友好，但由于該場景是非結構化道路，道路交通參與者也沒有明確的規則約束，所以他們可以隨意在學校里走，這給我們造成了環境里的問題，其預測性更難，你得出最優的決策也更難。?

另外由于末端園區的封閉性，它有很大的自主管理權，里面會出現各種各樣的長尾場景，比如會突然遇到建筑工地等，這給感知帶來非常大的困難，同時我們還遇到大量的道路交通參與者，也給我們帶來了非常不必要的阻擋和阻礙。

我們怎么解決這些問題？我接下來不會講太多的技術細節，我給大家講一下我們如何解決問題的思路。

在校園高峰期，有很多行人在大面積走路，我們的感知系統可以實時檢測和跟蹤預測多達100多個目標。我們對系統有非常好的理解，對環境有了理解，對他人意圖有了理解后，我們形成了很多非常智能的決策規劃策略。

有一個非常典型值得分享的是，我們做了一套基于智能仿真的強化學習系統，這套系統可以在競爭模式下、跟隨模式下、合作模式下，通過大量的訓練和博弈找到果斷的決策策略，它不會讓車的決策過于保守，阻礙交通，也不會過于激進，給同學們造成危險。

另一方面在園區運行一年多時間，無人駕駛小車會遇到各種各樣的天氣的情況，我們的思路是通過算法來解決這類問題，因此我們做了深度算法，就是通過軟件方法來解決硬件噪點的問題。

為了量產化和低成本以及各種各樣的原因，小車的控制能力肯定不如家用有四驅能力的乘用車，所以我們面對小坡和減速帶的時候，我們的決策、規劃算法就能調整車身姿勢姿態，使小車正對著減速帶小坡，讓它更容易通過。這解決了后輪懸空的問題，這是用軟件解決硬件問題的另一個代表。

在算法以外，我們也在產品整體的完整性上做了很多工作，比如我們有大量的HMI交互的完整考慮，想通過告訴其他道路交通參與者，阿里小蠻驢自己的意圖，提醒大家哪里有風險，小車的意圖被表達清楚后，就會更容易解決算法難題。?

比如小車的行為預警，小車停靠的時候就會提醒大家，小車要停靠了，再比如，如果有自行車離小蠻驢太近，也會有語音提醒大家不要跟太近，如果有人堵在了前方，我們就會提醒大家讓一讓。

另外，在我們解決一個個問題過程中，我們還要確保另外一件事，如何讓我們的系統不去Overfit少量場景，如何保證這個系統的泛化性和魯棒性，所以我們持續投入了仿真訓練平臺，以使系統得到大量訓練。?

我們可以通過仿真的辦法，把有限的實際路測里程做到大量的仿真里程，以提升系統的安全性和泛化能力。

我們也在持續投入我們自研的AutoDrive全鏈路數據驅動模型訓練平臺。

在AutoDrive2.0中，所有數據已不需要任何算法工程師的參與，系統可以自動在Hardware Aware模式下優化出模型，非常符合我們車上的嵌入式系統的能力。

它不是針對一個服務器級別的大算力的東西去優化模型，而是針對相對小算力、低成本的車上嵌入式，來優化模型。

同時我們建設了覆蓋各種天氣、各種道路路面環境、各種交通規則的實車路測體系，確保我們的泛化能力。

綜上所有一切，我們做到了系統不會Overfit有限問題，同時保證了我們迅速收斂解決問題的效率。

剛才講了單車自動駕駛能力的價值就體現在對于司機勞動力的解放，而整車的成本無疑是至關重要的。我們通過軟硬件技術的進步，使得我們的整車成本是業界平均水平的三分之一。

我要強調一點，這真的是技術進步帶來的，比如算力成本。我們的思路是，如何讓算法用比較少的算力，就能實現別的公司的算法用更多算力，才能達到同樣水平。

同時我們的HLU定位模塊實現了業界十分之一的成本，達到了厘米級高精定位，無論在窄路、地鐵、地庫、沒有GPS信號，無人小車都可以保障厘米級高精定位。

到現在為止，小蠻驢單車場景的能力介紹完了，我也介紹完我們車子所有場景里的長尾問題，小車可以實現沒安全員的全自動L4功能。

這時候我要把小蠻驢放到業務里。我先講兩個技術儲備，有了自動駕駛的配送業務和用人配送的業務有什么不一樣？ 事實上，由于自動駕駛車輛的數據確定性和可預測性，所以利用車輛行駛數據和歷史用戶取件等待時間數據，就可以帶來非常準確的車輛到達時間預估模型（ETA模型）。

另一個技術儲備，則是由于車輛會準確執行你下發的路徑和下發任務，因此相比于人工的運力來說，我們可以做非常高效率的大規模車隊調度VRP系統。

我舉一個具體的例子，介紹我們如何提升整體的運力效率。

小蠻驢無人配送車的貨箱物理尺寸是固定的，所以它能裝多少包裹是有一個大概數量的，我們是預約服務，所以具體能送多少包裹，跟有多少人預約、站點之間的距離、每個站點等待用戶取件的時間都有很大的關系，所以如何設置車輛庫存就很有意思。?

如果你設置得過于保守，會浪費太多運力，大量的車沒有裝滿，如果你設得過于激進，有時候約的人多了，很遠你送不過來，同學們取不到件，就會形成超賣，我們怎么解決這個問題呢？?

我們結合ETA模型和VRP系統，使得每次有新的包裹預約進來后，系統會重新實時規劃一個新的路徑、最優路徑，確保可以每一個包裹都能在一小時內送完，然后回來。

比方說我們有這樣一個路徑，在T時刻有新的用戶點開他的頁面，如果他離這個路線比較遠，也就是說如果我們再配送他的包裹，其他人的包裹就要遲到，所以他看到的頁面就會是黑掉的，也就是說不好意思，這個時間點你約不了了。

但是下一秒另一個人進來了，由于他離原來的路線比較近，我們有余量配送這些用戶，他們看到的頁面則是可以預約的。

所以我們通過這樣一個智能動態庫存的辦法，能把整個校園的平均運力能力提升80%。大家可以看到，自動駕駛帶來的價值和無人化帶來的價值，不僅僅是人力勞動的減少，而是整體效率的提升。

完成了對業務效率的提升和對業務鏈路的需求，接下來講講小蠻驢的用戶體驗。

在校園里，同學們可以非常輕松地用菜鳥App、淘寶App來預約配送，包裹會精確到每一個小時時段的配送，預約后在小蠻驢發車前它會收到通知，小蠻驢快到樓下站點的時候，則會做智能外呼，自動的電話會打給他。

如果這個同學那天剛好沒辦法來取，他可以在智能電話里告訴我們他來不了，我們的車子就不用在樓下等他，浪費時間了。如果他在趕回來的路上，可能會遲到一點點，他也可以在電話里告訴我們，我們會等著他，不至于他來到取不到件。

我們做了非常順滑的體驗，讓同學們在校園里不必面對驛站的繁忙排隊、混亂翻找，以及取到件后無法運回宿舍的煩惱。?

我們覺得做了這么多年自動駕駛，是實實在在地在通過我們技術產品的進步，至少在過去一年時間里，在給校園里的同學、師生真實地提升他們的生活質量和生活體驗。

在過去一年時間里，我們把小蠻驢帶到全國81個城市、200多所高校，我們怎么做到的？

首先，我們建設了一套每個月可以進100個新場景的并行部署能力，從這個車運到場景，到交付給工作人員使用，只需要兩周時間，這是我們做的第一件事。

第二件事，則是我們建設了可觸達全國范圍26個省市、自治區的屬地化運維維保團隊。無人車、機器人、家用乘用車難免有突發狀況、機器故障、耗材損耗等，有這樣一支維保團隊才能保障運力的高效、穩定、可靠，我們有一套非常復雜的實時故障上報系統，能做到及時響應。

同時我們在車身結構上，也做了很多巧妙的提高運維便利性的設計，使得無人小車修起來很容易、修起來很快、修起來很便宜。

最后不得不說，這樣一支高效率的人員管理隊伍也是必不可少的組成部分。大家可能會奇怪作為自動駕駛團隊，為什么我們會有一支分布在全國各地的人，因為我們認為，要真正做產業落地，要真正創造價值，這是一定要走的一步。

最后給大家分享一下，在剛剛過去“雙11”20天時間，我們完成200萬個包裹的配送，平均一天10萬個包裹，由不到400輛車完成，81個城市，26個省級行政區。

其中有一個學校的數據很有趣，這個學校有5輛車，20天里平均每輛車送了603個包裹。怎么實現的？這輛車不是很大，我們通過非常高效的自動駕駛算法能力，因為我算法能力強，所以車輛可以在人多的時候走得更快更安全，同時加上調度系統，就實現配送的效率提升。

最后講一下下一步，接下來我們會依托阿里巴巴體內的物流場景，去尋找下一個有增長潛力的市場環境。我們會沿著過去積累的經驗，先解決單車的通行能力問題，再解決業務結合問題，再到完整的用戶體驗，再到完善的規模化，這是我們一貫的思路。

雷峰網原創文章，未經授權禁止轉載。詳情見。