雷鋒網按：2020 年 8 月 7 日，全球人工智能和機器人峯會（CCF-GAIR 2020）正式開幕。CCF-GAIR 2020 峯會由中國計算機學會（CCF）主辦，香港中文大學（深圳）、雷鋒網(公衆號：雷鋒網)聯合承辦，鵬城實驗室、深圳市人工智能與機器人研究院協辦。

作爲中國國內最具影響力和前瞻性的前沿科技活動，CCF-GAIR 大會已經度過了四次精彩而又輝煌的歷程。CCF-GAIR 2020 延續了過去的強大陣容，提供了 15 個專場（人工智能前沿專場、機器人前沿專場、智能駕駛專場、AIoT 專場、AI 芯片專場、視覺智能·城市物聯專場、AI 源創專場、AI+ 藝術專場、企業服務專場、工業互聯網專場、AI 金融專場、醫療科技專場、智慧城市專場、聯邦學習與大數據隱私專場、前沿語音技術專場）。

在智能駕駛專場，全球MIT TR35獲獎者，人工智能頂尖期刊IEEE TPAMI編委，ICCV/CVPR/ECCV領域主席、阿里自動駕駛實驗室主任王剛帶來了《面向末端物流的無人駕駛技術》的主題演講。

目前阿里巴巴致力於物流行業的無人駕駛，包括最後3公里的末端物流和城市公開道路的配送。

王剛在會上表示，末端物流場景看似簡單，但實際上並不容易。首先相對城市道路，末端道路的非結構化更嚴重；其次末端物流在產品落地上的成本也要考慮；三是產品的系統應該在全天候、不同條件下都能做到穩定，這些都是挑戰。

因此，在算法的智能上，阿里提出了“小前臺，大中臺”的概念，希望打造一個用計算驅動、數據驅動的賦能組織，讓算法減少對人工設計的依賴。

在硬件層面，阿里也在傳感器和計算平臺上下功夫，打造專門自動駕駛、無人物流設計的硬件。

在系統架構層面，王剛認爲自動駕駛系統要具有穩定性，可以利用遠程人際共駕等方式來實現安全冗餘。

以下是王剛的演講全文，雷鋒網新智駕進行了不改變原意的編輯：

大家好,我是王剛，非常榮幸跟大家分享阿里巴巴在自動駕駛上的思考和實踐。阿里的自動駕駛定位和使命，跟其他很多公司不太一樣。大家談論的自動駕駛很多與RoboTaxi、高級輔助駕駛有關，但阿里致力於物流行業的無人駕駛。

用三個短語來概括阿里做自動駕駛的原因：業務有需要、社會有需求、機會有希望。

末端物流和公開道路物流齊頭並進

阿里擁有全球最大的物流需求體量和最豐富的場景，從電商菜鳥、同城零售、到本地生活，每天有數億的快遞、外賣、零售單需要被配送到消費者手裏。自動駕駛物流並非是要在阿里內部創造新的賽道，相反，它是阿里生態非常自然的延伸，能夠跟內部業務形成配合。利用業務作爲牽引，場景作爲驅動，帶動阿里自動駕駛技術的提升。

阿里解決的不只是內部問題，同時解決的也是社會問題。未來人口的老齡化肯定會帶來衝擊。有一個預測是，未來每天的快遞將會達到十億單的規模，如果不能實現智能化，物流行業將無法承載這樣巨大的單量運輸。

目前在物流行業，阿里專注於兩方面：

首先是末端配送，末端指的是最後3公里，包括園區、社區、校園等場景。同時阿里也關注在城市公開道路的配送，滿足物流、同城零售的需求。

目前公開道路上的自動駕駛還處於探索或者研發階段。我覺得挑戰在於，自動駕駛系統不知道自己不知道什麼。人工智能是一門實驗學科，基於數據驅動，本質上是從範例中學習。但於自動駕駛車輛而言，很多場景是沒見過的，系統不知道自己不知道什麼。所以公開道路的無人駕駛，需要更多針對公開道路的研發。

末端物流這塊也有很大的需求，關鍵在於成本。如果成本不高，爲什麼不享受自動化的服務？末端落地上會帶來很多便利。跟公開道路不一樣的是，末端自動駕駛物流系統只要知道自己知道什麼就可以了。因爲末端道路的速度、周圍參與者的速度都比較慢，遇到不確定的情況，可以用系統化的手段解決。也就是說，並不要求解決所有場景的問題，只需要解決頭部比較確定性的問題。

我們可以重新定義自動駕駛，對系統進行正向開發，讓每個模塊確定自己到底知道什麼、瞭解模塊之間的配合。通過思維方式的轉變，我認爲在未來幾年裏，低速無人車必然會帶來產品化、規模化和落地。

我們的末端運營走得比較前，一年多前就已經在校園、社區、園區三個場景開始真實的物流配送。不只是Demo或者玩具，它每天爲數千個消費者帶來了便利。“雙11”的時候我們的無人車每天可以送3000單。

最初我們認爲，比較大、比較重的包裹纔有無人配送的需求，但最後發現即便是很小的快遞，用戶也有讓無人車送上門的需求。科技的發展，讓我們把更多的時間花在開心的事情上，而不是在烈日之下取快遞。

末端自動駕駛物流的技術要求

從技術來看，相對於公開道路，末端物流有很大的便利，但它不是很簡單的事情，還是很多約束。

一是智能。雖然相對城市道路，末端物流的道路速度沒這麼快，但它的非結構化程度更嚴重，包括路樁、人車混流等。我們將Waymo自動駕駛記錄和我們的自動駕駛記錄進行了一個調研，在什麼情況下無人車需要做橫向決策或變動。我們的末端車輛大概比Waymo多20-30倍，假如Waymo一公里做一次，我們的車一公里要做二三十次橫向決策。從另一個維度來講，它是更有挑戰的事情，要求我們的無人物流車在複雜環境下能夠做到穿梭如飛。

二是成本。公開道路上的測試不考慮成本問題，因爲還是科學研究，沒面向業務和產品。但末端物流不一樣，其產品化的腳步越來越近，我們要切實考慮它能創造多少收益，成本支出限制是什麼？成本十幾萬的一輛車肯定養不活自己。這跟公開道路的無人車是兩個不同的課題。

三是穩定。無人車的系統如何做到7*24小時，在不同天氣、不同環境下實現穩定可靠的運輸？如果無人車成爲業務和產品，它必須隨時在崗。這個問題的解決不要拘泥於算法的解決，自動駕駛處於一個大的物流系統，很多的單點問題如果從算法來解決，是永遠解決不完的。我們要考慮如何用系統的力量、產品的設計，讓業務運行起來。

阿里末端物流的實踐

所以在系統的設計、鏈路的打通上，阿里做了非常多的事情。今天我想談談在算法上、技術上阿里做了什麼事情。

智能化。我們希望這輛車很智能，可以處理不同的情況、不同的場景，可以穿梭如飛。跟其他公司一樣的是，我們也做感知、定位、決策、控制，但不太一樣的地方在於，我們提出了“小前臺，大中臺”的想法。

我們認爲感知、定位、決策、控制四個模塊是人工智能算法模塊，本質上需要底層的驅動。很多人都在說人工智能，但我認爲應該叫計算智能。人工智能的意思是像人一樣智能，但這是不靠譜的。我們想要造一架飛機，不可能像鳥一樣做鐵翅膀，這不是一個正確的思路。我們更多要用計算機的特點，從數據、計算上找到智能的來源，所以應該叫計算智能。

“小前臺，大中臺”本質上是希望打造一個計算驅動、數據驅動的賦能組織，讓不同算法可以減少對人工設計的依賴。因爲人工設計本質上是將自己的知識轉化爲智能，但人的理解非常膚淺，很難理解圖像、激光雷達在高維空間裏的表達。過去十幾年，機器學習、人工智能的發展本質上遵循一個規律，人的設計是不靠譜的，我們要用計算、自動化方式替代人工設計，從而帶來提升。

最初，我們分類器是規則分類。我們發現人工設計的特徵很明顯，所以用深度學習替代人工設計，變成自動化學習的特徵。

第二是傳感器、計算平臺等硬件。人工智能的發展，是計算代替人工設計的過程。即便到了今天，我們發現感知、定位、決策、控制這些模塊裏還有大量的人工設計。這些設計不但降低開發效率，需要很多工程師投入，同時嚴重降低整個模塊的質量。我們希望通過計算智能的方式解決。在硬件上，我們做了非常多的事情，以減少硬件成本，同時帶來功耗降低。在定位模塊、傳感器模塊，我們根據算法需求往下做得更深。因爲現在很多硬件不是爲自動駕駛、無人物流車輛設計的，這些設計要麼過於冗餘，要麼達不到需求，我們必須往下做，做得越來越深。

第三是集成系統，系統要保障穩定性。千萬不要讓所有的問題都交給自動駕駛來解決。我們想做的是面向客戶的產品，很多時候可以用系統化的方法。遠程人機共駕，就是一個非常好的案例。無人駕駛物流車的好處是低速，可以隨時停下，呼叫遠程控制中心。未來只要把人工成本降到足夠低，可以實現讓1個人看100輛車甚至1000輛車。

我們希望建立計算中臺，賦能所有的算法，減少人工設計。這跟自主機器學習有點類似，在過去的實踐裏，大家做的任務比較簡單，比如文字識別、圖像識別，主要搜索的是感知網絡結構、超參數，這是有限制的。但在我們的AutoDrive平臺裏，我們進行了擴展,可以支持全鏈路需要，支持感知、規劃、定位、控制。

同時爲了支持全鏈路，我們做了非常多工程上的工作，一個典型案例是仿真。比如學習決策規劃算法，這不是一個簡單的圖像識別問題。這條路徑開得好不好，能否滿足要求？包括評價機制、仿真機制，都是非常難的工作。這方面我們搭建了一個比較完善的平臺，支持整個鏈路的學習。

基於這個平臺，我們所有算法工程師都可以把很多需要人工設計的內容交給平臺。

在實踐落地上，我們也有收穫一些成果，比如紅綠燈識別。我們在AutoDrive平臺上搜索出來的結構不僅效果更好，更重要的是，其計算、結構相對來說簡單非常多。

這很容易理解。因爲工程師在做網絡設計時的首要想法是保障效果，爲了效果他會把各種結構累加上去，從而帶來效果提升。但裏面可能有很多冗餘，而工程師不知道。所以人的理解是非常侷限的，很難穿透網絡結構，直觀理解發生了什麼事情。而通過數據驅動的方式，可以把系統裏面冗餘的結構去掉，找到核心的表達。

除了感知外，我們也把平臺用在決策規劃裏。末端場景車輛跟人的交互非常重要，一個決策非常謹慎的車在末端場景裏是寸步難行的。如果把它設計得非常簡單，可能會出現車輛撞人的情況。那麼到底哪種是比較好的狀態？靠人的理解是很難做到的，所以通過自動化的方式可以找到比較好的權衡。

此外，在實踐上，我們做了一些別的實踐，比如車載ISP。目前車載領域滿足夜視需求的產品不是非常多。所以我們做了一些簡單的實驗，讓ISP在弱光環境下表現更好。新的ISP相對於業界標準方案，對算法的幫助非常大。

從這一點來看，自動駕駛最後的發展必然是越來越偏向於軟硬件一體化。硬件如何爲軟件服務，軟件如何定義硬件，這必須是一起考慮的事情。

此外，我們還做了高精定位低成本方案。如果用大廠的定位方案，一套系統可能要十幾萬，非常昂貴，這樣系統是無法支撐車輛的產品化的。所以我們將定位系統的成本做得非常小，其實際運行也非常穩定。

在Demo展示中，可以看到，兩個礦泉水瓶間隔1米，阿里的無人駕駛物流車寬95釐米，即左右兩邊留下共5釐米的空間。我們的定位方案進行了上百次測試，實現了非常穩定地精確定位。

最後是系統部分。我們的系統有多重安全保證的設計，因爲保證安全是無人車運行的基石，是底線。我們的被動安全設計包括遠程監控、人機共駕等，這是系統必需的部分。

相關文章