PlusAI工程副总裁付强：自动驾驶赋能物流科技，需要注意什么？ | CCF-GAIR 2018

雷锋网按：2018 全球人工智能与机器人峰会（CCF-GAIR）在深圳召开，峰会由中国计算机学会（CCF）主办，雷锋网、香港中文大学（深圳）承办，得到了宝安区政府的大力指导，是国内人工智能和机器人学术界、工业界及投资界三大领域的顶级交流盛会，旨在打造国内人工智能领域最具实力的跨界交流合作平台。

在峰会的智能驾驶专场上，PlusAI（智加科技）的工程副总裁付强发表了题为“自动驾驶与物流科技”的演讲，分享他对自动驾驶商业落地的一些观点。

PlusAI成立于2016年，是最早获得美国加州路测牌照的企业之一，目前，PlusAI在硅谷、北京、上海、西安都设有运营或者研发中心，并且与斯坦福大学和西安交通大学建立了合作关系，今年4月、5月PlusAI分别联手一汽和苏宁进行了港口和仓到仓的自动驾驶演示。

以下是演讲全文，雷锋网在不改变原意的情况下进行了编辑：

首先带大家回顾一下什么是物流科技。

物流产业在我国，尤其是改革开放以来，在我们国家走向市场经济的发展过程中，一直扮演非常重要的角色。现在物流占全国GDP的比重大约是16%，大家平时的吃穿住行都离不开物流的参与。如何通过物流科技去提升物流的效率就变得非常重要。

物流经历了人工生产和机械化的过程，现在已经进入了一个自动化，甚至智能化的阶段。所谓机械化，不过是采用大量车辆，原来用木牛流马变成了在汽车、火车和飞机、货船等等。但自动化的过程则产生了许多新的技术。比如在天猫、京东上购物，系统能够迅速识别订单，自动将货物送上传送带进行打包，然后送到每个人手中。可能今天晚上11点下的单，明天一早就能拿到。

智慧化则是物流科技新的演进方向。因为越来越多的互联网或者具有人工智能背景的公司纷纷开始涌入，为物流行业带来很多智慧化的改变。

具体来讲，从最左侧的供货商到最右侧的消费者，在不同的阶段，物流科技智慧化过程大概渗透了三个环节：

在末端的是配送，现在配送已经有了许多自动化方式，有些物流公司也在强调最后一公里，即在配送的过程中，通过无人机、快递柜或者自动驾驶配送车完成最后一公里。

而在中间的，是仓储，现在，许多智慧化的工作集中在仓储，其中跟自动驾驶比较相关的是AGV，在仓库里可以实现局部自动驾驶，完成货物在仓库内的移动。另外，基于RFID的技术、分拣、包装、识别等，现在都应用得非常广泛。

而从供货端开始的运输，则是PlusAI比较相关的一个环节。这一环节，除了车货匹配、无车承运人、新能源汽车以外，很重要的一点就是无人驾驶。这一环节的运输过程更多的是指仓对仓的运输。货品从供货商运输到消费者的路程中，不可避免会有从一个仓库运送到另一个仓库的过程，这里存在着复杂的场景。例如从仓库运输到高速上，最终运送到另一个仓库或者一个集散点，这就是一个典型的仓对仓的物流。

针对物流长途干线运输过程，有机构进行了以上成本拆分（如上图）。

我认为自动驾驶在物流的中运输能够取得较大成果的原因是，在进入经济领域之前，首先自动驾驶能让运输更加安全。

提到重型卡车，大家的第一反应可能就是网上流传的那些非常惨烈的交通事故，大货车一出事故就非常严重。据我自己走访的统计，在大货车的交通事故中，可能有一半以上是由疲劳驾驶造成的。因为大货车司机一天要驾驶很长的时间，因此多少会产生疲倦，导致反应变得迟钝，陷入间歇性的精神不集中，这些可能是造成事故的主要原因。

而自动驾驶，大家可以想象，算法是不会疲劳的，一旦我们证明算法的可行性，是一定不会存在随着时间的增加效果有所衰减的状况的。所以，需要强调的是，自动驾驶更安全。

除了安全之外，自动驾驶还能降低成本。物流干线运输的成本。很大一部分是来源于运输费。而自动驾驶却能节约燃油。通过改变整流罩和改装的办法，可以实现节油，这是一方面。另一方面，有统计表明，一个有经验的司机比一个新手司机省大概15%的油。老司机对线路比较熟悉，哪个地方有转弯、下坡他都比较熟悉，因此能够提前控制，从而节省燃油。自动驾驶也可以实现接近老司机的使用成本。

另外一点是节约人力，现在，很多长线运输通常是采用多名司机轮流驾驶的方式，避免产生驾驶疲劳的问题。而L4级的自动驾驶，即使是在高速上的实现，一名安全员也就够了，显著节约了人力。

我们曾经与苏宁物流合作过一个项目，打造了一辆自动驾驶卡车，希望一方面减少了交通事故，另一方面能减少碰瓷的可能。

接下来讲一些自动驾驶技术上的东西。自动驾驶大体上分成这几个模块:

首先是传感器，激光雷达就是一种传感器，它好比人的眼睛、耳朵。传感器收集周边感知的信息，然后通过感知算法，将这些信息抽象成计算机可以理解的概念。让系统识别物体、车道线、红绿灯，再决定该如何行驶。定位则是向系统提供具体的位置信息，距离目的地的路程。

有了定位和感知之后，就需要进行道路的规划。A点走到B点，应该走哪条路，是否在要立刻变道，是否要减速绕行等。规划之后的控制，则是将规划的结果转化成给汽车控制系统的指令，进行加速、减速，调整方向盘等。这严重依赖于车载平台，实现它的线功能。

接下来进入一些稍微细一点的领域，环境感知中的人工智能。

感知大体上是这样，自动驾驶车辆能够感知到周围的车，判断出哪些有碰撞的风险，哪些没与。自动驾驶车还能感知到了周围车辆的速度，与周围车的距离、车道线等等，这是一个简单的感知。

人工智能在感知系统上是有很多应用的。在自动驾驶这个领域，我首先想讨论的就是大数据。大家知道在自动驾驶领域，数据量是很大的，一台车行驶几公里后，就积累了大量的视觉数据。大数据强调的是规模。如何让大数据达到规模呢？行业中大体有两个方向，一个是追求一致性，一个是追求通用性。

所谓追求一致性，就是所有积累到的大数据，尤其是环境感知数据，都是用同一款摄像头，安装在同一个位置产生的。这样保证了所有的数据都是高度一致的。接着，使用这种高度一致的数据做训练，最后量产的时候，也同样要求每一辆车将同样的摄像头安装在同一个位置，所有的光圈、焦距都调校一致，最后也能够取得一个比较好的成果。这样做固然有其优点，但是或多或少会产生一些过拟合的问题。

还有一个是通用性，相信诸位在学习驾驶的时候，坐在车内，还是能够识别车道线、红绿灯的，因为大家在车外的时候就已经能识别这些东西了。当人类在识别车道线、障碍物的时候，是不需要调节光线、焦距的，即使是看照片，不同的摄像头，参数差距很大，摄像视角也不同，人类能识别出物体。所以，在自动驾驶领域，更多的时候应该强调数据通用性。

在采集训练数据的时候，我们不光有自采的来自不同摄像头数据，也采取了来自合作伙伴的数据，甚至是自公开资料，比如说YouTube上的行车记录仪数据。通过合理的标注的方式进行标注，这样就能够保证最终的模型，相比起一些过拟合的情况，能够有更好的通用性。不会出现当摄像头的生产制造工艺出现了偏差，或者焦距、可视角度不一样，或者安装位置的改变，就无法识别的情况。

大家看到现在很多的相关事故，自动驾驶失灵的原因就是一致性做得太强，通用性做得不够。当过多地告诉计算机高度一致的信息的时候，当这个算法处理稍微不一样的数据时，就可能会失灵，与其这样，我们不如更多地强调通用性。而研究人工智能的目的。就是让它更好地模拟人类思考、感知社会的方式。

第二点想要讨论的，就是计算的开销。精确度是现在很多算法追求的指标，但延迟也很重要，现在很多成熟的公司也都注意到了这一点。实际上，在驾驶的过程中，尤其是在高速的场景中，几十毫秒的延迟就会产生不同的结果，所以在算法的考虑上，在精度要达到要求之外，还要降低计算的开销。这其中还有很多计算加速的功能，应该如何建好，如何挖掘也非常关键。计算的精度至少要和它的算法感知的精准度同等重要。

第三点想要讨论的，是成本的控制。我们的计算单元、感知传感器要达到何种程度，才能够保证在同样的精准度下，数据都能跑通，而且不失准确性，同时把成本控制在范围之内。

以上三大点是我们在自动驾驶上的一些思考，这也是需要行业人士应该花时间解决的问题。

我们的数据覆盖了中国和美国都绝大部分省市和州。在中国的省级行政单位和美国的州级行政单位我们都有数据，这些数据的采集是非常大的工作，并不是靠自建一个车队完成的。

再来看看多传感器融合，这里举一个我们遇到的例子，这个也是用激光雷达、摄像头和毫米波雷达的方案。现在很多车厂在制作紧急制动的时候，更强调毫米波雷达的功能，但对于中距离雷达来说，例子中的物体有点远，探测不到，对远距离雷达来说，其视角比较窄。不管是通过视觉还是通过激光雷达，都可以对物体的检测产生一个很好的弥补。

多传感器不光是传感器的冗余，从功能安全的角度出发，当有一个传感器不能工作，即使是低成本传感器组合，也能够达到规避风险的目的，实现真正安全的自动驾驶。只要采集的数据足够多，这种说法是能够被证明的。

我们采用的是前视为主的多传感器融合的技术，选用了成本比较低的摄像头。当有正向的阳光摄入时，会有一道炫光，这时候我们可以进行动态的调整，提升毫米波雷达在感知中的比重，降低摄像头的比重。当回到正常的光线中时，再将比重调回来，实现动态的对多传感器融合算法的调整。

再回归到自动驾驶与物流这个话题。回顾一些大事，2015年的时候，Uber首先实现了无人驾驶货车的应用，用货车运输了一车啤酒；2017年，特斯拉也发布了L3级的卡车；2018年4月，我们和解放联合发布了解放最新一代卡车J7。5月份，我们和苏宁也发起了仓对仓物流的实现，在这个场景中，我们实现了从苏宁的一个仓到另一仓的全自动化，当然，在离开这个仓库之前，我们配了一名司机。

以上就是PlusAI(智加科技)工程副总裁付强在CCF-GAIR 2018智能驾驶专场上的演讲。在演讲过后，雷锋网对付强进行了专访，欢迎关注。

雷峰网原创文章，未经授权禁止转载。详情见转载须知。