2018 全球人工智能與機器人峰會（CCF-GAIR）在深圳召開，峰會由中國計算機學會（CCF）主辦，雷鋒網(wǎng)、香港中文大學（深圳）承辦，得到了寶安區(qū)政府的大力指導，是國內(nèi)人工智能和機器人學術(shù)界、工業(yè)界及投資界三大領(lǐng)域的頂級交流盛會，旨在打造國內(nèi)人工智能領(lǐng)域最具實力的跨界交流合作平臺。

在峰會的智能駕駛專場上，PlusAI（智加科技）的工程副總裁付強發(fā)表了題為“自動駕駛與物流科技”的演講，分享他對自動駕駛商業(yè)落地的一些觀點。

PlusAI成立于2016年，是最早獲得美國加州路測牌照的企業(yè)之一，目前，PlusAI在硅谷、北京、上海、西安都設(shè)有運營或者研發(fā)中心，并且與斯坦福大學和西安交通大學建立了合作關(guān)系，今年4月、5月PlusAI分別聯(lián)手一汽和蘇寧進行了港口和倉到倉的自動駕駛演示。

以下是演講全文，新智駕在不改變原意的情況下進行了編輯：

首先帶大家回顧一下什么是物流科技。

物流產(chǎn)業(yè)在我國，尤其是改革開放以來，在我們國家走向市場經(jīng)濟的發(fā)展過程中，一直扮演非常重要的角色。現(xiàn)在物流占全國GDP的比重大約是16%，大家平時的吃穿住行都離不開物流的參與。如何通過物流科技去提升物流的效率就變得非常重要。

物流經(jīng)歷了人工生產(chǎn)和機械化的過程，現(xiàn)在已經(jīng)進入了一個自動化，甚至智能化的階段。所謂機械化，不過是采用大量車輛，原來用木牛流馬變成了在汽車、火車和飛機、貨船等等。但自動化的過程則產(chǎn)生了許多新的技術(shù)。比如在天貓、京東上購物，系統(tǒng)能夠迅速識別訂單，自動將貨物送上傳送帶進行打包，然后送到每個人手中。可能今天晚上11點下的單，明天一早就能拿到。

智慧化則是物流科技新的演進方向。因為越來越多的互聯(lián)網(wǎng)或者具有人工智能背景的公司紛紛開始涌入，為物流行業(yè)帶來很多智慧化的改變。

具體來講，從最左側(cè)的供貨商到最右側(cè)的消費者，在不同的階段，物流科技智慧化過程大概滲透了三個環(huán)節(jié)：

在末端的是配送，現(xiàn)在配送已經(jīng)有了許多自動化方式，有些物流公司也在強調(diào)最后一公里，即在配送的過程中，通過無人機、快遞柜或者自動駕駛配送車完成最后一公里。

而在中間的，是倉儲，現(xiàn)在，許多智慧化的工作集中在倉儲，其中跟自動駕駛比較相關(guān)的是AGV，在倉庫里可以實現(xiàn)局部自動駕駛，完成貨物在倉庫內(nèi)的移動。另外，基于RFID的技術(shù)、分揀、包裝、識別等，現(xiàn)在都應(yīng)用得非常廣泛。

而從供貨端開始的運輸，則是PlusAI比較相關(guān)的一個環(huán)節(jié)。這一環(huán)節(jié)，除了車貨匹配、無車承運人、新能源汽車以外，很重要的一點就是無人駕駛。這一環(huán)節(jié)的運輸過程更多的是指倉對倉的運輸。貨品從供貨商運輸?shù)较M者的路程中，不可避免會有從一個倉庫運送到另一個倉庫的過程，這里存在著復雜的場景。例如從倉庫運輸?shù)礁咚偕希罱K運送到另一個倉庫或者一個集散點，這就是一個典型的倉對倉的物流。

針對物流長途干線運輸過程，有機構(gòu)進行了以上成本拆分（如上圖）。

我認為自動駕駛在物流的中運輸能夠取得較大成果的原因是，在進入經(jīng)濟領(lǐng)域之前，首先自動駕駛能讓運輸更加安全。

提到重型卡車，大家的第一反應(yīng)可能就是網(wǎng)上流傳的那些非常慘烈的交通事故，大貨車一出事故就非常嚴重。據(jù)我自己走訪的統(tǒng)計，在大貨車的交通事故中，可能有一半以上是由疲勞駕駛造成的。因為大貨車司機一天要駕駛很長的時間，因此多少會產(chǎn)生疲倦，導致反應(yīng)變得遲鈍，陷入間歇性的精神不集中，這些可能是造成事故的主要原因。

而自動駕駛，大家可以想象，算法是不會疲勞的，一旦我們證明算法的可行性，是一定不會存在隨著時間的增加效果有所衰減的狀況的。所以，需要強調(diào)的是，自動駕駛更安全。

除了安全之外，自動駕駛還能降低成本。物流干線運輸?shù)某杀尽：艽笠徊糠质莵碓从谶\輸費。而自動駕駛卻能節(jié)約燃油。通過改變整流罩和改裝的辦法，可以實現(xiàn)節(jié)油，這是一方面。另一方面，有統(tǒng)計表明，一個有經(jīng)驗的司機比一個新手司機省大概15%的油。老司機對線路比較熟悉，哪個地方有轉(zhuǎn)彎、下坡他都比較熟悉，因此能夠提前控制，從而節(jié)省燃油。自動駕駛也可以實現(xiàn)接近老司機的使用成本。

另外一點是節(jié)約人力，現(xiàn)在，很多長線運輸通常是采用多名司機輪流駕駛的方式，避免產(chǎn)生駕駛疲勞的問題。而L4級的自動駕駛，即使是在高速上的實現(xiàn)，一名安全員也就夠了，顯著節(jié)約了人力。

我們曾經(jīng)與蘇寧物流合作過一個項目，打造了一輛自動駕駛卡車，希望一方面減少了交通事故，另一方面能減少碰瓷的可能。

接下來講一些自動駕駛技術(shù)上的東西。自動駕駛大體上分成這幾個模塊:

首先是傳感器，激光雷達就是一種傳感器，它好比人的眼睛、耳朵。傳感器收集周邊感知的信息，然后通過感知算法，將這些信息抽象成計算機可以理解的概念。讓系統(tǒng)識別物體、車道線、紅綠燈，再決定該如何行駛。定位則是向系統(tǒng)提供具體的位置信息，距離目的地的路程。

有了定位和感知之后，就需要進行道路的規(guī)劃。A點走到B點，應(yīng)該走哪條路，是否在要立刻變道，是否要減速繞行等。規(guī)劃之后的控制，則是將規(guī)劃的結(jié)果轉(zhuǎn)化成給汽車控制系統(tǒng)的指令，進行加速、減速，調(diào)整方向盤等。這嚴重依賴于車載平臺，實現(xiàn)它的線功能。

接下來進入一些稍微細一點的領(lǐng)域，環(huán)境感知中的人工智能。

感知大體上是這樣，自動駕駛車輛能夠感知到周圍的車，判斷出哪些有碰撞的風險，哪些沒與。自動駕駛車還能感知到了周圍車輛的速度，與周圍車的距離、車道線等等，這是一個簡單的感知。

人工智能在感知系統(tǒng)上是有很多應(yīng)用的。在自動駕駛這個領(lǐng)域，我首先想討論的就是大數(shù)據(jù)。大家知道在自動駕駛領(lǐng)域，數(shù)據(jù)量是很大的，一臺車行駛幾公里后，就積累了大量的視覺數(shù)據(jù)。大數(shù)據(jù)強調(diào)的是規(guī)模。如何讓大數(shù)據(jù)達到規(guī)模呢？行業(yè)中大體有兩個方向，一個是追求一致性，一個是追求通用性。

所謂追求一致性，就是所有積累到的大數(shù)據(jù)，尤其是環(huán)境感知數(shù)據(jù)，都是用同一款攝像頭，安裝在同一個位置產(chǎn)生的。這樣保證了所有的數(shù)據(jù)都是高度一致的。接著，使用這種高度一致的數(shù)據(jù)做訓練，最后量產(chǎn)的時候，也同樣要求每一輛車將同樣的攝像頭安裝在同一個位置，所有的光圈、焦距我都調(diào)校一致，最后也能夠取得一個比較好的成果。這樣做固然有其優(yōu)點，但是或多或少會產(chǎn)生一些過擬合的問題。

還有一個是通用性，相信諸位在學習駕駛的時候，坐在車內(nèi)，還是能夠識別車道線、紅綠燈的，因為大家在車外的時候就已經(jīng)能識別這些東西了。當人類在識別車道線、障礙物的時候，是不需要調(diào)節(jié)光線、焦距的，即使是看照片，不同的攝像頭，參數(shù)差距很大，攝像視角也不同，人類能識別出物體。所以，在自動駕駛領(lǐng)域，更多的時候應(yīng)該強調(diào)數(shù)據(jù)通用性。

在采集訓練數(shù)據(jù)的時候，我們不光有自采的來自不同攝像頭數(shù)據(jù)，也采取了來自合作伙伴的數(shù)據(jù)，甚至是自公開資料，比如說YouTube上的行車記錄儀數(shù)據(jù)。通過合理的標注的方式進行標注，這樣就能夠保證最終的模型，相比起一些過擬合的情況，能夠有更好的通用性。不會出現(xiàn)當攝像頭的生產(chǎn)制造工藝出現(xiàn)了偏差，或者焦距、可視角度不一樣，或者安裝位置的改變，就無法識別的情況。

大家看到現(xiàn)在很多的相關(guān)事故，自動駕駛失靈的原因就是一致性做得太強，通用性做得不夠。當過多地告訴計算機高度一致的信息的時候，當這個算法處理稍微不一樣的數(shù)據(jù)時，就可能會失靈，與其這樣，我們不如更多地強調(diào)通用性。而研究人工智能的目的。就是讓它更好地模擬人類思考、感知社會的方式。

第二點想要討論的，就是計算的開銷。精確度是現(xiàn)在很多算法追求的指標，但延遲也很重要，現(xiàn)在很多成熟的公司也都注意到了這一點。實際上，在駕駛的過程中，尤其是在高速的場景中，幾十毫秒的延遲就會產(chǎn)生不同的結(jié)果，所以在算法的考慮上，在精度要達到要求之外，還要降低計算的開銷。這其中還有很多計算加速的功能，應(yīng)該如何建好，如何挖掘也非常關(guān)鍵。計算的精度至少要和它的算法感知的精準度同等重要。

第三點想要討論的，是成本的控制。我們的計算單元、感知傳感器要達到何種程度，才能夠保證在同樣的精準度下，數(shù)據(jù)都能跑通，而且不失準確性，同時把成本控制在范圍之內(nèi)。

以上三大點是我們在自動駕駛上的一些思考，這也是需要行業(yè)人士應(yīng)該花時間解決的問題。

我們的數(shù)據(jù)覆蓋了中國和美國都絕大部分省市和州。在中國的省級行政單位和美國的州級行政單位我們都有數(shù)據(jù)，這些數(shù)據(jù)的采集是非常大的工作，并不是靠自建一個車隊完成的。

再來看看多傳感器融合，這里舉一個我們遇到的例子，這個也是用激光雷達、攝像頭和毫米波雷達的方案。現(xiàn)在很多車廠在制作緊急制動的時候，更強調(diào)毫米波雷達的功能，但對于中距離雷達來說，例子中的物體有點遠，探測不到，對遠距離雷達來說，其視角比較窄。不管是通過視覺還是通過激光雷達，都可以對物體的檢測產(chǎn)生一個很好的彌補。

多傳感器不光是傳感器的冗余，從功能安全的角度出發(fā)，當有一個傳感器不能工作，即使是低成本傳感器組合，也能夠達到規(guī)避風險的目的，實現(xiàn)真正安全的自動駕駛。只要采集的數(shù)據(jù)足夠多，這種說法是能夠被證明的。

我們采用的是前視為主的多傳感器融合的技術(shù)，選用了成本比較低的攝像頭。當有正向的陽光攝入時，會有一道炫光，這時候我們可以進行動態(tài)的調(diào)整，提升毫米波雷達在感知中的比重，降低攝像頭的比重。當回到正常的光線中時，再將比重調(diào)回來，實現(xiàn)動態(tài)的對多傳感器融合算法的調(diào)整。

再回歸到自動駕駛與物流這個話題。回顧一些大事，2015年的時候，Uber首先實現(xiàn)了無人駕駛貨車的應(yīng)用，用貨車運輸了一車啤酒；2017年，特斯拉也發(fā)布了L3級的卡車；2018年4月，我們和解放聯(lián)合發(fā)布了解放最新一代卡車J7。5月份，我們和蘇寧也發(fā)起了倉對倉物流的實現(xiàn)，在這個場景中，我們實現(xiàn)了從蘇寧的一個倉到另一倉的全自動化，當然，在離開這個倉庫之前，我們配了一名司機。