无人配送会成为自动驾驶真实落地的黎明么?

x
用微信扫描二维码
分享至好友和朋友圈

  编者按:本文来自“极客公园”,作者:geekerdeng,36氪经授权转载。

  别小看无人配送,长大了就是自动驾驶的最终实现。

  自动驾驶正在驶入深水区。无数人正期盼着 L4或者 L5级别自动驾驶汽车的到来,但显然一切还需等待。今年 Uber 自动驾驶致死案更是给所有自动驾驶厂家上了一课。厂商们对技术的倚重和普通人对技术的惶恐指向同一个问题:当自动驾驶进入出行领域,如果无法保障驾驶员、乘客和行人中任意一方的安全,自动驾驶汽车就注定无法真正面世。当涉及到人时,自动驾驶就不再是简单的技术能否实现的问题。从法律制度再到伦理道德层面,自动驾驶要面临的争议远超想象。

  关于自动驾驶争议表现出的矛盾是明显的,我们需要能载人的自动驾驶汽车,技术也正在往前进,但要到达应许之地还需要高昂和和长期的投入。于是,对于求存的自动驾驶行业而言,现阶段最迫切的问题就变成了在真正的自动驾驶汽车出现之前,在特定场景下尽快落地无疑最正确的选择,因为只有这些特定场景中一步一步的成熟落地,才会有自动驾驶自动驾驶通用场景的最终实现。

  在美团无人配送事业部总经理夏华夏看来,无人配送正在成为现阶段在开放环境下最可行、最具商业价值的落地场景。为什么是无人配送是最适合落地的场景,无人配送又有怎样的未来?在 Rebuild 2018科技商业峰会上,夏华夏的演讲内容会让你对自动驾驶和无人配送产生新的理解。

  以下是夏华夏在极客公园 Rebuild 2018 科技商业峰会上的演讲实录(经过极客公园编辑,略有删减):

  

  各位朋友大家上午好。非常高兴在极客公园跟大家分享美团做无人配送过程中的一点思考。我们还是从自动驾驶的历史做一个简单的回顾。

  无人驾驶在学术界有30 多年的历史,80 年代,在军方的资助下,欧美很多大学就开始做自动驾驶的研究,最早是梅隆(卡内基梅隆)大学,他们做了第一台自动驾驶车。他们可以在 CMU 大学校园里面走。这辆车当时的行驶速度非常慢,大概每秒钟只能移动几厘米。90 年代的时候有了非常大的进步,第二张图是我们在德国的轿车,这辆车在高速公路上可以行驶。

  再到2000 年之后,2004 年开始美国国防部的研究机构他们开始资助美国的无人汽车挑战赛,刚刚李岩也说,2004 年是没有哪一辆车成功的。2005 年好几辆车成功完成200 多公路的山路的里程。其中一辆是斯坦福大学的教授带领的团队做的一辆车。这之后不久被谷歌请过去,筹建了谷歌的无人车团队,后来独立出来成立一个子公司 Waymo。Waymo 在 2016 年出的概念车没有人类用来操控的方向盘和油门,是一个全自动驾驶的概念车。谷歌在工业界最早开始做无人驾驶,有十多年。

  「自动驾驶」的现状:社会舆论下的载人自动驾驶汽车还很遥远

  经过学术界 30 多年,工业界 10 多年的发展自动驾驶汽车有了很长足的进步。但是现状是什么样?

  美国加州交通部在 2017 年底公布了美国加州做自动驾驶测试的公司测试数据。大家可以看到,每一辆车在平均每行驶多少英里需要人工判断,需要人工判断就是系统不能判定周围环境,如果人不干预就会出事情。平均不需要人工干预的里程越长自动驾驶程度就更高。

  谷歌的做到了 8000 多公里不需要人工干预,可以从成都到北京三个来回。看起来是非常好的结果了。但这个结果跟人类的驾驶来比较还是差很远,大家可以看下面这个小表,就是平均来说人类每出一次事故所驾驶的里程数大概是 16 万英里,致命要 9000 多公里。所以跟人类相比,自动驾驶还是差很远很远。

  

  我们离这个到底有多远?当然我们首先要把里程数,能自动驾驶的里程数加上去。加上去之后是不是足够好?16 年美国有一家公司做了一个数据,说一辆自动驾驶汽车比人类驾驶得好需要有一个概率的问题,我要让人相信这一辆车已经比人类驾驶的情况好一些,那大概需要 110 亿英里的里程才能证明。

  如果是一支 100 辆车的车队,他们需要 24 小时不间断的行驶和加油,需要行驶五百多年才能行驶 110 亿英里。这是让自动驾驶从业人员比较悲观的数字。由于这个数字太悲观了,所以这家公司第二年又出了新的报告,说自动驾驶汽车只要跟人类差不多,不用比人类好很多,我们就可以让它上路。

  这个数学模型分析显示,如果 2020 年自动驾驶汽车跟人类差不多上路,长远来看它也可以大大的减少我们在道路上发生事故造成死亡的人数。

  但是这是一个数学模型,我们的社会不是用数学模型来运转的。我们的社会舆论、社会伦理、我们的认知是不太允许我们在车还只是觉得跟人差不多的情况下就让它上路。因为我们对机器致命错误的容忍程度是远远小于对人类的容忍程度。这种情况下我们怎么比较快速的推进自动驾驶技术的发展?

  难以前进的完全自动驾驶:现实测试投入巨大,虚拟场景测试效果不佳

  我总结了大概三条路。第一是不外乎大投入,如果一百辆车需要 500 年那我搞很多车,这也是一些公司在走的道路。比如 Waymo 他们大概一个多月以前宣布,他们要购买 6 万多辆车来改成自动驾驶汽车,然后做自动驾驶汽车的一些测试运营和研发。同一天另外一家汽车公司从软银融到 20 多亿美金,也是用于自动驾驶的研发。

  

  谷歌六万多辆车,原价 4 万美金,但是改造成自动驾驶汽车,要在上面加很多传感机和计算单元,谷歌有自己硬件团队,成本已经比市面上成本低很多。比如激光雷达只是平常用的十分之一。但是这样,我粗略估计改装完之后一辆车大概 10 万美金,一共需要 60 多亿美元。而且谷歌还不足以做到完全自动驾驶,还需要一个安全驾驶员。加州安全员的工资一小时 20 美金,一年又是 20 多亿的投入,这需要很多钱。

  对于一些没有那么多钱的公司怎么办,是不是就不做了?也不是。我们还有一些其他的办法,比如说我们是不是可以用仿真软件做自动驾驶研究,市面上也有很多比较好的仿真平台。刚才也有嘉宾提到他们有比较好的仿真软件。但是我要说的是现在所谓的仿真软件只能应付一些比较简单的场景,只能让我们在自动驾驶技术研发的初期去测试我们的技术,去迭代。

  自动驾驶的后期,我们需要测试非常复杂的场景,一些非常少见的很微妙的场景的时候,我们现在的仿真软件就远远不够。

  比如当我们人去驾驶汽车的时候,如果路边有一个行人,你发现这个行人左右看,他在看路上的车,跟你有一个眼神的交互,你知道这个人看到了我的车,那我可以放心大胆的往前走,我知道这个人如果不是碰瓷的话不会过来撞我的车。

  如果一个人戴着耳机,也没有看你,这个人类的驾驶员就会把车减速甚至停下来,让这个人先通过。如果碰到了老人、小孩,他的行为就更不一样,如果是一个小动物,比如路上穿过一个小狗,这个行为也很不一样。

  甚至还有更难的,比如袋鼠其实是自动驾驶领域一个非常难解决的问题。在澳大利亚每年因车辆交通事故被撞死的袋鼠就一万多。因为袋鼠的速度非常快,行径轨迹也非常飘忽。我们仿真软件如何建立这种不同的运动物体的模型是非常难的。如果要做好全特征的仿真软件,难度不亚于做高度自动驾驶的系统。

  「无人配送」或许是开放环境下自动驾驶目前最正确的落地场景

  花钱也不行,仿真也不行,那有没有其他的方法?

  

  我们是不是可以把自动驾驶系统在一些可以实际应用落地的场景里面去落地应用。让它产生一些经济效益,让它产生一些收入,我们可以用这个收入来跟我们的投入抵消,这样也可以做很多很大量的投入。怎么样选一些合适的场景?什么样的场景是适合于我们快速落地的?

  如果去选择的时候我把整个选择的空间去看看有哪一些维度,这里面有四个维度:

  第一个维度是在乘用车还是非乘用车的场景下测试,就是载人还是不载人,差异是非常大的。因为载人的车辆要做得大,做得重,安全性非常重要,因为要保护车内的乘客。还有就是舒适性要求非常高,不能让乘客晕车,所以不能急刹车,不能非常快速的拐弯。所以对于车辆的控制算法要求就很高。第三对速度要求一般都是要求高速,因为人很容易失去耐心,在低速的场景下很容易暴躁。

  

  第二个维度就是高速还是低速。因为高速不管是对传感器还是算法都非常高,它需要传感器能够感知更远范围的障碍物,而且需要计算速度足够快,可以对一些紧急情况做快速的反应。

  第三个维度是重量级还是轻量级,因为车子越重对周围物体周围的人产生危险的可能性越大,风险越大。

  最后一个维度是在特定道路还是非特定道路上运行。在特定道路相对来说比较容易,因为所有道路的场景,包括路标,包括红路灯都是事先知道的,可以做很多预先的针对性的优化。但是如果是开放道路,我们就需要让我们自动驾驶的算法去准备好,去应付一些未知的场景。可能还有一些其他的维度,当我们把这些维度一列,可以把这个空间分割成很多不同的小格子。比如四个维度就分割成 16 个格子,就在里面找哪一些是适合我们在短时间快速落地的。

  我认为有部分场景是可以在两三年之内比较容易落地的。第一是低速的乘用车,并且是在特定道路里面的乘用车。之所以特定道路是因为刚才讲乘用车大家希望高速但现在基本不可能,因此低速在特定道路下才有商业价值。比如一些园区内的观光浏览车是一个比较好的落地例子。

  第二个是重量级的高速的非乘用车,但是在特定道路里面行驶。比如在高速,只在高速上行驶,比如现在有一些公司在做干线的物流车,在特定道路上我们就可以做一些针对性的优化。

  第三类是非乘用,车很大,但是是低速的。一旦是低速我们也就比较容易解决。比如在一些矿区,然后有一些矿车,或者在一些码头有一些集装箱的装卸车,这些都比较容易做成自动驾驶。

  第四类是轻量级的低速的非乘用车,因为这种车又低速又轻,我们认为它可以在开放道路里面比较好的行驶,这个就是后面讲的末端的物流车。在这几个例子里面我们发现只有第四类在开放道路里面,需要用户的场景比较多,可以给无人驾驶技术提供更多丰富的场景和数据。

  美团的无人配送做的就是开放道路的末端物流。就是通过云端中枢的智能调度进行最后三公里的运输。用户在网上点餐我就可以派车去商场去餐馆取餐,然后通过几公里到达小区或者写字楼,送到用户的手里。就是这样一个场景。这个场景为什么比较容易落地?

  

  我认为归纳有四个特点:小青曼舞(小、轻、慢、物)。小是因为我装盒饭,盒饭比较小,所以我的车子也可以做得比较小。现在做配送的车宽度是 50 到 100 厘米左右,宽度不会超过 2 米。这么小重量也会轻一些,几十公斤到几百公斤。速度也会比较慢,外卖一般在三公里的范围,美团配送时长一般是 30 分钟送达。3 公里范围 30 分钟送达,平均时速 20 公里就够了,我们车设计在 40 到 50 公里。最后是物,送的是盒饭,尺寸比较标准,急刹车等等都没有关系,就比较容易落地。

  当用户下单之后就会把指令发给小车,小车就会去餐馆那边把盒饭取过来。取过来之后就可以在路上行驶,可以自动检测路上障碍物、红绿灯,当它到小区或者到写字楼的时候,它也可以跟电梯做智能的交互,可以通过无线信号,可以发出指令上下电梯。接近用户的时候会给用户发短信,告诉用户你的餐到了,你的开箱密码是什么,用户就可以用密码打开取餐。

  整体来说,我们认为我们这个场景对整个自动驾驶技术都是非常有帮助的,第一是说我们有非常丰富的场景,因为美团点评覆盖全国 2800 个城市,从北到南,而且一年 365 天四季都在运行,不同的天气都在跑,有各种各样的场景,覆盖所有的城市道路,就可以给自动驾驶提供丰富的数据。

  第二有足够大的容量,到目前为止美团外卖日完成订单量 2100 万单,配送员有 50 多万。我们认为未来很容易在这上面部署几十万甚至几百万台无人配送的小车。我计算过我们如果有一百万台小车,大概一个两月就可以跑完前面提到的 110 亿英里,所以是一个非常大的场景优势。

  第三就是非常完备的运营体系,我们地面团队可以跟餐馆谈,跟物业谈,跟小区写字楼谈,可以让我们小车进各种场景。同时在全国各地有那么多骑手,需要的时候很多骑手可以快速转变成小车的运营团队,可以帮我们做维修保养充电等等。

  我们也觉得既然美团有这么大的容量,这么好的运行体系,我们也希望把这个场景开放出来给合作伙伴,让做无人驾驶的同行可以一起在这个环境里面进行无人驾驶技术的研发和迭代。

  我认为自动驾驶技术离成熟还有很远的距离,但是我们技术要快速的迭代,要快速落地,需要一个快速应用的场景。这里面我们认为美团的外卖配送就是极好的全场景的快速落地的应用场景。我们做无人配送也希望有很多的合作伙伴,上下游的合作伙伴跟我们一起合作,共同一起努力达成我们的愿景:用无人驾驶技术让服务触达世界每个角落。我相信这个愿景我们一定会实现。

特别声明:本文为网易自媒体平台“网易号”作者上传并发布,仅代表该作者观点。网易仅提供信息发布平台。

跟贴 跟贴 3 参与 4
© 1997-2018 网易公司版权所有 About NetEase | 公司简介 | 联系方法 | 招聘信息 | 客户服务 | 隐私政策 | 广告服务 | 网站地图 | 意见反馈 | 不良信息举报

36氪

让创业更简单

头像

36氪

让创业更简单

86569

篇文章

人关注

列表加载中...
x

用户登录

网易通行证/邮箱用户可以直接登录:
忘记密码