阿里王剛：末端物流場景下，如何用計算換智能、打造為自動駕駛而生的硬件？ | CCF-GAIR 2020

2020年8月7日，全球人工智能與機器人峰會(CCF-GAIR 2020)正式開幕。CCF-GAIR 2020峰會由中國計算機聯合會(CCF)主辦，香港中文大學(深圳)和雷鋒網(微信官方賬號:雷鋒網)聯合承辦，鵬程實驗室和深圳人工智能與機器人研究所協辦。

作為中國最具影響力和前瞻性的前沿科技活動，CCF-GAIR大會已經走過了四個精彩而輝煌的歷程。CCF-GAIR 2020延續了以往的強大陣容，提供了15場專場(人工智能前沿場、機器人前沿場、智能駕駛場、AIoT場、AI芯片場、視覺智能、城市IoT場、愛源創場、AI+藝術場、企業服務場、工業互聯網場、AI金融場、醫療科技場、智慧城市場、聯邦學習和大數據隱私場)。

在智能駕駛專場中，全球MIT TR35獲獎者、人工智能頂級期刊IEEE TPAMI編委、ICCV/CVPR/ECCV菲爾德董事長、阿里自動駕駛實驗室主任王剛做了“面向終端物流的無人駕駛技術”的主題演講。

目前阿里巴巴致力于無人物流行業，包括終端物流最后3公里，城市開放道路配送。

王剛在會上表示，碼頭物流看似簡單，但實際上并不容易。首先，與城市道路相比，非結構化末端道路更加嚴重；其次，產品落地中的終端物流成本也要考慮；第三，產品系統要全天候，不同條件下穩定，這些都是挑戰。

因此，在算法的智能化方面，阿里提出了“小前臺，大中平臺”的概念，希望構建一個計算和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，打造專為自動駕駛和無人物流設計的硬件。

在系統架構層面，王剛認為自動駕駛系統應該是穩定的，可以通過遠程人際駕駛的方式實現安全冗余。

以下是王剛演講的全文。雷鋒新智經編輯不改初衷:

大家好，我是王剛，非常榮幸能和大家分享阿里巴巴對自動駕駛的思考和實踐。阿里的自動駕駛定位和使命和其他很多公司不太一樣。大家說的自動駕駛很多都和RoboTaxi、高級輔助駕駛有關，但阿里致力于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:商業需求、社交需求、機遇和希望。

碼頭物流和開路物流齊頭并進。

阿里擁有全球最大的物流需求量和最豐富的場景。從電商菜鳥、同城零售到本地生活，每天都有數以億計的快遞、外賣、零售訂單需要送達消費者手中。自動駕駛物流并不是要在阿里內部創造一個新的賽道。反而是阿里生態非常自然的延伸，可以配合內部業務。以業務為牽引，以場景為驅動，推動阿里自動駕駛技術的提升。

阿里解決的不僅是內部問題，還有社會問題。未來人口老齡化肯定會帶來沖擊。有預測說未來每天的快遞會達到十億單的規模。如果不能智能化，物流行業就無法承載如此龐大的單量運輸。

目前，在物流行業，阿里專注于兩個方面:

首先是終端投放，終端是指最后3公里，包括公園、社區、校園等場景。同時，阿里還注重城市開放道路的分布，滿足同城物流和零售的需求。

目前，開放道路上的自動駕駛還處于探索或研發階段。我認為挑戰在于自動駕駛系統不知道自己不知道什么。人工智能是一門實驗學科，由數據驅動，本質上是從例子中學習。但是對于自動駕駛車輛來說，很多場景是沒見過的，系統不知道什么是不知道的。因此，開放道路的無人駕駛需要對開放道路進行更多的研發。

對終端物流的需求也很大，關鍵在于成本。如果成本不高，為什么不享受自動化服務呢？最后落地會帶來很多便利。與開放道路不同的是，碼頭自動駕駛物流系統只需要知道自己知道什么。因為終點道路的速度和周圍參與者的速度都比較慢，所以我們可以用系統的手段來解決不確定的情況。換句話說，不要求解決場景的所有問題，只要求解決頭部確定性的問題。

我們可以重新定義自動駕駛，向前發展系統，讓每個模塊確定自己知道什么，了解模塊之間的合作。通過思維方式的改變，我認為未來幾年，低速無人車必然會帶來產品化、規模化、落地化。

在我們終端運營之前，一年多前就開始了校園、小區、園區三個場景的真正物流配送。不僅僅是Demo或者玩具，它每天都給成千上萬的消費者帶來便利。我們在雙11的時候，我們的無人車每天可以送3000單。

一開始我們以為更大更重的包裹有無人配送的需求，但最后我們發現，即使是小件快遞，用戶也有無人車送貨上門的需求。隨著科技的發展，我們把更多的時間花在開心的事情上，而不是在烈日下送快遞。

終端自動駕駛后勤的技術要求……從技術的角度來說，與開放的道路相比，碼頭物流有很大的便利性，但這并不是一件很簡單的事情，但仍然有很多制約因素。

一個是智力。雖然碼頭物流的道路速度相對于城市道路沒有那么快，但其非結構化程度更為嚴重，包括道路堆和人車混流。我們對Waymo的自動駕駛記錄和我們的自動駕駛記錄進行了調查，無人車在什么情況下需要做出橫向決策或改變。我們的終端車輛大概比Waymo多20-30倍。如果Waymo一公里做一次，我們的車一公里就要做二三十次橫向決策。從另一個維度來說，是一件更有挑戰性的事情，要求我們的無人物流車能夠在復雜的環境下飛行。

第二是成本。在開放的道路上測試不考慮成本，因為它仍然是一個科研，它不面向業務和產品。但碼頭物流就不一樣了，它的產品化越來越近了。我們應該真正考慮它能創造多少收入，成本限制是多少。一輛十幾萬的車，自己都養不起。這和開放道路上的無人車是兩個不同的話題。

第三是穩定。無人車系統如何做到7*24小時，在不同天氣、不同環境下實現穩定可靠的運輸？無人車如果成為一個業務和產品，就必須隨時有人值守。這個問題的解決不應該局限于算法的解決。自動駕駛處于一個大的物流系統中，很多單點問題，如果用算法解決，永遠解決不了。要考慮如何利用系統的力量和產品的設計，讓業務運轉起來。

阿里終端物流的實踐

所以阿里在系統設計和鏈接開放上做了很多事情。今天我想說說阿里在算法和技術上做了什么。

聰明。我們希望這輛車是智能的，能處理不同的情況，不同的場景，能飛得跟飛一樣快。和其他公司一樣，我們也做感知、定位、決策、管控，但不同的是，我們提出了“小前臺、大中臺”的理念

我們認為感知、定位、決策、控制四個模塊是人工智能算法模塊，本質上需要底層驅動。很多人都在說人工智能，但我覺得應該叫計算智能。人工智能就是和人一樣聰明，但是不靠譜。我們要造飛機，不可能像鳥一樣做鐵翅膀。這不是一個正確的想法。我們要利用計算機的特性，從數據和計算中尋找智能的來源，所以應該叫計算智能。

“小前臺、大中平臺”的本質是構建一個計算驅動、數據驅動的賦能組織，讓不同的算法減少對人工設計的依賴。因為人工設計的本質是將人的知識轉化為智能，但人的理解是非常膚淺的，很難理解圖像和激光雷達在高維空間的表達。過去十年，機器學習和人工智能的發展本質上都遵循了一個規律，人類的設計是靠不住的。我們應該用計算和自動化代替手工設計，從而帶來改進。

最初，我們的分類器是規則分類。我們發現手工設計的特點很明顯，所以用深度學習代替手工設計成為自動學習的特點。

二是傳感器、計算平臺等硬件。人工智能的發展是一個計算代替人工設計的過程。即使在今天，我們發現在感知、定位、決策、控制等模塊中，都存在大量的人為設計。這些設計不僅降低了開發效率，還需要大量的工程師投入，嚴重降低了整個模塊的質量。我們希望通過計算智能的手段來解決。在硬件上，我們做了很多事情來降低硬件成本，把功耗降下來。在定位模塊和傳感器模塊中，我們根據算法要求更進一步。因為很多硬件不是為自動駕駛和無人物流車設計的，這些設計要么太多余，要么不能滿足需求，所以……e一定要下去，越做越深。

第三是綜合系統，它應確保穩定性。永遠不要讓所有的問題都被自動駕駛解決。我們要做的是面向客戶的產品，很多時候可以用系統的方法。遠程人機共駕就是一個非常好的案例。無人物流車的優勢是速度低，可以隨時停下來呼叫遠程控制中心。未來只要把人力成本降到足夠低，就可以實現一個人看100輛車，甚至1000輛車。

我們希望建立一個計算中心，賦能所有算法，減少人工設計。這有點類似于自主機器學習。在過去的實踐中，大家做的任務都比較簡單，比如文字識別、圖像識別等。主要搜索是感知網絡結構和超參數，這是有限的。但是在我們的AutoDrive平臺中，我們對其進行了擴展，支持全鏈路的需求，支持感知、規劃、定位和控制。

同時，為了支撐整個鏈路，我們做了大量的工程工作，一個典型的案例就是仿真。例如，學習決策規劃算法不是一個簡單的圖像識別問題。這條路徑開的好嗎，能達到要求嗎？包括評估機制和模擬機制，都是非常困難的任務。在這方面，我們搭建了一個比較完善的平臺，支持全鏈路的學習。

基于這個平臺，我們所有算法工程師都可以把很多需要手工設計的內容交給平臺。

在實踐中，我們也取得了一些成果，比如紅綠燈識別。我們在AutoDrive平臺上搜索到的結構不僅效果更好，更重要的是它的計算和結構都比較簡單。

很好理解。因為工程師在做網絡設計的時候首要的想法就是保證效果，他會為了效果把各種結構加起來，從而提高效果。但這里面可能有很多冗余，工程師并不知道。所以人們的了解非常有限，很難穿透網絡結構，直觀地了解發生了什么。通過數據驅動的方式，可以去除系統中的冗余結構，找到核心表達式。

除了感知，我們還在決策規劃中使用該平臺。終端場景中的車與人的交互非常重要，一輛決策非常謹慎的車在終端場景中是很難移動的。如果設計的很簡單，可能會出現車輛撞到人的情況。那么哪個狀態更好呢？人類的理解很難做到，所以可以通過自動化找到更好的權衡。

另外，在實踐中，我們還做了一些其他的實踐，比如汽車ISP。目前車載領域滿足夜視需求的產品并不多。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。與行業標準方案相比，新ISP對算法很有幫助。

從這個角度來看，自動駕駛最終的發展必然是越來越偏向于軟硬件的融合。硬件如何為軟件服務，軟件如何定義硬件，必須放在一起考慮。

此外，我們還制定了高精度定位和低成本的方案。如果用大廠的定位方案，一套系統可能要幾十萬，非常貴，所以系統無法支持車輛的產品化。所以我們把定位系統的成本做得很小，實際運行也很穩定。

在演示展示中可以看到，兩個礦泉水瓶相隔1米，阿里的無人駕駛物流車寬95厘米，也就是左右兩邊一共留出了5厘米的空間。我們的定位方案經過了上百次的測試，實現了非常穩定準確的定位。

最后是系統部分。我們的系統設計有多重安全保障，因為確保安全是無人車運營的基石和底線。我們的被動安全設計包括遠程監控和人機共駕，這是系統必不可少的一部分。

(雷鋒網)雷鋒網(微信官方賬號:雷鋒網)

雷鋒的原創文章。未經授權，禁止轉載。詳見轉載說明。2020年8月7日，全球人工智能與機器人峰會(CCF-GAIR 2020)正式開幕。CCF-GAIR 2020峰會由中國公司主辦……uter federation (CCF)，由香港中文大學(深圳)和雷鋒網(微信官方賬號:雷鋒網)聯合主辦，鵬程實驗室和深圳人工智能與機器人研究所協辦。

作為中國最具影響力和前瞻性的前沿科技活動，CCF-GAIR大會已經走過了四個精彩而輝煌的歷程。CCF-GAIR 2020延續了以往的強大陣容，提供了15場專場(人工智能前沿場、機器人前沿場、智能駕駛場、AIoT場、AI芯片場、視覺智能、城市IoT場、愛源創場、AI+藝術場、企業服務場、工業互聯網場、AI金融場、醫療科技場、智慧城市場、聯邦學習和大數據隱私場)。

在智能駕駛專場中，全球MIT TR35獲獎者、人工智能頂級期刊IEEE TPAMI編委、ICCV/CVPR/ECCV菲爾德董事長、阿里自動駕駛實驗室主任王剛做了“面向終端物流的無人駕駛技術”的主題演講。

目前阿里巴巴致力于無人物流行業，包括終端物流最后3公里，城市開放道路配送。

王剛在會上表示，碼頭物流看似簡單，但實際上并不容易。首先，與城市道路相比，非結構化末端道路更加嚴重；其次，產品落地中的終端物流成本也要考慮；第三，產品系統要全天候，不同條件下穩定，這些都是挑戰。

因此，在算法的智能化方面，阿里提出了“小前臺，大中平臺”的概念，希望構建一個計算和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，打造專為自動駕駛和無人物流設計的硬件。

在系統架構層面，王剛認為自動駕駛系統應該是穩定的，可以通過遠程人際駕駛的方式實現安全冗余。

以下是王剛演講的全文。雷鋒新智經編輯不改初衷:

大家好，我是王剛，非常榮幸能和大家分享阿里巴巴對自動駕駛的思考和實踐。阿里的自動駕駛定位和使命和其他很多公司不太一樣。大家說的自動駕駛很多都和RoboTaxi、高級輔助駕駛有關，但阿里致力于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:商業需求、社交需求、機遇和希望。

碼頭物流和開路物流齊頭并進。

阿里擁有全球最大的物流需求量和最豐富的場景。從電商菜鳥、同城零售到本地生活，每天都有數以億計的快遞、外賣、零售訂單需要送達消費者手中。自動駕駛物流并不是要在阿里內部創造一個新的賽道。反而是阿里生態非常自然的延伸，可以配合內部業務。以業務為牽引，以場景為驅動，推動阿里自動駕駛技術的提升。

阿里解決的不僅是內部問題，還有社會問題。未來人口老齡化肯定會帶來沖擊。有預測說未來每天的快遞會達到十億單的規模。如果不能智能化，物流行業就無法承載如此龐大的單量運輸。

目前，在物流行業，阿里專注于兩個方面:

首先是終端投放，終端是指最后3公里，包括公園、社區、校園等場景。同時，阿里還注重城市開放道路的分布，滿足同城物流和零售的需求。

目前，開放道路上的自動駕駛還處于探索或研發階段。我認為挑戰在于自動駕駛系統不知道自己不知道什么。人工智能是一門實驗學科，由數據驅動，本質上是從例子中學習。但是對于自動駕駛車輛來說，很多場景是沒見過的，系統不知道什么是不知道的。因此，開放道路的無人駕駛需要對開放道路進行更多的研發。

對終端物流的需求也很大，關鍵在于成本。如果成本不高，為什么不享受自動化服務呢？最后落地會帶來很多便利。與開放道路不同的是，碼頭自動駕駛物流系統只需要知道自己知道什么。因為終點道路的速度和周圍參與者的速度都比較慢，所以我們可以用系統的手段來解決不確定的情況。換句話說，不要求解決場景的所有問題，只要求解決頭部確定性的問題。

我們可以重新定義自動駕駛，向前發展系統，讓每個模塊確定自己知道什么，了解模塊之間的合作。通過思維方式的改變，我認為未來幾年，低速無人車必然會帶來產品化、規模化、落地化。

在我們終端運營之前，一年多前就開始了校園、小區、園區三個場景的真正物流配送。不僅僅是Demo或者玩具，它每天都給成千上萬的消費者帶來便利。我們在雙11的時候，我們的無人車每天能送3000單。

一開始我們以為更大更重的包裹有無人配送的需求，但最后我們發現，即使是小件快遞，用戶也有無人車送貨上門的需求。隨著科技的發展，我們把更多的時間花在開心的事情上，而不是在烈日下送快遞。

終端自動駕駛后勤的技術要求……從技術的角度來說，與開放的道路相比，碼頭物流有很大的便利性，但這并不是一件很簡單的事情，但仍然有很多制約因素。

一個是智力。雖然碼頭物流的道路速度相對于城市道路沒有那么快，但其非結構化程度更為嚴重，包括道路堆和人車混流。我們對Waymo的自動駕駛記錄和我們的自動駕駛記錄進行了調查，無人車在什么情況下需要做出橫向決策或改變。我們的終端車輛大概比Waymo多20-30倍。如果Waymo一公里做一次，我們的車一公里就要做二三十次橫向決策。從另一個維度來說，是一件更有挑戰性的事情，要求我們的無人物流車能夠在復雜的環境下飛行。

第二是成本。在開放的道路上測試不考慮成本，因為它仍然是一個科研，它不面向業務和產品。但碼頭物流就不一樣了，它的產品化越來越近了。我們應該真正考慮它能創造多少收入，成本限制是多少。一輛十幾萬的車，自己都養不起。這和開放道路上的無人車是兩個不同的話題。

第三是穩定。無人車系統如何做到7*24小時，在不同天氣、不同環境下實現穩定可靠的運輸？無人車如果成為一個業務和產品，就必須隨時有人值守。這個問題的解決不應該局限于算法的解決。自動駕駛處于一個大的物流系統中，很多單點問題，如果用算法解決，永遠解決不了。要考慮如何利用系統的力量和產品的設計，讓業務運轉起來。

阿里終端物流的實踐

所以阿里在系統設計和鏈接開放上做了很多事情。今天我想說說阿里在算法和技術上做了什么。

聰明。我們希望這輛車是智能的，能處理不同的情況，不同的場景，能飛得跟飛一樣快。和其他公司一樣，我們也做感知、定位、決策、管控，但不同的是，我們提出了“小前臺、大中臺”的理念

我們認為感知、定位、決策、控制四個模塊是人工智能算法模塊，本質上需要底層驅動。很多人都在說人工智能，但我覺得應該叫計算智能。人工智能就是和人一樣聰明，但是不靠譜。我們要造飛機，不可能像鳥一樣做鐵翅膀。這不是一個正確的想法。我們要利用計算機的特性，從數據和計算中尋找智能的來源，所以應該叫計算智能。

“小前臺、大中平臺”的本質是構建一個計算驅動、數據驅動的賦能組織，讓不同的算法減少對人工設計的依賴。因為人工設計的本質是將人的知識轉化為智能，但人的理解是非常膚淺的，很難理解圖像和激光雷達在高維空間的表達。過去十年，機器學習和人工智能的發展本質上都遵循了一個規律，人類的設計是靠不住的。我們應該用計算和自動化代替手工設計，從而帶來改進。

最初，我們的分類器是規則分類。我們發現手工設計的特點很明顯，所以用深度學習代替手工設計成為自動學習的特點。

二是傳感器、計算平臺等硬件。人工智能的發展是一個計算代替人工設計的過程。即使在今天，我們發現在感知、定位、決策、控制等模塊中，都存在大量的人為設計。這些設計不僅降低了開發效率，還需要大量的工程師投入，嚴重降低了整個模塊的質量。我們希望通過計算智能的手段來解決。在硬件上，我們做了很多事情來降低硬件成本，把功耗降下來。在定位模塊和傳感器模塊中，我們根據算法要求更進一步。因為很多硬件不是為自動駕駛和無人物流車設計的，這些設計要么太多余，要么不能滿足需求，所以……e一定要下去，越做越深。

第三是綜合系統，它應確保穩定性。永遠不要讓所有的問題都被自動駕駛解決。我們要做的是面向客戶的產品，很多時候可以用系統的方法。遠程人機共駕就是一個非常好的案例。無人物流車的優勢是速度低，可以隨時停下來呼叫遠程控制中心。未來只要把人力成本降到足夠低，就可以實現一個人看100輛車，甚至1000輛車。

我們希望建立一個計算中心，賦能所有算法，減少人工設計。這有點類似于自主機器學習。在過去的實踐中，大家做的任務都比較簡單，比如文字識別、圖像識別等。主要搜索是感知網絡結構和超參數，這是有限的。但是在我們的AutoDrive平臺中，我們對其進行了擴展，支持全鏈路的需求，支持感知、規劃、定位和控制。

同時，為了支撐整個鏈路，我們做了大量的工程工作，一個典型的案例就是仿真。例如，學習決策規劃算法不是一個簡單的圖像識別問題。這條路徑開的好嗎，能達到要求嗎？包括評估機制和模擬機制，都是非常困難的任務。在這方面，我們搭建了一個比較完善的平臺，支持全鏈路的學習。

基于這個平臺，我們所有算法工程師都可以把很多需要手工設計的內容交給平臺。

在實踐中，我們也取得了一些成果，比如紅綠燈識別。我們在AutoDrive平臺上搜索到的結構不僅效果更好，更重要的是它的計算和結構都比較簡單。

很好理解。因為工程師在做網絡設計的時候首要的想法就是保證效果，他會為了效果把各種結構加起來，從而提高效果。但這里面可能有很多冗余，工程師并不知道。所以人們的了解非常有限，很難穿透網絡結構，直觀地了解發生了什么。通過數據驅動的方式，可以去除系統中的冗余結構，找到核心表達式。

除了感知，我們還在決策規劃中使用該平臺。終端場景中的車與人的交互非常重要，一輛決策非常謹慎的車在終端場景中是很難移動的。如果設計的很簡單，可能會出現車輛撞到人的情況。那么哪個狀態更好呢？人類的理解很難做到，所以可以通過自動化找到更好的權衡。

另外，在實踐中，我們還做了一些其他的實踐，比如汽車ISP。目前車載領域滿足夜視需求的產品并不多。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。與行業標準方案相比，新ISP對算法很有幫助。

從這個角度來看，自動駕駛最終的發展必然是越來越偏向于軟硬件的融合。硬件如何為軟件服務，軟件如何定義硬件，必須放在一起考慮。

此外，我們還制定了高精度定位和低成本的方案。如果用大廠的定位方案，一套系統可能要幾十萬，非常貴，所以系統無法支持車輛的產品化。所以我們把定位系統的成本做得很小，實際運行也很穩定。

在演示展示中可以看到，兩個礦泉水瓶相隔1米，阿里的無人駕駛物流車寬95厘米，也就是左右兩邊一共留出了5厘米的空間。我們的定位方案經過了上百次的測試，實現了非常穩定準確的定位。

最后是系統部分。我們的系統設計有多重安全保障，因為確保安全是無人車運營的基石和底線。我們的被動安全設計包括遠程監控和人機共駕，這是系統必不可少的一部分。

(雷鋒網)雷鋒網(微信官方賬號:雷鋒網)

雷鋒的原創文章。未經授權，禁止轉載。詳見轉載說明。

標簽：遠程發現

汽車資訊熱門資訊