賈浩楠 發自 凹非寺
量子位 報道 | 公眾號 QbitAI
這是今年雙11，中國200多個高校里的收快遞方式。
身材不高的小蠻驢物流無人車，滿載啟動，走位靈活。
于此同時，躺在宿舍床上的你接到一通電話，一個可愛的聲音提醒你包裹到了，下樓就能取。
走到宿舍樓下，掃碼打開小蠻驢貨箱，拿走自己的包裹，轉身上樓。
再也不用在寒風中橫穿大半個校園去快遞點翻檢自己的包裹了。
這個場景，今年雙11期間，已經在全國各地200多個高校上演1000000次！
解鎖成就的主角，是阿里達摩院的末端配送無人車小蠻驢，10天內配送了超過100萬件包裹，實現了L4級自動駕駛在落地規模和運營單量上的新高。
在購物節的氛圍里，可以說是自動駕駛版本的“騎驢趕集”了。此時距離小蠻驢的發布僅有1年多時間，去年這款無人車亮相時，達摩院曾強調其 “具備量產水平”。現在看來，此言不虛。
相比高速載人，無人配送擁有更明朗的中短期落地前景，幾乎已成行業共識。在這一賽道，技術和場景皆是明牌，問題只有一個，誰先跑出來？
速度，說明一切。
小蠻驢速度
完成這100萬單，出動了350多輛小蠻驢。
10月下旬以來，小蠻驢就開始加班加點備戰雙11，進入全國高校，把菜鳥驛站的包裹送往學生宿舍樓。在11月1日到10日，它們以日均10萬件的速度瘋狂“跑單”。
平均到每車，一天接近300單，甚至還有一批“驢中勞模”每天要送超過500件快遞，這個數字已經達到小蠻驢的最大設計單量。
500+紀錄的誕生，多虧河北工程大學、遵義醫藥高等專科學校的同學“剁手”
。
電商的雙11通常在12日的凌晨落幕，物流的雙11則要持續更長時間。小蠻驢原計劃用20天完成百萬單目標，結果，進度條才走到一半，單量已經達標。
既創造小蠻驢自己的紀錄，在無人配送賽道，也是前無古人。
借助這100萬單快遞，無人車第一次見識到了中國地域環境的多樣性。
大江南北200多個場景，無一相同。
北到哈爾濱，南到南寧，西到銀川、昆明，東到長三角沿海城市，各地氣候不盡相同。同一時刻，可能南方城市還溫風和煦，北方城市早已漫天飛雪。
而雙十一第一周，全國大范圍降溫，小蠻驢車隊一次性見識了大風、落葉、降水、霧霾、初雪等等景觀，百分之七八十的車子需要在雨中作業，但仍然順利完成了配送任務。
在不同場景、氣候條件下完成相同的任務，要求自動駕駛技術有良好的泛化能力，也要求調度和運營系統根據實際情況做精細的變通調整。
背后考驗的，是涵蓋算法、系統、硬件、運維在內的全套技術能力，也就是所謂的“可量產、可落地”能力。
從量產這個維度來看，“小蠻驢速度”值得標刻。
因為在L4級高階智能駕駛的商用探索中，無論載人還是載貨，這都是前所未有的。
為什么有這樣的速度？
小蠻驢要實現這樣的速度，需要哪些條件？
核心仍然是技術。
大學校園這樣的復雜環境中，沒有所謂“交規”，大小目標混行，大至卡車客車，小至路邊小動物，大家都是“看著走”，而且道路通常較為狹窄。
對感知、定位、決策規劃的挑戰貫穿全程。為此，達摩院自動駕駛實驗室開發了一系列軟硬件工具。
針對圖像處理，達摩院自研了用于車載攝像頭的ISP處理器，保障自動駕駛車輛在夜間擁有更好的“視力”，“看”得更清晰，從而大幅提升自動駕駛安全性。
針對障礙物識別，達摩院提出單幀3D點云語義分割算法，以激光雷達回波點云為載體，結合每個3D點不同視角下特征，增強3D點的特征表示能力，由此提高了語義識別的準確性。
△左為原始點云，右為語義分割點云，清晰識別人、車、樹等物體
這項技術應用在小蠻驢后，在行駛途中遇到僅有3厘米的警戒線，也能輕松識別并繞道而行。
而針對定位問題，達摩院搞出了GPS和多傳感器數據“融合”的定位算法實現厘米級定位，并配套研發高精定位硬件HLU，以低于業界平均10%的成本達到同等精度定位水準。
感知、定位，尚屬算法層面問題。
而對算法迭代至關重要的數據，特別是對自動駕駛落地至關重要的長尾問題數據，從哪來？
在實際運營中，自動駕駛車輛遭遇一次長尾問題可能需要1個月甚至更久的時間，達摩院研發了一套混合式仿真測試平臺，讓無人車在仿真世界積累里程和經驗。
平臺可在30秒內即完成雨雪天氣、夜間照明不良條件等特殊場景的構建和測試，每日可支持的場景構建數量達百萬級。
這樣的條件支持下，系統一天可仿真路測800萬公里。
每個環節都有針對性方案，但從全局看如何提高算法迭代效率呢？
達摩院自動駕駛實驗室提出了“小前臺、大中臺”算法架構，并研發了業界獨有的自動駕駛機器學習平臺 AutoDrive，由機器替代人工進行算法調參、模型優化，提升算法研發效率。
基于 AutoDrive“大中臺”的支持，感知、定位、決策規劃等“小前臺”不斷提出更輕、更快的算法模型。
為了讓無人車的成本達到“可量產”水平，小蠻驢用技術換成本，用成本換時間。本質上，仍然是逢山開路遇水搭橋的硬核技術做派。
除了技術，解釋“小蠻驢速度”另一關鍵因素是場景，以及達摩院自動駕駛落地路線的選擇。
大學校園、低速配送。
校園是一個權責歸屬明確的ODD區域，低速無人車不存在路權身份的界定難題。
而配送車的低速特性，又使其安全性有所保證，與管理方接洽準入方面有天然優勢。
其次，阿里生態優勢。
包裹訂單從電商平臺來，經由菜鳥這樣的物流網絡分發，抵達菜鳥驛站之后，再由無人車完成最后三公里的配送，無縫切入，即插即用。
無人車配送還解決了解決物流鏈路上成本最高、效率最低的末端需求，給原有業務提供價值增量。
最后也是最重要的：有切實需求。
大學生的包裹、外賣業務密度高，取用卻一直不方便，疫情開始后更如此。
?
最近，四川、浙江等地就有學校響應疫情防控政策，引進小蠻驢在校內配送外賣，也就是把食堂的飯菜送到學生宿舍樓、教師行政樓等等，減少人與人之間的接觸。
綜合起來，技術到位、場景合適、需求又明確，再加上中國有如此之多的大學校園、企業園區和居民小區…
小蠻驢速度，也就自然而然，情理之中。
但緊接而來的問題是：
小蠻驢的這種速度和模式，別人可復制嗎？
可以模仿，無法復制的小蠻驢路線
自動駕駛有兩大主流的技術路線，一是從L2到L4的縱向技術迭代路線，二是L4級橫向場景拓展路線。達摩院選擇了后者。
達摩院自動駕駛實驗室負責人王剛表示，他自始至終認定L4級技術，希望從垂直領域起步，在非載人駕駛場景下完成技術累積，逐步切換到無人卡車、移動機器人等泛化場景。小蠻驢正是基于這一技術路線產生的產品。
但在最早聽到“我們要生產物流車”時，實驗室很多技術人都有些失望，他們來到達摩院，多半是為了“做一款酷炫的自動駕駛產品”。而看上去其貌不揚的物流車，實在不怎么令人興奮。
上面這張照片，是2017年阿里自動駕駛團隊早期的測試車。和所有自動駕駛公司一樣，他們最早也在乘用車上堆技術棧、做路測、跑算法，甚至改造了幾十輛乘用車。做乘用車，看上去是想都不用想的選項。
但王剛覺得，自動駕駛真正難的不是花錢堆硬件，而是從demo到落地的那段路途。
他想避開遙遙無期的“燒錢路線”，也就是燒錢研發-產品路測-爭取投資-繼續燒錢。
通過“產品驅動”，做一款成熟產品去解決真正的社會需求，靠產品價值牽引自動駕駛的規模化落地。
阿里的業務生態，正好提供了需求土壤：物流。
中國每天產生3億件快件，它們從產地、貨倉，經由交通干線、城配線路，流入社區、校園等終端。
在包裹逐年遞增、勞動力日益短缺的壓力下，整個鏈路都有無人化需求。達摩院的技術+菜鳥物流的場景，最終催生了其貌不揚但大巧若拙的小蠻驢。
到了幾年后的今天，“先發”的RoboTaxi賽道還是步履維艱。業界普遍認為，無人駕駛，尤其是L4高階無人駕駛功能的規模化落地，貨運快于乘用，載貨快于載人，低速快于高速。
阿里布局自動駕駛不算早，但在這一輪對L4自動駕駛的“科學求解”中，達摩院更快明確了路徑，有所為有所不為，雖然 “后發”，但應用落地 “先至”。這是用戰略思考換來的“后發空間”。
目前，瞄準干線物流的無人卡車“大蠻驢”，也已啟動研發。王剛承諾給實驗室員工的“場景拓展”畫面，開始變得具象。
本文首發于微信公眾號：量子位。文章內容屬作者個人觀點，不代表和訊網立場。投資者據此操作，風險請自擔。
