會成為自動駕駛真實落地的黎明么？

自動駕駛正在駛入深水區。無數人正期盼著 L4 或者 L5 級別自動駕駛汽車的到來，但顯然一切還需等待。今年 Uber 自動駕駛致死案更是給所有自動駕駛廠家上了一課。廠商們對技術的倚重和普通人對技術的惶恐指向同一個問題：當自動駕駛進入出行領域，如果無法保障駕駛員、乘客和行人中任意一方的安全，自動駕駛汽車就註定無法真正面世。當涉及到人時，自動駕駛就不再是簡單的技術能否實現的問題。從法律制度再到倫理道德層面，自動駕駛要面臨的爭議遠超想像。

關於自動駕駛爭議的表現出的矛盾是明顯的，我們需要能載人的「自動駕駛汽車」，技術也正在往前進，但要到達「應許之地」還需要高昂和和長期的投入。於是，對於求存的自動駕駛行業而言，現階段最迫切的問題就變成了在真正的自動駕駛汽車出現之前，在特定場景下儘快落地無疑最正確的選擇，因為只有這些特定場景中一步一步的成熟落地，才會有自動駕駛自動駕駛通用場景的最終實現。

在美團無人配送事業部總經理夏華夏看來，無人配送正在成為現階段在開放環境下最可行、最具商業價值的落地場景。為什麼是「無人配送」是最適合落地的場景，「無人配送」又有怎樣的未來？在 Rebuild 2018 科技商業峰會上，夏華夏的演講內容會讓你對自動駕駛和「無人配送」產生新的理解。

以下是夏華夏在極客公園 Rebuild 2018 科技商業峰會上的演講實錄（經過極客公園編輯，略有刪減）：

各位朋友大家上午好。非常高興在極客公園跟大家分享美團做無人配送過程中的一點思考。我們還是從自動駕駛的歷史做一個簡單的回顧。

無人駕駛在學術界有 30 多年的歷史，80 年代，在軍方的資助下，歐美很多大學就開始做自動駕駛的研究，最早是梅隆（卡內基梅隆）大學，他們做了第一台自動駕駛車。他們可以在 CMU 大學校園裡面走。這輛車當時的行駛速度非常慢，大概每秒鐘只能移動幾厘米。90 年代的時候有了非常大的進步，第二張圖是我們在德國的轎車，這輛車在高速公路上可以行駛。

再到 2000 年之後，2004 年開始美國國防部的研究機構他們開始資助美國的無人汽車挑戰賽，剛剛李岩也說，2004 年是沒有哪一輛車成功的。2005 年好幾輛車成功完成 200 多公路的山路的里程。其中一輛是斯坦福大學的教授帶領的團隊做的一輛車。這之後不久被谷歌請過去，籌建了谷歌的無人車團隊，後來獨立出來成立一個子公司 Waymo。Waymo 在 2016 年出的概念車沒有人類用來操控的方向盤和油門，是一個全自動駕駛的概念車。谷歌在工業界最早開始做無人駕駛，有十多年。

「自動駕駛」的現狀：社會輿論下的載人自動駕駛汽車還很遙遠

經過學術界 30 多年，工業界 10 多年的發展自動駕駛汽車有了很長足的進步。但是現狀是什麼樣？

美國加州交通部在 2017 年底公布了美國加州做自動駕駛測試的公司測試數據。大家可以看到，每一輛車在平均每行駛多少英里需要人工判斷，需要人工判斷就是系統不能判定周圍環境，如果人不干預就會出事情。平均不需要人工干預的里程越長自動駕駛程度就更高。

谷歌的做到了 8000 多公里不需要人工干預，可以從成都到北京三個來回。看起來是非常好的結果了。但這個結果跟人類的駕駛來比較還是差很遠，大家可以看下面這個小表，就是平均來說人類每出一次事故所駕駛的里程數大概是 16 萬英里，致命要 9000 多公里。所以跟人類相比，自動駕駛還是差很遠很遠。

我們離這個到底有多遠？當然我們首先要把里程數，能自動駕駛的里程數加上去。加上去之後是不是足夠好？16 年美國有一家公司做了一個數據，說一輛自動駕駛汽車比人類駕駛得好需要有一個概率的問題，我要讓人相信這一輛車已經比人類駕駛的情況好一些，那大概需要 110 億英里的里程才能證明。

如果是一支 100 輛車的車隊，他們需要 24 小時不間斷的行駛和加油，需要行駛五百多年才能行駛 110 億英里。這是讓自動駕駛從業人員比較悲觀的數字。由於這個數字太悲觀了，所以這家公司第二年又出了新的報告，說自動駕駛汽車只要跟人類差不多，不用比人類好很多，我們就可以讓它上路。

這個數學模型分析顯示，如果 2020 年自動駕駛汽車跟人類差不多上路，長遠來看它也可以大大的減少我們在道路上發生事故造成死亡的人數。

但是這是一個數學模型，我們的社會不是用數學模型來運轉的。我們的社會輿論、社會倫理、我們的認知是不太允許我們在車還只是覺得跟人差不多的情況下就讓它上路。因為我們對機器致命錯誤的容忍程度是遠遠小於對人類的容忍程度。這種情況下我們怎麼比較快速的推進自動駕駛技術的發展？

難以前進的完全自動駕駛：現實測試投入巨大，虛擬場景測試效果不佳

我總結了大概三條路。第一是不外乎大投入，如果一百輛車需要 500 年那我搞很多車，這也是一些公司在走的道路。比如 Waymo 他們大概一個多月以前宣布，他們要購買 6 萬多輛車來改成自動駕駛汽車，然後做自動駕駛汽車的一些測試運營和研發。同一天另外一家汽車公司從軟銀融到 20 多億美金，也是用於自動駕駛的研發。

谷歌六萬多輛車，原價 4 萬美金，但是改造成自動駕駛汽車，要在上面加很多感測機和計算單元，谷歌有自己硬體團隊，成本已經比市面上成本低很多。比如激光雷達只是平常用的十分之一。但是這樣，我粗略估計改裝完之後一輛車大概 10 萬美金，一共需要 60 多億美元。而且谷歌還不足以做到完全自動駕駛，還需要一個安全駕駛員。加州安全員的工資一小時 20 美金，一年又是 20 多億的投入，這需要很多錢。

對於一些沒有那麼多錢的公司怎麼辦，是不是就不做了？也不是。我們還有一些其他的辦法，比如說我們是不是可以用模擬軟體做自動駕駛研究，市面上也有很多比較好的模擬平台。剛才也有嘉賓提到他們有比較好的模擬軟體。但是我要說的是現在所謂的模擬軟體只能應付一些比較簡單的場景，只能讓我們在自動駕駛技術研發的初期去測試我們的技術，去迭代。

自動駕駛的後期，我們需要測試非常複雜的場景，一些非常少見的很微妙的場景的時候，我們現在的模擬軟體就遠遠不夠。

比如當我們人去駕駛汽車的時候，如果路邊有一個行人，你發現這個行人左右看，他在看路上的車，跟你有一個眼神的交互，你知道這個人看到了我的車，那我可以放心大膽的往前走，我知道這個人如果不是碰瓷的話不會過來撞我的車。

如果一個人戴著耳機，也沒有看你，這個人類的駕駛員就會把車減速甚至停下來，讓這個人先通過。如果碰到了老人、小孩，他的行為就更不一樣，如果是一個小動物，比如路上穿過一個小狗，這個行為也很不一樣。

甚至還有更難的，比如袋鼠其實是自動駕駛領域一個非常難解決的問題。在澳大利亞每年因車輛交通事故被撞死的袋鼠就一萬多。因為袋鼠的速度非常快，行徑軌跡也非常飄忽。我們模擬軟體如何建立這種不同的運動物體的模型是非常難的。如果要做好全特徵的模擬軟體，難度不亞於做高度自動駕駛的系統。

「無人配送」或許是開放環境下自動駕駛目前最正確的落地場景

花錢也不行，模擬也不行，那有沒有其他的方法？

我們是不是可以把自動駕駛系統在一些可以實際應用落地的場景裡面去落地應用。讓它產生一些經濟效益，讓它產生一些收入，我們可以用這個收入來跟我們的投入抵消，這樣也可以做很多很大量的投入。怎麼樣選一些合適的場景？什麼樣的場景是適合於我們快速落地的？

如果去選擇的時候我把整個選擇的空間去看看有哪一些緯度，這裡面有四個緯度：

第一個緯度是在乘用車還是非乘用車的場景下測試，就是載人還是不載人，差異是非常大的。因為載人的車輛要做得大，做得重，安全性非常重要，因為要保護車內的乘客。還有就是舒適性要求非常高，不能讓乘客暈車，所以不能急剎車，不能非常快速的拐彎。所以對於車輛的控制演算法要求就很高。第三對速度要求一般都是要求高速，因為人很容易失去耐心，在低速的場景下很容易暴躁。

第二個緯度就是高速還是低速。因為高速不管是對感測器還是演算法都非常高，它需要感測器能夠感知更遠範圍的障礙物，而且需要計算速度足夠快，可以對一些緊急情況做快速的反應。

第三個維度是重量級還是輕量級，因為車子越重對周圍物體周圍的人產生危險的可能性越大，風險越大。

最後一個緯度是在特定道路還是非特定道路上運行。在特定道路相對來說比較容易，因為所有道路的場景，包括路標，包括紅路燈都是事先知道的，可以做很多預先的針對性的優化。但是如果是開放道路，我們就需要讓我們自動駕駛的演算法去準備好，去應付一些未知的場景。可能還有一些其他的緯度，當我們把這些緯度一列，可以把這個空間分割成很多不同的小格子。比如四個緯度就分割成 16 個格子，就在裡面找哪一些是適合我們在短時間快速落地的。

我認為有部分場景是可以在兩三年之內比較容易落地的。第一是低速的乘用車，並且是在特定道路裡面的乘用車。之所以特定道路是因為剛才講乘用車大家希望高速但現在基本不可能，因此低速在特定道路下才有商業價值。比如一些園區內的觀光瀏覽車是一個比較好的落地例子。

第二個是重量級的高速的非乘用車，但是在特定道路裡面行駛。比如在高速，只在高速上行駛，比如現在有一些公司在做幹線的物流車，在特定道路上我們就可以做一些針對性的優化。

第三類是非乘用，車很大，但是是低速的。一旦是低速我們也就比較容易解決。比如在一些礦區，然後有一些礦車，或者在一些碼頭有一些集裝箱的裝卸車，這些都比較容易做成自動駕駛。

第四類是輕量級的低速的非乘用車，因為這種車又低速又輕，我們認為它可以在開放道路裡面比較好的行駛，這個就是後面講的末端的物流車。在這幾個例子裡面我們發現只有第四類在開放道路裡面，需要用戶的場景比較多，可以給無人駕駛技術提供更多豐富的場景和數據。

美團的無人配送做的就是開放道路的末端物流。就是通過雲端中樞的智能調度進行最後三公里的運輸。用戶在網上點餐我就可以派車去商場去餐館取餐，然後通過幾公里到達小區或者寫字樓，送到用戶的手裡。就是這樣一個場景。這個場景為什麼比較容易落地？

我認為歸納有四個特點：小青曼舞（小、輕、慢、物）。小是因為我裝盒飯，盒飯比較小，所以我的車子也可以做得比較小。現在做配送的車寬度是 50 到 100 厘米左右，寬度不會超過 2 米。這麼小重量也會輕一些，幾十公斤到幾百公斤。速度也會比較慢，外賣一般在三公里的範圍，美團配送時長一般是 30 分鐘送達。3 公里範圍 30 分鐘送達，平均時速 20 公里就夠了，我們車設計在 40 到 50 公里。最後是物，送的是盒飯，尺寸比較標準，急剎車等等都沒有關係，就比較容易落地。

當用戶下單之後就會把指令發給小車，小車就會去餐館那邊把盒飯取過來。取過來之後就可以在路上行駛，可以自動檢測路上障礙物、紅綠燈，當它到小區或者到寫字樓的時候，它也可以跟電梯做智能的交互，可以通過無線信號，可以發出指令上下電梯。接近用戶的時候會給用戶發簡訊，告訴用戶你的餐到了，你的開箱密碼是什麼，用戶就可以用密碼打開取餐。

整體來說，我們認為我們這個場景對整個自動駕駛技術都是非常有幫助的，第一是說我們有非常豐富的場景，因為美團點評覆蓋全國 2800 個城市，從北到南，而且一年 365 天四季都在運行，不同的天氣都在跑，有各種各樣的場景，覆蓋所有的城市道路，就可以給自動駕駛提供豐富的數據。

第二有足夠大的容量，到目前為止美團外賣日完成訂單量 2100 萬單，配送員有 50 多萬。我們認為未來很容易在這上面部署幾十萬甚至幾百萬台無人配送的小車。我計算過我們如果有一百萬台小車，大概一個兩月就可以跑完前面提到的 110 億英里，所以是一個非常大的場景優勢。

第三就是非常完備的運營體系，我們地麵糰隊可以跟餐館談，跟物業談，跟小區寫字樓談，可以讓我們小車進各種場景。同時在全國各地有那麼多騎手，需要的時候很多騎手可以快速轉變成小車的運營團隊，可以幫我們做維修保養充電等等。

我們也覺得既然美團有這麼大的容量，這麼好的運行體系，我們也希望把這個場景開放出來給合作夥伴，讓做無人駕駛的同行可以一起在這個環境裡面進行無人駕駛技術的研發和迭代。

我認為自動駕駛技術離成熟還有很遠的距離，但是我們技術要快速的迭代，要快速落地，需要一個快速應用的場景。這裡面我們認為美團的外賣配送就是極好的全場景的快速落地的應用場景。我們做無人配送也希望有很多的合作夥伴，上下游的合作夥伴跟我們一起合作，共同一起努力達成我們的願景：用無人駕駛技術讓服務觸達世界每個角落。我相信這個願景我們一定會實現。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！