贾浩楠 发自 凹非寺 量子位 报道 | 公众号 QbitAI
这是今年双11，中国200多个高校里的收快递方式。
身材不高的小蛮驴物流无人车，满载启动，走位灵活。
于此同时，躺在宿舍床上的你接到一通电话，一个可爱的声音提醒你包裹到了，下楼就能取。
走到宿舍楼下，扫码打开小蛮驴货箱，拿走自己的包裹，转身上楼。
再也不用在寒风中横穿大半个校园去快递点翻检自己的包裹了。
这个场景，今年双11期间，已经在全国各地200多个高校上演1000000次！
解锁成就的主角，是阿里达摩院的末端配送无人车小蛮驴，10天内配送了超过100万件包裹，实现了L4级自动驾驶在落地规模和运营单量上的新高。
在购物节的氛围里，可以说是自动驾驶版本的“骑驴赶集”了。此时距离小蛮驴的发布仅有1年多时间，去年这款无人车亮相时，达摩院曾强调其 “具备量产水平”。现在看来，此言不虚。
相比高速载人，无人配送拥有更明朗的中短期落地前景，几乎已成行业共识。在这一赛道，技术和场景皆是明牌，问题只有一个，谁先跑出来？
速度，说明一切。
小蛮驴速度
完成这100万单，出动了350多辆小蛮驴。
10月下旬以来，小蛮驴就开始加班加点备战双11，进入全国高校，把菜鸟驿站的包裹送往学生宿舍楼。在11月1日到10日，它们以日均10万件的速度疯狂“跑单”。
平均到每车，一天接近300单，甚至还有一批“驴中劳模”每天要送超过500件快递，这个数字已经达到小蛮驴的最大设计单量。
500 纪录的诞生，多亏河北工程大学、遵义医药高等专科学校的同学“剁手”
。
电商的双11通常在12日的凌晨落幕，物流的双11则要持续更长时间。小蛮驴原计划用20天完成百万单目标，结果，进度条才走到一半，单量已经达标。
既创造小蛮驴自己的纪录，在无人配送赛道，也是前无古人。
借助这100万单快递，无人车第一次见识到了中国地域环境的多样性。
大江南北200多个场景，无一相同。
北到哈尔滨，南到南宁，西到银川、昆明，东到长三角沿海城市，各地气候不尽相同。同一时刻，可能南方城市还温风和煦，北方城市早已漫天飞雪。
而双十一第一周，全国大范围降温，小蛮驴车队一次性见识了大风、落叶、降水、雾霾、初雪等等景观，百分之七八十的车子需要在雨中作业，但仍然顺利完成了配送任务。
在不同场景、气候条件下完成相同的任务，要求自动驾驶技术有良好的泛化能力，也要求调度和运营系统根据实际情况做精细的变通调整。
背后考验的，是涵盖算法、系统、硬件、运维在内的全套技术能力，也就是所谓的“可量产、可落地”能力。
从量产这个维度来看，“小蛮驴速度”值得标刻。
因为在L4级高阶智能驾驶的商用探索中，无论载人还是载货，这都是前所未有的。
为什么有这样的速度？
小蛮驴要实现这样的速度，需要哪些条件？
核心仍然是技术。
大学校园这样的复杂环境中，没有所谓“交规”，大小目标混行，大至卡车客车，小至路边小动物，大家都是“看着走”，而且道路通常较为狭窄。
对感知、定位、决策规划的挑战贯穿全程。为此，达摩院自动驾驶实验室开发了一系列软硬件工具。
针对图像处理，达摩院自研了用于车载摄像头的ISP处理器，保障自动驾驶车辆在夜间拥有更好的“视力”，“看”得更清晰，从而大幅提升自动驾驶安全性。
针对障碍物识别，达摩院提出单帧3D点云语义分割算法，以激光雷达回波点云为载体，结合每个3D点不同视角下特征，增强3D点的特征表示能力，由此提高了语义识别的准确性。
△ 左为原始点云，右为语义分割点云，清晰识别人、车、树等物体
这项技术应用在小蛮驴后，在行驶途中遇到仅有3厘米的警戒线，也能轻松识别并绕道而行。
而针对定位问题，达摩院搞出了GPS和多传感器数据“融合”的定位算法实现厘米级定位，并配套研发高精定位硬件HLU，以低于业界平均10%的成本达到同等精度定位水准。
感知、定位，尚属算法层面问题。
而对算法迭代至关重要的数据，特别是对自动驾驶落地至关重要的长尾问题数据，从哪来？
在实际运营中，自动驾驶车辆遭遇一次长尾问题可能需要1个月甚至更久的时间，达摩院研发了一套混合式仿真测试平台，让无人车在仿真世界积累里程和经验。
平台可在30秒内即完成雨雪天气、夜间照明不良条件等特殊场景的构建和测试，每日可支持的场景构建数量达百万级。
这样的条件支持下，系统一天可仿真路测800万公里。
每个环节都有针对性方案，但从全局看如何提高算法迭代效率呢？
达摩院自动驾驶实验室提出了“小前台、大中台”算法架构，并研发了业界独有的自动驾驶机器学习平台 AutoDrive，由机器替代人工进行算法调参、模型优化，提升算法研发效率。
基于 AutoDrive“大中台”的支持，感知、定位、决策规划等“小前台”不断提出更轻、更快的算法模型。
为了让无人车的成本达到“可量产”水平，小蛮驴用技术换成本，用成本换时间。本质上，仍然是逢山开路遇水搭桥的硬核技术做派。
除了技术，解释“小蛮驴速度”另一关键因素是场景，以及达摩院自动驾驶落地路线的选择。
大学校园、低速配送。
校园是一个权责归属明确的ODD区域，低速无人车不存在路权身份的界定难题。
而配送车的低速特性，又使其安全性有所保证，与管理方接洽准入方面有天然优势。
其次，阿里生态优势。
包裹订单从电商平台来，经由菜鸟这样的物流网络分发，抵达菜鸟驿站之后，再由无人车完成最后三公里的配送，无缝切入，即插即用。
无人车配送还解决了解决物流链路上成本最高、效率最低的末端需求，给原有业务提供价值增量。
最后也是最重要的：有切实需求。
大学生的包裹、外卖业务密度高，取用却一直不方便，疫情开始后更如此。
最近，四川、浙江等地就有学校响应疫情防控政策，引进小蛮驴在校内配送外卖，也就是把食堂的饭菜送到学生宿舍楼、教师行政楼等等，减少人与人之间的接触。
综合起来，技术到位、场景合适、需求又明确，再加上中国有如此之多的大学校园、企业园区和居民小区…
小蛮驴速度，也就自然而然，情理之中。
但紧接而来的问题是：
小蛮驴的这种速度和模式，别人可复制吗？
可以模仿，无法复制的小蛮驴路线
自动驾驶有两大主流的技术路线，一是从L2到L4的纵向技术迭代路线，二是L4级横向场景拓展路线。达摩院选择了后者。
达摩院自动驾驶实验室负责人王刚表示，他自始至终认定L4级技术，希望从垂直领域起步，在非载人驾驶场景下完成技术累积，逐步切换到无人卡车、移动机器人等泛化场景。小蛮驴正是基于这一技术路线产生的产品。
但在最早听到“我们要生产物流车”时，实验室很多技术人都有些失望，他们来到达摩院，多半是为了“做一款酷炫的自动驾驶产品”。而看上去其貌不扬的物流车，实在不怎么令人兴奋。
上面这张照片，是2017年阿里自动驾驶团队早期的测试车。和所有自动驾驶公司一样，他们最早也在乘用车上堆技术栈、做路测、跑算法，甚至改造了几十辆乘用车。做乘用车，看上去是想都不用想的选项。
但王刚觉得，自动驾驶真正难的不是花钱堆硬件，而是从demo到落地的那段路途。
他想避开遥遥无期的“烧钱路线”，也就是烧钱研发-产品路测-争取投资-继续烧钱。
通过“产品驱动”，做一款成熟产品去解决真正的社会需求，靠产品价值牵引自动驾驶的规模化落地。
阿里的业务生态，正好提供了需求土壤：物流。
中国每天产生3亿件快件，它们从产地、货仓，经由交通干线、城配线路，流入社区、校园等终端。
在包裹逐年递增、劳动力日益短缺的压力下，整个链路都有无人化需求。达摩院的技术 菜鸟物流的场景，最终催生了其貌不扬但大巧若拙的小蛮驴。
到了几年后的今天，“先发”的RoboTaxi赛道还是步履维艰。业界普遍认为，无人驾驶，尤其是L4高阶无人驾驶功能的规模化落地，货运快于乘用，载货快于载人，低速快于高速。
阿里布局自动驾驶不算早，但在这一轮对L4自动驾驶的“科学求解”中，达摩院更快明确了路径，有所为有所不为，虽然 “后发”，但应用落地 “先至”。这是用战略思考换来的“后发空间”。
目前，瞄准干线物流的无人卡车“大蛮驴”，也已启动研发。王刚承诺给实验室员工的“场景拓展”画面，开始变得具象。
— 完 —
