$美團-W(HK|03690)$  9 月 16 日，由北京市人民政府、工業和信息化部、公安部、交通運輸部、中國科學技術協會聯合主辦的 2022 世界智能網聯汽車大會，在北京中國國際展覽中心（順義館）开幕。本屆大會以 " 智能加速度 網聯新生態 " 爲主題，包含 1 場开幕式暨主論壇、7 場主題峰會、6 個特色專場、2 場閉門會及 1 場實地調研活動。

在 9 月 17 日順義專場一：高級別自動駕駛技術挑战與產業前景中，美團副總裁、自動車配送部總經理夏華夏發表了題爲" 城市環境自動駕駛的漸進之路 "的演講。

以下內容爲現場演講實錄：

    各位領導、各位嘉賓、各位朋友大家好！非常高興有機會和大家分享一下我們在自動駕駛方面的認知思考以及和大家匯報一下我們最近一年來在自動配送方面的進展。

    首先剛才公祕書長提了一個非常好的問題，就是未來幾年場景能夠實現，這裏面剛好有幾張圖，最重要的認知就是關於這方面，待會會和大家分享。

    到目前看整個自動駕駛行業到了非常關鍵的時間點，就是從早期的技術探索這幾年逐漸步入了商業化探索，首先從自動駕駛政策法規方面，我們看到中央政府、地方政府都發布了各種不同的法規或者示範試點城市，來支持整個自動駕駛的發展。包括中央也發布了智能汽車創新發展战略新能源汽車產業發展战略等產業的規劃，也預示着對自動駕駛產業的發展支持。

    如果從技術和落地應用角度來看，我們已經看到自動駕駛逐步地在一些場景开始進入到規模化落地應用的階段，比如說特定場景下港口、礦山、機場等場景，已經开始逐步地展开應用，在高速公路的場景我們也看到了，比如說自動重卡，很多公司在這裏面做一些探索，在載客運輸和末端配送的商業化探索也有很多公司，包括美團在內，一直在這裏面。但在這背後，我們還是想看一下未來從技術角度，它面臨什么挑战？也就是剛才公祕書長問技術多少年能走到高級別駕駛。

    在回答這個答案之前我想先看一下自動駕駛技術到底在幹嘛？自動駕駛技術其實本質上就是在解決我們自動駕駛汽車在道路上行駛時遇到的各種不同場景，使得我們車在不同場景都能運行，這個場景分各種各樣的維度，比如說交通標識、交通安全設備、各種障礙物以及特殊的商用車、救護車，包括障礙物到底是在停着、开着、上下客等等，也包括雨雪、霧霾等不同的氣候條件，所有維度組合起來是非常大的數字，這裏面列得不全，每一個都會有很多不同的種類。

    比如說這裏面列的紅綠燈，紅綠燈列了一個，但實際上我們在順義區做運營時，發現大概有 60 多種不同的紅綠燈，我們和專家溝通時他們說小看了復雜度，全球大概有 200 多種不同的紅綠燈。這裏面也有人，人也復雜，有行人，行人還分老人、小孩以及青年、學生，這都很不一樣。當所有維度組合起來的時候，我們會發現非常大的場景組合數，這么大的組合我們自動駕駛怎么解決？橫軸是沒有舉出來的場景，縱軸是車在運行中遇到的頻率，遇到的頻率越高我們採集的數據就越多，就越容易解決它。

    我們看到很多不同的自動駕駛運行環境，它遇到的場景是不一樣的。比如說高速場景自動駕駛重卡，它主要是高速上行駛，所以高速上遇到的是車輛交互，可能有車輛加速減速，有換道等等，它會非常集中。但它也有很長的長尾，雖然在高速行駛，至少我在北京高速上見過有騎自行車的，大家有沒有在高速公路上見到人？比如說車壞了就會有人下來，所以說高速上會有停的車，有人和自行車，甚至其他意想不到的場景，所以有個很長的長尾。

    如果我們看城市的自動出租車，它的場景就會更加寬泛，因爲它在城市的各種道路環境裏所遇到的場景更多。我們看低速配送車，它在高速的場景遇到的會很少，但在城市環境裏，機動車道的組合就會比較低頻，但有非常高頻的非機動車道和人和自行車和電瓶車和三輪車的交互，也有高頻的在社區中和障礙物的交互，這是各種自動駕駛所面臨場景的分布示意圖。這張圖從城市場景來看，雖然分布頻率不一樣，但如果真的要解決所有的場景，或者打造高級別自動駕駛的目標，我們認爲它要解決的場景差不多。

    但哪一個先來做，或者哪一個落地時間該怎么判斷，我們需要引入另外一個參數，就是我們去判斷如果這個場景沒有解決好，發生了一次事故，單次事故可能帶來的傷害有多大？簡單地估計一下，我們看運行中的自動駕駛設備容量有多少，質量有多少，最高速到多少，對自動配送車、自動出租車以及自動重卡，它的重量差距是非常大。比如說自動配送車大概幾百公斤，重卡一般高速上是 14 噸起，但重卡還要講究效率所以基本上都是 40、50 噸，速度也會差很多。

    計算下來，如果說自動配送車運行中能量是 E，那自動出租車大概 30 就是自動出租車運行時能量級，自動中重卡大概要 1000，如果把這個系數 到剛才的公式上，大概會得出這樣的示意圖。 1000 數字太大我沒有真的 1000。可以看到自動重卡雖然有細的長尾，但它的系數很大，所以 上 1000 就不是很細的長尾了。這樣 了以後，回答公祕書長的那個問題，自動配送車在不同的場景分布概率下，如果在一定的自動駕駛能力下它的事故成本會是比較低的，可能落地時間會比較早一點。比如說如果我們做到最左邊的虛线是，那看起來解決了很多自動駕駛場景的方案，在這個場景下長尾事故的成本是不能承擔的。但在這個時候還是能找到應用場景，比如說 L2 的輔助駕駛和 ADAS，還有自動駕駛的測試，車上有專有安全員，這時候長尾有司機和專用安全員來兜底。

    再繼續解方案，解到中間會發現我們會比較有信心說不需要專有司機一直在路面，我們可以用一個司機去盯好幾台車，這樣我們認爲它是進入了 L3 或者按照國家標准叫有條件自動駕駛的階段。但即使是到了 L3 我們再往下走，還要走非常遙遠的路，達到 L4，真正做到像人類的駕駛水平差不多的時候，我們才有非常強的信心說基本上不需要安全員來做，因爲自動駕駛的車發生事故概率已經不高於人駕駛了，但這條路會非常長。

    幸運的是在 L2 和 L3 階段已經發現了很多落地的場景，比如說 L2 的 ADAS 以及重卡，可以找到很好的應用場景，在 L3 我們認爲自動配送如果做到 L3，就可以比較好的在場景裏落地了，這是我們去理解自動駕駛事故的分布曲线以及成本，這也是我這次想給大家分享的主要內容。

    因爲美團主要聚焦在自動配送，也給大家匯報一下在自動配送的進展。城市場景的自動配送按照剛才那條曲线來說面臨的場景非常復雜，機動車道、非機動車道都是不同的，需要和很多不同的障礙物做交互，需要有很強的自動駕駛預判能力，需要有很強大的人機交互能力，包括車路人雲的協同能力，可以更好地應對意外，對安全的需求也很高。我舉幾個小的技術問題，比如說需要解決全天候和全場景的感知能力，需要解決霧霾、夜間、雪天和雨天等各種不同場景感知。一些比較難的或者比較有趣的問題，給大家舉幾個，我們在順義跑有時候會在社區中看到路邊有人擺乒乓球台，自動車的激光雷達或者視覺會覺得這很像三輪車，那我們怎么來感知它，比如說在路上能看到很多小動物以及施工區域，也會看到有很多時候會遇到路邊有人坐在那，坐在那可以識別一個人，但是坐着的這個人把他的腿伸到路中間，我們怎么避免不壓到？這都是比較難的感知問題。

    我們在實際工作中就需要做多傳感器的融合，最終做到比較好的融合感知對各種物體做識別。我們也在規劃方面做了安全高效智能的算法，具體的就說了。給大家看三個小例子，可以理解一下我們在做城市自動配送時所面臨的場景是什么，這是一個很典型的，從美團买菜的倉庫出來以後大概有幾百米的路大概路況是這樣，右下角是拍到的路，大屏是自動駕駛把整個感知的事情用圖標標出來。可以看到在路上它和很多行人以及進進出出的車做交互，整個道路就變得非常擁擠。

    再來看在校園做配送時，也會遇到很多有趣的場景。一個是在食堂門口，這就是個方的地方，但是我們有 20 幾台車要進去然後裝上車再出去，這就需要車在很小的區域裏能轉出來。學校裏有很多車，自行車、行人，我們怎么在擁堵環境中流暢地運行。最後一個畫面是在學校裏在疫情期間和高校老師和學生以及志愿者給他們配送盒飯的場景。

    最後一個例子是在居民小區裏運行的情況，可以看到這個場景更加有趣，因爲路很窄，可以隨處可見隨處停的車輛，還會有行人、動物以及嬰兒車，有時候還會有快遞車以及垃圾車，一旦垃圾車來了之後就把整個道佔滿了。所以在居民小區我們花了很多算法優化，包括感知、包括決策規劃控制，才真正讓它比較好地跑起來。經常會有這樣的行人，以及小孩騎着平衡車在園區裏，我們都需要把它規劃好。

    最後總結一下，城市環境的大規模應用難點需要解決很常規的問題，以及業務過程中交互的問題，包括車輛維修充電和保養的運營問題。但總體來講在大規模商業化落地的政策基礎方面行業正在必經的過程中，如果直接回答公祕書長，我認爲未來 3-5 年會是在自動配送領域大規模落地的時間點，我們也希望在我們的努力下和政府支持下，早日實現用自動配送讓服務觸達世界每個角落的夢想，謝謝大家。

本文作者可以追加內容哦 !