2022WICV丨美团副总裁夏华夏：城市环境自动驾驶的渐进之路

日前，由北京市人民政府，工业和信息化部，公安部，交通运输部，中国科学技术协会联合主办的2022世界智能网联汽车大会在北京中国国际展览中心开幕本届大会以智能加速网联新生态为主题，包括一场开幕式暨主论坛，七场主题峰会，六场专题会议，两场闭门会议和一场实地调研活动

日前，顺义专场1:高级自动驾驶技术挑战与行业前景，美团副总裁，自动驾驶经销部总经理夏华夏发表了题为《城市环境下自动驾驶的渐进之路》的演讲。

以下为现场演讲实录:

各位领导，各位嘉宾，各位朋友，大家好！很高兴有机会和大家分享我们对自动驾驶的认知思维，汇报我们在过去一年自动交付方面的进展。

首先，秘书长刚刚问了一个很好的问题，就是场景在未来几年内能否实现这里就几张图，最重要的认知是关于这方面的，后面再和大家分享

目前整个自动驾驶行业已经到了一个临界点，就是从早期的技术探索，到这几年逐渐步入商业探索首先，从自动驾驶政策法规方面，我们可以看到，中央政府和地方政府都出台了各种法规或示范试点城市来支持整个自动驾驶的发展包括中央政府对智能汽车创新发展战略，新能源汽车产业发展战略等产业的规划，也表明了对自动驾驶产业的发展支持

从技术和落地应用的角度，我们看到自动驾驶在某些场景下已经逐渐进入大规模落地应用的阶段，比如港口，矿山，机场等某些场景，已经开始逐步应用我们也见过高速公路上的场景，比如自动重型卡车很多公司都在做这方面的一些探索，包括美团在内的很多公司都在做客运和终端配送方面的商业化探索但在这背后，我们还是想从技术角度来看它未来会面临哪些挑战就是刚才秘书长问技术多少年可以到高级驾驶

在回答这个答案之前，我想看看自动驾驶技术是干什么的自动驾驶技术其实本质上就是解决我们的自动驾驶汽车在路上行驶遇到的各种不同的场景，让我们的汽车在不同的场景下运行这个场景分为各个维度，比如交通标志，交通安全设备，各种障碍物，专用商务车，救护车，包括障碍物是否在停车，行驶，上下车乘客等，以及雨，雪，雾霾等不同的气候条件

比如这里列出了一个红绿灯，但实际上我们在顺义区运营的时候发现大概有60个不同的红绿灯当我们与专家交流时，他们说他们低估了复杂性，全世界大约有200种不同的交通灯这里有人，人很复杂，有行人，行人又分老人，小孩，青年，学生，都很不一样当所有维度结合起来，我们会发现非常大量的场景组合自驾怎么解决这么大的组合横轴是没有展示的场景，纵轴是汽车在运行中遇到的频率频率越高，我们收集的数据越多，也越容易解决

我们看到很多不同的自动驾驶环境，它遇到的场景也不一样比如在高速场景下自动驾驶重型卡车，它主要是高速行驶，所以在高速上遇到车辆交互，可能会有车辆加减速，变道等，会很集中但是它也有一条长尾巴虽然是高速行驶，但至少我在北京高速上见过骑自行车的人你在高速公路上看到什么人了吗比如车坏了，就会有人下来，于是高速公路上就会出现停着的车，人，自行车，甚至其他意想不到的场景，于是就有了长尾

如果看城市的自动出租车，它的场景会更广泛，因为它在各种城市道路环境中遇到的场景更多我们看低速送货车，在高速场景下很少会遇到，但是在城市环境下，机动车道的组合会比较低频，但是非机动车道和人和自行车，电瓶车，三轮车之间有非常高频的交互，还有和小区内障碍物的交互这是自动驾驶面临的各种场景分布图从城市场景来看，虽然这个图的分布频率不一样，但是如果真的要解决所有的场景，或者构建高级自动驾驶的目标，我们觉得它要解决的场景都差不多

但是应该先做哪一个，或者判断哪个落地时间，我们需要引入另一个参数，就是判断如果这个场景解决不好，发生事故，单个事故可能带来多大的伤害我们简单估算一下再来看看运营中的自动驾驶设备的容量，质量和最高速度对于自动送货车，自动出租车，自动重卡，重量差别很大比如自动送货车大概几百公斤，重卡一般14吨起高速，但是重卡要讲究效率，所以基本都是四五十吨，速度会差很多

计算了一下，如果自动送货车的能量是E，那么自动出租车的能量水平大概是×30，自动中重型卡车的能量水平大概是×1000如果把这个系数乘以刚才的公式，我们大概会得到这样一个示意图×1000的数字太大了我真的没有×1000可以看出，自动挡重卡虽然长尾很细，但是系数很大，所以× 1000并不是很细的长尾在这之后×，回答秘书长的问题，在不同的场景分布概率下，一定的自动驾驶能力下，自动投送车的事故成本会相对较低，落地时间可能会更早比如我们做最左边的虚线，似乎解决了很多自动驾驶场景的方案，其中长尾事故的成本是无法承担的但是这个时候你还是可以找到应用场景的，比如L2辅助驾驶和ADAS，还有自动驾驶的测试车有专门的安全员，这个时候长尾有司机和专门的安全员罩着

继续解决方案在解决的过程中，我们会发现，我们更有信心，我们不需要一个专门的司机一直呆在路上我们可以用一个司机盯着几辆车，所以我们认为按照国家标准已经进入L3或者有条件自动驾驶阶段但即使下到L3，我们仍然要走非常长的路才能到L4，真正达到和人类一样的驾驶水平，我们有非常强的信心，基本上不需要安全员来做，因为自动驾驶汽车的事故概率不再高于人类驾驶，但这条路会很长

好在在L2和L3阶段已经找到了很多落地场景，比如L2的ADAS和重卡，可以找到很好的应用场景在L3，我们认为如果自动投放能做到L3，就能更好的落地场景这是我们理解自动驾驶事故分布曲线和成本的方式，也是我这次想和大家分享的主要内容

因为美团主要以自动分发为主，所以我也想汇报一下自动分发的进展根据刚才的曲线，城市场景的自动分配面临的是一个非常复杂的场景机动车道和非机动车道是不一样的，需要和很多不同的障碍物互动他们需要有很强的自动驾驶预测能力，以及很强的人机交互能力，包括行人和云的协调能力，能够更好的应对事故，对安全性的需求很高我给大家讲几个小的技术问题，比如需要解决全天候，全场景的感知能力，需要解决雾霾，夜间，雪天，雨天等不同场景的感知一些困难或有趣的问题，举几个例子我们在顺义跑步的时候，有时候会看到小区路边摆着一个乒乓球台自动挡汽车的激光雷达或者视觉会觉得它看起来像三轮车，那我们怎么感知呢比如我们在路上可以看到很多小动物和施工区，也会经常看到有人坐在路边坐在那里可以识别一个人，但是坐着的人把腿伸到路中间，那么怎么才能避免被压到呢这些都是很难的感知问题

在实际工作中，我们需要做多传感器融合，最终达到更好的融合感知来识别各种物体我们在规划中也做了一个安全，高效，智能的算法，下面就详细说说给你看三个小例子你可以理解我们在做城市自动配送的时候是什么场景这是非常典型的一个离美团买菜的仓库大概几百米路况大概是这样的右下角是拍摄的道路大屏幕是自动驾驶用图标标注整个感知的东西你可以看到它和路上很多行人和进进出出的车相互作用，整条路变得非常拥挤

看看校园内的分布，会遇到很多有趣的场景一个是在食堂门口，是一个正方形的地方，但是我们有20多辆车要进去，然后装上再出去，这就要求车要在一个小的区域内转出来学校里有许多汽车，自行车和行人如何才能在拥堵的环境下平稳运行最后一张图是疫情期间，和学校的高校师生，志愿者一起分发盒饭的场景

最后一个例子是在居民区跑步可以看到这一幕更加有趣，因为道路非常狭窄，随处可见停放的车辆还会有行人，动物，婴儿车，有时候还有快递车，垃圾车垃圾车一到，就会把整条路塞满所以我们在居民区花了很多算法优化，包括感知，包括决策规划和控制，真正让它运行的更好公园里总会有这样的行人和骑平衡车的小孩，我们都需要好好规划一下

最后总结一下，城市环境大规模应用的难点是需要解决常规问题，以及业务流程中的交互问题，包括车辆维护，充电，保养的运营问题但总的来说，行业处于大规模商业化的政策基础过程中如果直接回答秘书长，我认为未来3—5年是自动分发领域大规模商业化的时间我们也希望在我们的努力和政府的支持下，能够早日实现用自动配送到达世界每一个角落的梦想谢谢你