阿里达摩院自动驾驶实验室业务、产品负责人郭振宇：技术进步不等于商业成功 | 第四届全球智能驾驶峰会

2021年12月10日由Leifeng.com(微信官方账号:雷锋网)&；由新智家主办的第四届全球智能驾驶峰会在深圳正式召开。

此次，以“智能驾驶的决战时刻”为主题，Leifeng.com新智佳将话筒交给了行业内19家标杆企业，辐射13项技术/场景，涵盖智能驾驶算法、芯片、感知、落地等多个维度，仅评选出每个领域最具代表性的企业。

遵循“基础理论与技术的创新”和“行业解决方案的落地”两大黄金标准，演讲嘉宾与业界分享了对过往经验的总结与回顾、对未来趋势的预测以及有效模式的分享。

峰会上，阿里达摩院自动驾驶实验室业务及产品总监郭振宇发表了题为“终端无人值守交付，从技术实验、效率提升到全新用户体验”的精彩演讲。

郭振宇介绍了阿里自动驾驶汽车选择落地校园快递场景的原因和最新进展。

“你可能认为自动驾驶最关键的因素是技术进步，但其实技术进步并不意味着商业成功。历史上有很多超前于时代或者优秀但不符合实际市场需求的技术，最终都没有取得商业上的成功。”

郭振宇指出，如果没有实际市场需求的牵引，整个技术的演进路径就会变得曲折，不知道该何去何从，不知道该解决什么问题，不知道该忽略什么问题。所以达摩院从决定做自动驾驶的那一刻起，就决心从用户、场景、市场出发。

校园封闭、速度低、无人载货是有自动驾驶车辆的校园快递场景的主要特点，但这并不意味着这个场景所需的自动驾驶技术更简单。

随机性高、算法决策难、路况复杂、感知困难、主动干扰、感知受阻，这些都是达摩院自动驾驶团队在落地校园快递场景中遇到的问题。因此，他们专注于无人车的算法、硬件、系统和整体HMI交互的联合优化。从单点技术能力到综合技术能力突破和应用阶段。

在业务环节，郭振宇团队开发了用于实时车队调度的VRP系统和能够准确预测车辆到达时间的ETA模型，以进一步提高配送效率，最大化自动驾驶能够为用户带来的价值。

目前，阿里达摩院的小毛驴已经在全国81个城市、200多所高校落地，具备每月入100个新场景的并行部署能力。接下来，阿里的智能驾驶车辆还将进入城市物流等新场景。

以下是郭振宇演讲的全文。雷锋。com新智家在不改变初衷的情况下做了整理和编辑:

今天我可能会讲一些和你在自动驾驶论坛和其他类似场合听到的不一样的东西。一般的能力和技术方案我不多讲，更多的是分享我们过去在我们无人车实际落地过程中的经验、感受和体会。

我今天分享的主题是“终端无人值守送货，从技术实验和效率提升到全新的用户体验”。

第一个问题，我们来回顾一下自动驾驶的价值是什么？显然，自动驾驶技术解放了司机的双手，人类劳动的成本降低才是它带来的价值，这是最容易看到的一层。

还有一层不容易看到的价值是，当你面对一个具体的业务环节，整个业务环节无人化的时候，由于无人车信息更实时，更确定，更可调度，更可控，如果能够在整个业务环节形成无人驾驶的交通网络，相比人工网络，可以实现整体效率的极大提升。

我想强调的第三点是，所有科技产品的本质都是为了给用户带来更好的体验，给人类带来更好的生活。我们该怎么办？仅仅一个科技产品的进步能给人类带来更好的体验吗？我们做了进一步的探索。

接下来，谈完自动驾驶的技术，我们再从市场说起。你可能认为最关键的核心……自动驾驶应该是技术进步，这当然是正确的。传感器、算力、算法、系统、网络、地图、定位等等都是非常重要的基础设施。

但是，技术进步不等于商业成功。历史上很多超前于时代或者不符合市场实际需求的优秀技术最后都失败了。

另一方面，如果没有实际的市场需求，整个技术的演进路径就会变得曲折，因为你不知道要去哪里，也不知道要解决哪些问题，忽略哪些问题，什么重要，什么不重要。所以，从我们决定做自动驾驶的那一刻起，我们达摩院的自动驾驶实验室就坚定地从用户、场景、市场出发。

从市场出发，我们选择了校园快递场景。我来解释一下为什么，这不是理论，我们真的落地在这个场景里。

这个场景有个特点。因为校园管理要求、安全、防疫等原因，快递员不能自由进出学校完成投递，所以大量的快递会集中在校园内的驿站，需要学生来取。

另外，目前国内高校有一个特点，就是校园越来越大。比如郑州大学新校区，沿着一个外墙有三个地铁站，是一个巨大的校园。

学生拿东西肯定不方便。现在的年轻人会从各种电商平台购买各种生活用品，大小数量很多。拿到后搬回宿舍会很难。我们为什么选择这个场景？因为我们认为自动驾驶和无人配送可以很好的解决这个问题。

让我们从技术进化的角度来看市场。这个市场有什么特点？它是一个封闭的公园，速度低，没有乘客，所以安全性高，B端和C端的痛点也很明确。

国内有4000多所全日制学校，可以为第一阶段自动驾驶的真正落地提供充足的市场空间。

这个场景是决定的，市场也是决定的。接下来我们要解决的第一个问题就是单车面临的场景问题。

终点站公园挺麻烦的。虽然相对于高速重卡物流干线或者市区的复杂场景相对友好，但是由于场景是非结构化的道路，道路交通参与者没有明确的规则，可以随意在学校周围走动，这就给我们造成了环境问题，更难预测，也更难让你得出最优决策。

另外，由于航站楼园区的封闭性，有很大的自主性，会出现各种长尾场景，比如突然遇到工地，给感知带来很大困难。同时，我们也遇到大量的道路交通参与者，这也给我们带来了非常不必要的障碍和阻碍。

我们如何解决这些问题？接下来我不会讲太多技术细节，但我会告诉你我们如何解决这个问题。

在校园高峰期，有很多行人在一大片区域行走。我们的感知系统可以实时检测、跟踪和预测100多个目标。我们对系统、环境和他人的意图有非常好的理解，我们形成了许多非常聪明的决策和规划策略。

值得分享的一个典型例子是，我们做了一套基于智能模拟的强化学习系统。这个系统可以在竞争模式、跟随模式和合作模式下，通过大量的训练和游戏，找到一个果断的决策策略。不会让车的决策过于保守，阻碍交通，也不会过于激进，对学生造成危险。

另一方面，无人驾驶汽车在公园里跑了一年多，会遇到各种天气情况。我们的思路是通过算法来解决这样的问题，所以我们做了一个深度算法，就是通过软件的方法来解决硬件噪音的问题。

量产，成本低，各种原因，汽车的操控能力肯定不如家里四驱能力的乘用车。因此，当我们面对小斜坡和减速带时，我们的决策和规划算法可以调整车身的姿态，使汽车面对减速带时变得轻松……通过。这就解决了后轮悬空的问题，是用软件解决硬件问题的又一个代表。

除了算法，我们在整个产品的完整性上也做了很多工作。比如我们对HMI交互有很多完整的考虑，想通过告诉其他道路交通参与者阿里小满的意图来提醒大家哪里有风险。汽车的意图表达清楚后，算法问题的解决会更容易。

比如车停了，会提醒大家车要停了。再比如，如果一辆自行车离小曼驴太近，就会有声音提醒大家不要跟得太近。如果有人堵在前面，我们会提醒大家让路。

另外，在解决每一个问题的过程中，我们还要保证另外一件事，如何让我们的系统不过度适应少量的场景，如何保证这个系统的通用性和健壮性，所以我们不断投资仿真训练平台，让系统得到大量的训练。

我们可以通过仿真从有限的实际路测里程中制造出大量的仿真里程，从而提高系统的安全性和泛化能力。

我们还在持续投资我们自主开发的AutoDrive全链路数据驱动模型培训平台。

在AutoDrive2.0中，所有数据都不需要任何算法工程师的参与，系统可以在硬件感知模式下自动优化模型，这非常符合我们汽车中嵌入式系统的能力。

它不是针对服务器级计算能力的优化模型，而是针对计算能力相对较小且成本较低的嵌入式车辆的优化模型。

同时构建了涵盖各种天气、路面环境、交通规则的实车路测系统，保证我们的泛化能力。

综上所述，我们已经确保了系统不会过度适应有限的问题，同时保证了我们快速收敛和解决问题的效率。

刚才我说了，自行车自动驾驶能力的价值体现在解放了驾驶员的劳动力，整车成本无疑是至关重要的。通过软硬件技术的进步，我们的整车成本是行业平均水平的三分之一。

我想强调一下，这确实是技术进步带来的，比如计算能力的成本。我们的想法是如何让算法用更少的计算能力，让其他公司的算法用更多的计算能力达到同样的水平。

同时，我们的HLU定位模块实现了行业十分之一的成本，实现了厘米级的高精度定位。无论在狭窄的道路、地铁、地下室，没有GPS信号，无人车都能保证厘米级的高精度定位。

到现在为止，小曼驴的自行车场景能力已经介绍过了，我们车所有场景的长尾问题我也介绍过了。该车无需安全员即可实现自动L4功能。

这个时候我就把小曼驴放进生意里。先说两个技术储备。带自动驾驶的配送业务和带人的配送业务有什么区别？事实上，由于自动驾驶车辆数据的确定性和可预测性，利用车辆行驶数据和历史用户等待时间数据，可以带来非常精确的车辆到达时间预测模型(ETA模型)。

另一个技术储备是车辆会准确执行你发的路线和任务，所以我们可以做出一个相对于人工运力非常高效的大规模车队调度VRP系统。

我举一个具体的例子来介绍我们如何提高整体的运输效率。

小曼驴无人配送车的集装箱物理尺寸是固定的，所以它能装的包裹有一个大概的数量。我们是预约服务，所以能送多少包裹取决于预约多少人，站与站之间的距离，以及每个站等待用户取货的时间，所以如何设置车辆库存很有意思。

如果设置的太保守，会浪费太多的运力，大量的车是坐不满的。如果定的太激进，有时候预约的人太多，送不了多远，学生拿不到，就会导致超售。怎么才能解决这个问题？

我们结合埃塔模式和VRP系统，以便每次新的包……e被预定进来，系统会实时重新规划一条新的路径和最优路径，保证每一个包裹都能在一个小时内送到，然后回来。

比如我们有一条路径，新用户在t时刻打开他的页面，如果他离这条路线很远，也就是说如果我们再送他的包裹，别人的包裹就会迟到，那么他看到的页面就会被涂黑，也就是说，对不起，这个时间你不能预约。

但是下一秒，另一个人进来了。因为他离原来的路线比较近，所以我们有足够的空间投放这些用户，他们看到的页面可以保留。

所以我们可以通过这样一种智能的动态盘点方式，将整个校园的平均运输能力提高80%。大家可以看到，自动驾驶和无人驾驶带来的价值不仅仅是人类劳动的减少，而是整体效率的提升。

完成了业务效率的提升和业务环节的需求，然后说说小满驴的用户体验。

在校园里，学生可以轻松使用菜鸟App和淘宝App预约送货，包裹会每小时送到。预约后会在小曼驴离开前通知，小曼驴在快到楼下站点时会进行智能外呼，自动电话打给他。

如果这位同学那天正好不能来接，他可以在智能手机上告诉我们他来不了，这样我们的车就不用在楼下等他了，浪费时间。如果他在回来的路上，可能会晚一点，也可以在电话里告诉我们，我们等他，这样他就拿不到了。

我们进行了非常顺利的体验，让同学们不用再面对忙着排队、乱翻东西、拿到物品后无法运回宿舍的烦恼。

我们觉得自驾这么多年，通过我们技术产品的进步，至少在过去的一年里，我们真的在为校园里的学生、老师、同学提高生活质量和生活体验。

在过去的一年里，我们把小满驴带到了中国81个城市和200多所高校。我们是怎么做到的？

首先，我们建立了一套并行部署能力，每个月可以进入100个新场景。从车运到现场到送到工作人员手中，只需要两周时间。这是我们做的第一件事。2021年12月10日由Leifeng.com(微信官方账号:雷锋网)&；由新智家主办的第四届全球智能驾驶峰会在深圳正式召开。

此次，以“智能驾驶的决战时刻”为主题，Leifeng.com新智佳将话筒交给了行业内19家标杆企业，辐射13项技术/场景，涵盖智能驾驶算法、芯片、感知、落地等多个维度，仅评选出每个领域最具代表性的企业。

遵循“基础理论与技术的创新”和“行业解决方案的落地”两大黄金标准，演讲嘉宾与业界分享了对过往经验的总结与回顾、对未来趋势的预测以及有效模式的分享。

峰会上，阿里达摩院自动驾驶实验室业务及产品总监郭振宇发表了题为“终端无人值守交付，从技术实验、效率提升到全新用户体验”的精彩演讲。

郭振宇介绍了阿里自动驾驶汽车选择落地校园快递场景的原因和最新进展。

“你可能认为自动驾驶最关键的因素是技术进步，但其实技术进步并不意味着商业成功。历史上有很多超前于时代或者优秀但不符合实际市场需求的技术，最终都没有取得商业上的成功。”

郭振宇指出，如果没有实际市场需求的牵引，整个技术的演进路径就会变得曲折，不知道该何去何从，不知道该解决什么问题，不知道该忽略什么问题。所以达摩院从决定做自动驾驶的那一刻起，就决心从用户、场景、市场出发。

校园封闭、速度低、无人载货是有自动驾驶车辆的校园快递场景的主要特点，但这并不意味着这个场景所需的自动驾驶技术更简单。

随机性高、算法决策难、路况复杂、感知困难、主动干扰、感知受阻，这些都是达摩院自动驾驶团队在落地校园快递场景中遇到的问题。因此，他们专注于无人车的算法、硬件、系统和整体HMI交互的联合优化。从单点技术能力到综合技术能力突破和应用阶段。

在业务环节，郭振宇团队开发了用于实时车队调度的VRP系统和能够准确预测车辆到达时间的ETA模型，以进一步提高配送效率，最大化自动驾驶能够为用户带来的价值。

目前，阿里达摩院的小毛驴已经在全国81个城市、200多所高校落地，具备每月入100个新场景的并行部署能力。接下来，阿里的智能驾驶车辆还将进入城市物流等新场景。

以下是郭振宇演讲的全文。雷锋。com新智家在不改变初衷的情况下做了整理和编辑:

今天我可能会讲一些和你在自动驾驶论坛和其他类似场合听到的不一样的东西。一般的能力和技术方案我不多讲，更多的是分享我们过去在我们无人车实际落地过程中的经验、感受和体会。

我今天分享的主题是“终端无人值守送货，从技术实验和效率提升到全新的用户体验”。

第一个问题，我们来回顾一下自动驾驶的价值是什么？显然，自动驾驶技术解放了司机的双手，人类劳动的成本降低才是它带来的价值，这是最容易看到的一层。

还有一层不容易看到的价值是，当你面对一个具体的业务环节，整个业务环节无人化的时候，由于无人车信息更实时，更确定，更可调度，更可控，如果能够在整个业务环节形成无人驾驶的交通网络，相比人工网络，可以实现整体效率的极大提升。

我想强调的第三点是，所有科技产品的本质都是为了给用户带来更好的体验，给人类带来更好的生活。我们该怎么办？仅仅一个科技产品的进步能给人类带来更好的体验吗？我们做了进一步的探索。

接下来，谈完自动驾驶的技术，我们再从市场说起。你可能认为最关键的核心……自动驾驶应该是技术进步，这当然是正确的。传感器、算力、算法、系统、网络、地图、定位等等都是非常重要的基础设施。

但是，技术进步不等于商业成功。历史上很多超前于时代或者不符合市场实际需求的优秀技术最后都失败了。

另一方面，如果没有实际的市场需求，整个技术的演进路径就会变得曲折，因为你不知道要去哪里，也不知道要解决哪些问题，忽略哪些问题，什么重要，什么不重要。所以，从我们决定做自动驾驶的那一刻起，我们达摩院的自动驾驶实验室就坚定地从用户、场景、市场出发。

从市场出发，我们选择了校园快递场景。我来解释一下为什么，这不是理论，我们真的落地在这个场景里。

这个场景有个特点。因为校园管理要求、安全、防疫等原因，快递员不能自由进出学校完成投递，所以大量的快递会集中在校园内的驿站，需要学生来取。

另外，目前国内高校有一个特点，就是校园越来越大。比如郑州大学新校区，沿着一个外墙有三个地铁站，是一个巨大的校园。

学生拿东西肯定不方便。现在的年轻人会从各种电商平台购买各种生活用品，大小数量很多。拿到后搬回宿舍会很难。我们为什么选择这个场景？因为我们认为自动驾驶和无人配送可以很好的解决这个问题。

让我们从技术进化的角度来看市场。这个市场有什么特点？它是一个封闭的公园，速度低，没有乘客，所以安全性高，B端和C端的痛点也很明确。

国内有4000多所全日制学校，可以为第一阶段自动驾驶的真正落地提供充足的市场空间。

这个场景是决定的，市场也是决定的。接下来我们要解决的第一个问题就是单车面临的场景问题。

终点站公园挺麻烦的。虽然相对于高速重卡物流干线或者市区的复杂场景相对友好，但是由于场景是非结构化的道路，道路交通参与者没有明确的规则，可以随意在学校周围走动，这就给我们造成了环境问题，更难预测，也更难让你得出最优决策。

另外，由于航站楼园区的封闭性，有很大的自主性，会出现各种长尾场景，比如突然遇到工地，给感知带来很大困难。同时，我们也遇到大量的道路交通参与者，这也给我们带来了非常不必要的障碍和阻碍。

我们如何解决这些问题？接下来我不会讲太多技术细节，但我会告诉你我们如何解决这个问题。

在校园高峰期，有很多行人在一大片区域行走。我们的感知系统可以实时检测、跟踪和预测100多个目标。我们对系统、环境和他人的意图有非常好的理解，我们形成了许多非常聪明的决策和规划策略。

值得分享的一个典型例子是，我们做了一套基于智能模拟的强化学习系统。这个系统可以在竞争模式、跟随模式和合作模式下，通过大量的训练和游戏，找到一个果断的决策策略。不会让车的决策过于保守，阻碍交通，也不会过于激进，对学生造成危险。

另一方面，无人驾驶汽车在公园里跑了一年多，会遇到各种天气情况。我们的思路是通过算法来解决这样的问题，所以我们做了一个深度算法，就是通过软件的方法来解决硬件噪音的问题。

量产，成本低，各种原因，汽车的操控能力肯定不如家里四驱能力的乘用车。因此，当我们面对小斜坡和减速带时，我们的决策和规划算法可以调整车身的姿态，使汽车面对减速带时变得轻松……通过。这就解决了后轮悬空的问题，是用软件解决硬件问题的又一个代表。

除了算法，我们在整个产品的完整性上也做了很多工作。比如我们对HMI交互有很多完整的考虑，想通过告诉其他道路交通参与者阿里小满的意图来提醒大家哪里有风险。汽车的意图表达清楚后，算法问题的解决会更容易。

比如车停了，会提醒大家车要停了。再比如，如果一辆自行车离小曼驴太近，就会有声音提醒大家不要跟得太近。如果有人堵在前面，我们会提醒大家让路。

另外，在解决每一个问题的过程中，我们还要保证另外一件事，如何让我们的系统不过度适应少量的场景，如何保证这个系统的通用性和健壮性，所以我们不断投资仿真训练平台，让系统得到大量的训练。

我们可以通过仿真从有限的实际路测里程中制造出大量的仿真里程，从而提高系统的安全性和泛化能力。

我们还在持续投资我们自主开发的AutoDrive全链路数据驱动模型培训平台。

在AutoDrive2.0中，所有数据都不需要任何算法工程师的参与，系统可以在硬件感知模式下自动优化模型，这非常符合我们汽车中嵌入式系统的能力。

它不是针对服务器级计算能力的优化模型，而是针对计算能力相对较小且成本较低的嵌入式车辆的优化模型。

同时构建了涵盖各种天气、路面环境、交通规则的实车路测系统，保证我们的泛化能力。

综上所述，我们已经确保了系统不会过度适应有限的问题，同时保证了我们快速收敛和解决问题的效率。

刚才我说了，自行车自动驾驶能力的价值体现在解放了驾驶员的劳动力，整车成本无疑是至关重要的。通过软硬件技术的进步，我们的整车成本是行业平均水平的三分之一。

我想强调一下，这确实是技术进步带来的，比如计算能力的成本。我们的想法是如何让算法用更少的计算能力，让其他公司的算法用更多的计算能力达到同样的水平。

同时，我们的HLU定位模块实现了行业十分之一的成本，实现了厘米级的高精度定位。无论在狭窄的道路、地铁、地下室，没有GPS信号，无人车都能保证厘米级的高精度定位。

到现在为止，小曼驴的自行车场景能力已经介绍过了，我们车所有场景的长尾问题我也介绍过了。该车无需安全员即可实现自动L4功能。

这个时候我就把小曼驴放进生意里。先说两个技术储备。带自动驾驶的配送业务和带人的配送业务有什么区别？事实上，由于自动驾驶车辆数据的确定性和可预测性，利用车辆行驶数据和历史用户等待时间数据，可以带来非常精确的车辆到达时间预测模型(ETA模型)。

另一个技术储备是车辆会准确执行你发的路线和任务，所以我们可以做出一个相对于人工运力非常高效的大规模车队调度VRP系统。

我举一个具体的例子来介绍我们如何提高整体的运输效率。

小曼驴无人配送车的集装箱物理尺寸是固定的，所以它能装的包裹有一个大概的数量。我们是预约服务，所以能送多少包裹取决于预约多少人，站与站之间的距离，以及每个站等待用户取货的时间，所以如何设置车辆库存很有意思。

如果设置的太保守，会浪费太多的运力，大量的车是坐不满的。如果定的太激进，有时候预约的人太多，送不了多远，学生拿不到，就会导致超售。怎么才能解决这个问题？

我们结合埃塔模式和VRP系统，以便每次新的包……e被预定进来，系统会实时重新规划一条新的路径和最优路径，保证每一个包裹都能在一个小时内送到，然后回来。

比如我们有一条路径，新用户在t时刻打开他的页面，如果他离这条路线很远，也就是说如果我们再送他的包裹，别人的包裹就会迟到，那么他看到的页面就会被涂黑，也就是说，对不起，这个时间你不能预约。

但是下一秒，另一个人进来了。因为他离原来的路线比较近，所以我们有足够的空间投放这些用户，他们看到的页面可以保留。

所以我们可以通过这样一种智能的动态盘点方式，将整个校园的平均运输能力提高80%。大家可以看到，自动驾驶和无人驾驶带来的价值不仅仅是人类劳动的减少，而是整体效率的提升。

完成了业务效率的提升和业务环节的需求，然后说说小满驴的用户体验。

在校园里，学生可以轻松使用菜鸟App和淘宝App预约送货，包裹会每小时送到。预约后会在小曼驴离开前通知，小曼驴在快到楼下站点时会进行智能外呼，自动电话打给他。

如果这位同学那天正好不能来接，他可以在智能手机上告诉我们他来不了，这样我们的车就不用在楼下等他了，浪费时间。如果他在回来的路上，可能会晚一点，也可以在电话里告诉我们，我们等他，这样他就拿不到了。

我们进行了非常顺利的体验，让同学们不用再面对忙着排队、乱翻东西、拿到物品后无法运回宿舍的烦恼。

我们觉得自驾这么多年，通过我们技术产品的进步，至少在过去的一年里，我们真的在为校园里的学生、老师、同学提高生活质量和生活体验。

在过去的一年里，我们把小满驴带到了中国81个城市和200多所高校。我们是怎么做到的？

首先，我们建立了一套并行部署能力，每个月可以进入100个新场景。从车运到现场到送到工作人员手中，只需要两周时间。这是我们做的第一件事。第二件事是我们建立了一支本地化的运输维护队伍，可以到达全国26个省市自治区。无人车，机器人，家庭乘用车，不可避免的会出现意外情况，机器故障，耗材损耗。只有拥有这样的维修团队，运输能力才能高效、稳定、可靠。我们有一个非常复杂的实时故障报告系统，可以及时响应。

同时在车身结构上做了很多巧妙的设计，提高了操作维护的便利性，使得无人车的维修变得简单、快捷、便宜。

最后不得不说，这样高效的人事管理团队也是必不可少的一部分。你可能会奇怪，为什么作为自动驾驶团队，我们的人分布在全国各地，因为我们相信这是真正实现产业落地，真正创造价值的必要步骤。

最后跟大家分享一下，双11过去20天，我们投递了200万个包裹，平均每天10万个包裹，在81个城市，26个省级行政区，用不到400辆车完成。

有一个学校的数据很有意思。这所学校有五辆车，每辆车平均20天送了603个包裹。怎么发生的？这辆车不是很大。我们可以通过非常高效的自动驾驶算法来提高配送的效率。因为我强大的算法能力，在人多的情况下，车辆可以走得更快更安全。同时，借助调度系统，我们可以提高配送效率。

最后说下一步。接下来，我们将依托阿里巴巴的物流场景，寻找下一个有增长潜力的市场环境。我们会按照过去积累的经验，先解决单车运力问题，再解决业务整合问题，再完成用户体验，再完善规模。这是我们的一贯思路。

雷锋的原创文章。未经授权，禁止转载。详见转载说明。秘书……事情是这样的，我们建立了一个本地化的运输维护团队，可以到达全国26个省市自治区。无人车，机器人，家庭乘用车，不可避免的会出现意外情况，机器故障，耗材损耗。只有拥有这样的维修团队，运输能力才能高效、稳定、可靠。我们有一个非常复杂的实时故障报告系统，可以及时响应。

同时在车身结构上做了很多巧妙的设计，提高了操作维护的便利性，使得无人车的维修变得简单、快捷、便宜。

最后不得不说，这样高效的人事管理团队也是必不可少的一部分。你可能会奇怪，为什么作为自动驾驶团队，我们的人分布在全国各地，因为我们相信这是真正实现产业落地，真正创造价值的必要步骤。

最后跟大家分享一下，双11过去20天，我们投递了200万个包裹，平均每天10万个包裹，在81个城市，26个省级行政区，用不到400辆车完成。

有一个学校的数据很有意思。这所学校有五辆车，每辆车平均20天送了603个包裹。怎么发生的？这辆车不是很大。我们可以通过非常高效的自动驾驶算法来提高配送的效率。因为我强大的算法能力，在人多的情况下，车辆可以走得更快更安全。同时，借助调度系统，我们可以提高配送效率。

最后说下一步。接下来，我们将依托阿里巴巴的物流场景，寻找下一个有增长潜力的市场环境。我们会按照过去积累的经验，先解决单车运力问题，再解决业务整合问题，再完成用户体验，再完善规模。这是我们的一贯思路。

雷锋的原创文章。未经授权，禁止转载。详见转载说明。

标签：

汽车资讯热门资讯