未来科技探索
复杂交通环境下的“*后一公里”自动配送车
文| Bai Li京东
Shaoshan Liu普思英察（Perceptln）
Jie Tang华南理工大学
Jean-Luc Gaudiot加州大学尔湾分校
Liangliang Zhang ，Qi Kong京东
译|程浩然
本文介绍了一种在具有挑战性的交通条件下的“*后一公里配送”的技术解决方案，同时展示了公司自动驾驶汽车各模块的方法，以及安全保障策略。
物流服务是电子商务的一个重要组成部分，其职责是安全、及时地将货物交付给客户。在这里，“*后一公里配送”是指货物从当地配送中心到*终收件人的配送过程。作为电子商务配送过程的*后阶段，因为其复杂的交通环境，*后一公里自动配送具有极大的挑战性。
*后一公里自动配送服务的主要动机在于传统的*后一公里配送的固有劣势：
（1）快速增长的劳动力成本可能对中国领先的电商公司（如京东）的持续运营和扩张非常不利。事实上，从我们的运营数据来看，一个年薪近20000美元的签约快递员每天可以递送110个电子商务包裹，这意味着每次配送的成本接近0.5美元。随着中国人口红利的结束，这一成本预计还会继续增加。
（2）*后一公里配送会浪费大量的工作时间。快递员需要投入时间反复联系消费者、等待提货、在路上奔波，让人们无暇去做其他更有创造性的工作。幸运的是，自动驾驶技术刚好可以解决这个问题。使用自动驾驶汽车代替快递员的好处在于以下几个方面:
①受天气条件和时间的影响较小。理想情况下，无人驾驶汽车能够及时响应消费者7×24小时的电子商务订单，这对于深夜紧急供应（例如医疗相关订单）和夜班工作人员尤为重要。
②同样，由于无人驾驶汽车设计为7×24小时运行，相比传统的8小时工作时间其具有更多的时间灵活性，这使得客户可以更灵活地规划时间来接收包裹。
③大大降低了人力招聘、培训、管理等方面的成本。
④自动驾驶汽车系统可以提高快递员与共享公共交通基础设施的其他人的安全和效率。它还通过减少快递员与客户之间的互动，有效防止严重急性呼吸系统综合征和COVID-19等空气传播疾病的传播。
物流服务是电子商务的一个重要组成部分，其职责是安全、及时地将货物交付给客户
因此，部署自动驾驶车辆进行*后一公里配送是一种有希望克服这些缺点的方法。
复杂交通条件下的自动配送技术
自动驾驶技术在过去几年中得到了广泛的研究[1，2]。然而，复杂环境中的交通条件更具挑战性，这种挑战性主要来源于大量、各式各样的交通参与者（包括行人、自行车和汽车等），他们共享道路且不一定遵守交通规则。与北美、欧洲等发达国家的大多数情况不同的是，这类难以控制的环境在中国各大城市均很常见。其在中国的具体情况包括:
（1）中国拥有大量的城市人口，因此居民通常住在公寓楼而不是独栋的房屋里。这意味着公寓楼周围的人口密度很高。这同较发达国家的情况有很大的不同，后者的大多数人口都住在郊区。因此，当自动驾驶车辆在公寓楼周围的非结构化环境中行驶时，通常会遇到大量复杂的交互对象，如停车场的自动护栏门、行人、骑自行车的人等。
（2）交通参与者通常有多种类型，包括自行车、电动自行车和城市道路上的摩托车等。每个交通参与者都有其自身的运动学特征。此外，一些居民可能以不寻常的、不安全的，甚至非法的方式使用他们的车辆。
（3）大城市经常发生交通堵塞。在机动车持有率持续快速增长的大环境下，这一点这并不奇怪。与其他用于商业应用的本地交通系统（如Nuro和StarshipRobot）相比，我们专门针对难以控制环境下的交通状况（如中国的部分地区）进行设计。这类环境比发达国家的交通环境复杂得多，配送车辆可以在自行车道、大学校物流服务是电子商务的一个重要组成部分，其职责是安全、及时地将货物交付给客户园、城市道路及居民区行驶。现有的适用于发达国家的自动驾驶解决方案可能不能直接适用于混乱的环境。应根据相关应用场景和预算限制对这些技术进行改进和调整。
在开发和维护自动驾驶汽车时，安全显然应该是首要考虑的问题。与搭载乘客的自动驾驶汽车相比，自动驾驶配送车有独特的安全要求。他们应当遵守交通法规和社会习俗，使道路交通正常、畅通、安全行驶。如果无法满足这些，自动配送车辆也不应对其他车辆造成障碍或危险，特别是运载乘客的车辆。在这种情况下，作为一种替代选择，配送车辆可能不得不牺牲自身。这是自动配送车辆的一项特殊安全要求。相关设计需求将在后面的部分进行详细讨论。
京东：一种自动驾驶解决方案
作为*大的电子商务公司之一，主要出于降低成本的目的，京东开发了一款“*后一公里”自动配送车。假设每辆车每天可以投递60个电子商务包裹，如果使用自动驾驶汽车，运送每个电子商务包裹的费用将减少约22%。如果京东的全部电子商务订单中有10%是由自动驾驶汽车交付的，每年至少可以节省1.1亿美元的成本。总的来说，如果京东能在整个市场使用自动驾驶技术处理5%的电子商务包裹递送订单，每年将减少76.4亿美元的成本。良好的效益和合理的盈利模式一直是推动“*后一公里”自动无人驾驶配送车研发的动力。
如图1所示，一套自动驾驶系
统需要20多个模块同时协同工作。一般来说，图1中显示的每个模块要么是在线的，要么是离线的。在线模块在自动驾驶汽车行驶时使用[3]，而离线模块主要用于离线特征提取、训练、配置、模拟、测4未来科技：人工智能试与/或评估[4]。
图1 自动驾驶系统架构
如果使用自动驾驶汽车，运送每个电子商务包裹的费用将减少约22%感知模块
在*后一公里配送方案中，一个配送地址会被分配给一辆自动驾驶汽车。车辆的当前位置以及从当前位置到目的地的路线是通过导航服务平台指定的。之后，车辆开始行驶。在向目的地行驶过程中，自动驾驶汽车在算法平台中实现了定位、局部感知、局部预测、局部决策、局部规划和控制等功能，保证了行驶的安全、顺利、高效与可预测性。
硬件平台用于支持上述元素的功能，其由单个设备以及它们的连接和管理功能组成。作为通用机器人平台，该系统同时适用于阿克曼和差动转向车辆。另一方面，离线模块会为在线模块做准备。例如，地图制作平台负责高清地图的制作；仿真平台和可视化调试工具帮助开发人员解决故障。在本节的其余部分中，我们将介绍自动驱动技术堆栈中的一些突出显示的模块。
定位与高清地图
定位功能负责获取车辆的当前位置。在我们的自动驾驶解决方案中，有五个主要的信息源来获取定位信息：第一个是GPS信号，它被用作启动信号，请求激活高清地图以供后续使用。其余四个定位子模块包括基于多线激光雷达、摄像机、底盘里程测量和惯性测量单元（IMU）信息的定位算法。利用多线激光雷达算法，将生成的点云与要求的高清地图中预先存储的点云进行匹配。该方法将激光雷达点云预先划分为地面点云和非地面点云，并通过在线广义迭代*近点法（ICP）[5]实现匹配。
多线激光雷达、摄像机和底盘数据在手，将数据求导来表示运动信息，以构成里程测量。通过综合各个独立的信息源，可以得到一个可靠的里程测量结果，此过程又称里程测量融合。将融合后的结果与IMU结果合成，并在卡尔曼滤波框架下校准ICP方法[6]。反过来，ICP方法也可以进一步用于校准融合结果，使结果可以更接近真实数据。这样一个复杂的体系结构如图2所示。
我们的高清地图包含道路的详细属性，它由16层代表，提供关于环境的静态和动态信息。这些层由多个子映射组成，包括几何映射、语义映射和实时映射。自动驾驶乘客和自动配送车辆共享一些要素：例如，每个车道、道路和十字路口的位置、宽度、类型、曲率和边界，以及相关的语义特征，如人行横道、交通信号和减速带。与此同时，中国快递车辆特有的道路要素也包括在内：例如，阻车柱（通常放置在自行车道的入口，禁止大型车辆进入）、禁停区（限制地方车辆不能停止)、大门（访问收费站和居民区）以及安全岛（大型十字路中，行人和骑自行车的人可以在其等待下一个绿灯）等。这些元素对我们的地图很重要。除了其他高清地图上常见的车道和道路外，我们还添加了“车道组”元素作为车道和道路之间的中间关卡，以便在较大的十字路口形成更好的车道连接。
配送车需要以成本较低的方式构建高清地图，其使用的传感器与车辆和城市的所有地区相同，而GPS信号通常很弱。因为中国城市地区的道路变化比其他地区更频繁，高清地图需要更频繁的更新。这就需要建立一个技术团队，专注于建立和维护基于现代传感器融合和同步定位与绘图技术的内部高清地图，而不依赖于差分GPS和昂贵的IMU。感知团队开发的机器学习技术被用于协助检测静态车辆和交通灯，以提高地图构建的效率。
感知模块
感知模块负责识别和跟踪环境中障碍物的动态。感知模块在使整个自主系统能够在复杂的交通环境中运行方面起着关键作用。如图3所示，硬件设置是一种常见的多源解决方案。我们的车辆配备了一个单波束激光雷达，一个16波束激光雷达，以及四个单目摄像机来探测周围的物体。采用高分辨率动态范围摄像机对交通灯进行检测。同时结合超声波接收器的信号，以防止立即碰撞其他物体和道路元素。如图4所示，在目标检测中，三种方法各自独立应用，并将检测结果进行融合。前两个检测器分别使用机器学习和基于几何的方法对点云数据进行处理。第三个检测器使用基于机器学习的方法处理视觉数据。
从实践经验来看，我们观察到第一种方法擅长对交通相关的通用对象进行分类，但是在处理行人时性能较差，这是基于学习的方法的固有缺点，因为行人的特征不易识别。相反，第二种方法为识别具有典型形状的对象（例如行人）提供了稳定的结果。第三种方法特别适合于识别部分观察到的物体，因为它侧重于颜色、阴影和纹理作为识别特征。三种检测器相互补充，以提供全面可靠的目标识别结果。
图2 定位系统构架
图3 传感器硬件设置
正如本文开头所讨论的，道路上存在许多类型的元素会对自动驾驶汽车产生影响。当我们的自动驾驶汽车（Theegovehicle）第一次遭遇交通违章时，它可能会被困在路上，不知道如何处理这种情况，因为算法没有接收到足够的数据来正确分析情况。当观察到这种令人困惑的情况时，远程安全指挥员必须接管车辆，以避免碰撞风险。然后，新检测到的案例会被放入一个新建立的类别中，一些现有数据也会在检测器1和检测器3中被手动标记来学习该类别。我们相信基于监督学习的枚举是实现可靠识别性能的**可行方法。此外，还开发了一种推理方法来系统地估计相关但不可见的周围交通状况的性质，如红绿灯的状态和前方车辆信息。
预测、决策和规划
预测、决策和规划模块对于让我们的自动驾驶汽车在复杂的交通条件下安全行驶至关重要。预测是指对跟踪的移动障碍物的未来轨迹进行近似预测。它在两个合作层中执行：第一层是利用高清地图中的路径信息和车道信息预测被追踪车辆的行为，在这里，我们基于道路的历史数据，对被追踪的物体遵守交通规则的情况进行假设，第一层一般适用于处理正常车辆；第二层以异常对象行为预测为目标，通过基于机器学习的方法和推理技术实现计算。这两层协同工作，在车辆的可视范围内提供感兴趣的移动目标的轨迹。预测轨迹还附带一个方差来度量预测的置信度。
决策和规划是直接指导车辆局部驾驶机动的关键。在处理混乱环境下的复杂场景时，决策模块应找到一个粗糙但可靠的等位轨迹，而规划模块应快速运行。决策模块采用了基于样本搜索的方法。更详细地说，在搜索由采样节点组成的图时，系统使用了动态
展开
抱歉，此书暂时无货
