取消
阿里巴巴布局自动驾驶始于 2015 年年底，历时 4 年，其末端配送机器人已大规模落地，进入到大学校园，承担起包裹运送的任务。
去年双十一，这些无人配送车还加入了战斗，单校园单日收寄件超过千个包裹。
不难发现，和大多数企业不同，阿里巴巴布局自动驾驶是从末端物流为突破口。
阿里巴巴达摩院自动驾驶实验室负责人王刚向汽车之心表示，阿里自动驾驶的目标是打造智慧物流运输平台，让物流更便捷高效。
这一目标的确立与阿里经济体的属性息息相关，淘宝、天猫、饿了么、盒马等这些业务都离不开物流配送。
阿里还有菜鸟网络这样的智慧物流平台，对行业有很深的认知，也有众多合作的物流企业。所以，阿里要进行自动驾驶技术的商业落地，从物流行业切入是顺理成章的事。
利用自动驾驶车辆载物要比载人的安全风险更低，技术实现的难度也更低，法律法规上还有更大的自由度。
定位打造智慧物流运输平台后，阿里也确立了末端无人配送和公开道路物流两种业务形态双线并进的策略。
其中，末端无人配送的研发进展要更快，因为其车辆速度慢、软硬件精度和稳定性要求低，还可以进行远程操控。目前，阿里的无人配送车已经在多个校园和园区内开启了小规模运营。
阿里要实现「打造智慧物流运输平台」的目标，推动自动驾驶技术的商业落地，背后必然离不开一个完整的自动驾驶技术开发大图。
我们首先把目光聚焦在阿里自动驾驶技术大图的算法层。
王刚有一个观点是：目前制约自动驾驶发展的最大瓶颈依然是算法不够优秀，所以就算把当今世界上最先进的传感器、计算单元都集成到一辆车上，这辆车仍然无法实现完全自动驾驶。
正因此，阿里在自动驾驶算法的研发上投入了更多的精力，并提出了「小前台、大中台」的概念。
「小前台」指的是感知、定位、决策、控制这样的自动驾驶算法模块，这些是所有自动驾驶研发企业都必须开发的算法；「大中台」则是阿里团队自主打造的 AutoDrive 平台，这个平台由自动调参模块、网络结构搜索模块、主动学习模块、框架和基础集群平台组成，可以大大提升自动驾驶技术研发迭代的速度。
如果将车辆的自动驾驶任务比作是一场攻坚战，那「小前台」扮演的就是冲锋队的角色，而「大中台」则是后续的飞机、坦克编队。「大中台」将为「小前台」提供强有力的支持。
现阶段，整个自动驾驶算法研发链路中还存在大量人工设计的环节，例如数据预处理、感知模块的神经网络结构/超参数、定位模块中的融合参数、决策模块中的规则及参数等等。这些人工设计的环节很大程度上限制了算法研发进度，让算法研发人员需要花大量的时间去调参，质量差、效率低。
为了减少人工设计，阿里的 AutoDrive 平台能够基于海量自动驾驶数据，用搜索/优化的方式去自动化地学习更优的网络结构/参数/数据预处理等等，从而实现计算替代人工。
不同于业界的 AutoML 的部分在于：AutoDrive 基于复杂的多模态的时序的自动驾驶数据进行自学习，并且能服务自动驾驶整个链路的算法模块，包括感知、决策规划和定位。
举个例子，在面对一些比较典型的识别和检测任务时，如果人工设计一个检测网络，由于不知道哪些部分是最核心的网络，就可能带来冗余，但经过 AutoDrive 平台的优化之后，网络复杂度将大大降低。因为自动驾驶对实时性要求非常高，所以降低网络复杂度可以提升整体效率以及降低对硬件的依赖程度。
在 AutoDrive 的背后，阿里也搭建出了自己的自动驾驶云平台，海量的数据（场景数据库、自动驾驶车数据、数据采集车数据）都被搬到了阿里云上。
这个云平台包括数据管理平台、自动驾驶仿真平台以及算法模型训练平台，依托这些平台，阿里的自动驾驶团队打通了数据收集、数据标注、仿真、模型训练、评价等一整套系统，让自动驾驶算法研发效率更高。
现阶段，AutoDrive 平台使用的数据主要来源于阿里的自动驾驶试运营场景车辆和专门的数据采集车辆，还有通过仿真系统编辑产生的数据等等。
目前，AutoDrive 平台已经在阿里自动驾驶团队内部使用，其自动驾驶决策规划团队、感知团队、定位团队已开始使用这一平台。阿里认为，未来类似 AutoDrive 的中台会成为自动驾驶深度研发的必备模块。
除了重视算法研发，阿里在自动驾驶硬件层面也有布局。
阿里通过菜鸟网络在激光雷达领域投资了速腾聚创，双方合作做了很多的定制化的开发。
在摄像头领域，阿里针对夜间等低照度场景进行了 ISP 的定制化设计，形成了完整的 ISP IP。与当前业界通用的车规级摄像头 ISP 对比，大大提高了低照度场景下的图像质量和自动驾驶感知能力。
阿里也在进行嵌入式计算平台软件端的研发，包括基于 FPGA 的软硬件协同设计以及嵌入式软件设计。
事实上，阿里在 AI 芯片领域已经进行了广泛的布局。阿里此前通过蚂蚁金服投资了深鉴科技，后被赛灵思收购，赛灵思则是 FPGA 的代表企业。未来，阿里的芯片研发能力应该也能对其自动驾驶研发提供助力。
感知端，阿里自动驾驶走的是多传感器融合的方案，包括激光雷达、摄像头、毫米波雷达、惯导等。
但也有独特之处：阿里自动驾驶多传感器融合系统采取了按需感知增强的设计思路，能够在有限的运算资源条件下根据外界环境和下游决策规划反馈在线自适应的切换模型和信息融合策略，这可以很好地缓解计算单元的压力。
为了保障车辆的安全稳定，阿里自动驾驶的系统架构也有诸多冗余设计。
在传统的自动驾驶大脑之外，阿里为其车辆设计了安全小脑系统，安全小脑关注的是被动安全。此外，阿里还引入了一套远程驾驶系统，可以通过 5G 等通信技术对危险情况下的车辆进行操控。
冗余设计也体现在阿里设计的无人配送车平台上，这些车辆采用的是高度集成的 EE 架构，分为底盘域和自动驾驶域，每个域也有多层冗余保障。
现在的阿里将主要精力提升单车智能上，包括在自动驾驶算法、传感器以及计算平台方面不断深化研究。循着比较清晰的商业化目标，阿里的自动驾驶研发更加聚焦了。
对于阿里来说，其眼下的目标就是打造出一辆安全、智能且低成本的自动驾驶车辆，这也是通往自动驾驶技术和商业最佳结合点的必经之路。
