阿里巴巴布局自動駕駛始于 2015 年年底，歷時 4 年，其末端配送機器人已大規模落地，進入到大學校園，承擔起包裹運送的任務。
去年雙十一，這些無人配送車還加入了戰斗，單校園單日收寄件超過千個包裹。
不難發現，和大多數企業不同，阿里巴巴布局自動駕駛是從末端物流為突破口。
阿里巴巴達摩院自動駕駛實驗室負責人王剛向汽車之心表示，阿里自動駕駛的目標是打造智慧物流運輸平臺，讓物流更便捷高效。
這一目標的確立與阿里經濟體的屬性息息相關，淘寶、天貓、餓了么、盒馬等這些業務都離不開物流配送。
阿里還有菜鳥網絡這樣的智慧物流平臺，對行業有很深的認知，也有眾多合作的物流企業。所以，阿里要進行自動駕駛技術的商業落地，從物流行業切入是順理成章的事。
利用自動駕駛車輛載物要比載人的安全風險更低，技術實現的難度也更低，法律法規上還有更大的自由度。
定位打造智慧物流運輸平臺后，阿里也確立了末端無人配送和公開道路物流兩種業務形態雙線并進的策略。
其中，末端無人配送的研發進展要更快，因為其車輛速度慢、軟硬件精度和穩定性要求低，還可以進行遠程操控。目前，阿里的無人配送車已經在多個校園和園區內開啟了小規模運營。
阿里要實現「打造智慧物流運輸平臺」的目標，推動自動駕駛技術的商業落地，背后必然離不開一個完整的自動駕駛技術開發大圖。
我們首先把目光聚焦在阿里自動駕駛技術大圖的算法層。
王剛有一個觀點是：目前制約自動駕駛發展的最大瓶頸依然是算法不夠優秀，所以就算把當今世界上最先進的傳感器、計算單元都集成到一輛車上，這輛車仍然無法實現完全自動駕駛。
正因此，阿里在自動駕駛算法的研發上投入了更多的精力，并提出了「小前臺、大中臺」的概念。
「小前臺」指的是感知、定位、決策、控制這樣的自動駕駛算法模塊，這些是所有自動駕駛研發企業都必須開發的算法;「大中臺」則是阿里團隊自主打造的 AutoDrive 平臺，這個平臺由自動調參模塊、網絡結構搜索模塊、主動學習模塊、框架和基礎集群平臺組成，可以大大提升自動駕駛技術研發迭代的速度。
如果將車輛的自動駕駛任務比作是一場攻堅戰，那「小前臺」扮演的就是沖鋒隊的角色，而「大中臺」則是后續的飛機、坦克編隊?！复笾信_」將為「小前臺」提供強有力的支持。
現階段，整個自動駕駛算法研發鏈路中還存在大量人工設計的環節，例如數據預處理、感知模塊的神經網絡結構/超參數、定位模塊中的融合參數、決策模塊中的規則及參數等等。這些人工設計的環節很大程度上限制了算法研發進度，讓算法研發人員需要花大量的時間去調參，質量差、效率低。
為了減少人工設計，阿里的 AutoDrive 平臺能夠基于海量自動駕駛數據，用搜索/優化的方式去自動化地學習更優的網絡結構/參數/數據預處理等等，從而實現計算替代人工。
不同于業界的 AutoML 的部分在于：AutoDrive 基于復雜的多模態的時序的自動駕駛數據進行自學習，并且能服務自動駕駛整個鏈路的算法模塊，包括感知、決策規劃和定位。
舉個例子，在面對一些比較典型的識別和檢測任務時，如果人工設計一個檢測網絡，由于不知道哪些部分是最核心的網絡，就可能帶來冗余，但經過 AutoDrive 平臺的優化之后，網絡復雜度將大大降低。因為自動駕駛對實時性要求非常高，所以降低網絡復雜度可以提升整體效率以及降低對硬件的依賴程度。
在 AutoDrive 的背后，阿里也搭建出了自己的自動駕駛云平臺，海量的數據(場景數據庫、自動駕駛車數據、數據采集車數據)都被搬到了阿里云上。
這個云平臺包括數據管理平臺、自動駕駛仿真平臺以及算法模型訓練平臺，依托這些平臺，阿里的自動駕駛團隊打通了數據收集、數據標注、仿真、模型訓練、評價等一整套系統，讓自動駕駛算法研發效率更高。
現階段，AutoDrive 平臺使用的數據主要來源于阿里的自動駕駛試運營場景車輛和專門的數據采集車輛，還有通過仿真系統編輯產生的數據等等。
目前，AutoDrive 平臺已經在阿里自動駕駛團隊內部使用，其自動駕駛決策規劃團隊、感知團隊、定位團隊已開始使用這一平臺。阿里認為，未來類似 AutoDrive 的中臺會成為自動駕駛深度研發的必備模塊。
除了重視算法研發，阿里在自動駕駛硬件層面也有布局。
阿里通過菜鳥網絡在激光雷達領域投資了速騰聚創，雙方合作做了很多的定制化的開發。
在攝像頭領域，阿里針對夜間等低照度場景進行了 ISP 的定制化設計，形成了完整的 ISP IP。與當前業界通用的車規級攝像頭 ISP 對比，大大提高了低照度場景下的圖像質量和自動駕駛感知能力。
阿里也在進行嵌入式計算平臺軟件端的研發，包括基于 FPGA 的軟硬件協同設計以及嵌入式軟件設計。
事實上，阿里在 AI 芯片領域已經進行了廣泛的布局。阿里此前通過螞蟻金服投資了深鑒科技，后被賽靈思收購，賽靈思則是 FPGA 的代表企業。未來，阿里的芯片研發能力應該也能對其自動駕駛研發提供助力。
感知端，阿里自動駕駛走的是多傳感器融合的方案，包括激光雷達、攝像頭、毫米波雷達、慣導等。
但也有獨特之處：阿里自動駕駛多傳感器融合系統采取了按需感知增強的設計思路，能夠在有限的運算資源條件下根據外界環境和下游決策規劃反饋在線自適應的切換模型和信息融合策略，這可以很好地緩解計算單元的壓力。
為了保障車輛的安全穩定，阿里自動駕駛的系統架構也有諸多冗余設計。
在傳統的自動駕駛大腦之外，阿里為其車輛設計了安全小腦系統，安全小腦關注的是被動安全。此外，阿里還引入了一套遠程駕駛系統，可以通過 5G 等通信技術對危險情況下的車輛進行操控。
冗余設計也體現在阿里設計的無人配送車平臺上，這些車輛采用的是高度集成的 EE 架構，分為底盤域和自動駕駛域，每個域也有多層冗余保障。
現在的阿里將主要精力提升單車智能上，包括在自動駕駛算法、傳感器以及計算平臺方面不斷深化研究。循著比較清晰的商業化目標，阿里的自動駕駛研發更加聚焦了。
對于阿里來說，其眼下的目標就是打造出一輛安全、智能且低成本的自動駕駛車輛，這也是通往自動駕駛技術和商業最佳結合點的必經之路。
