顾家军毕业于上海交通大学机器人学院，机械电子工程专业，主要从事自动驾驶和人工智能方法的应用研究。顾博士先后在通用电气中央研究院和宝马中国研究院工作。在GE工作期间，他参与了其全球定制精益生产、运营优化、数字化、机器人和自动化解决方案设计、项目管理和方案实施。谷博士在上海宝马研究院工作期间，主要负责L4/L5自动驾驶相关核心算法的开发和测试规范的编写。作为核心团队的一员，他帮助宝马成为第一家在中国获得自动驾驶车辆路测牌照的国际整车厂商，并先后获得17项机器人和光学检测相关专利，发表国内外期刊会议论文11篇。
让机器更智能、无人化在生产物流场景中的应用
各位专家朋友，下午好。我是联盟科技的顾家军。联盟科技是一个年轻的团队，专注于为生产物流场景提供自动驾驶产品。在这里，我们将围绕L4自动驾驶这个主题，结合联盟科技近年来的一些实践，分享一些我们的思考。
自动化使能制造、自动驾驶和升级生产物流
说到生产物流，我们首先想到的是制造。制造业中的物流往往具有运输距离短、频率高的特点。精益制造的一个重要概念正当其时。理想情况下，上行和下行链路是无缝连接的。通过减少原材料和在制品的库存，减少资本沉淀，提高资源周转，从而降低制造成本。因此，对物流有着强烈的需求。当然，并不是所有的生产物流都对节拍有严格的要求。比如矿区，矿车不停的往生产线运送矿石。如果一车矿石晚点几分钟，可能不要紧，但是如果晚点一个小时，可能就需要停产生产线了。我们可以发现港口装卸船，厂区仓库之间的转运等。都有这样的运行节奏特征，这样的生产物流场景让我们成为自动驾驶的目标场景。
由于对拍子要求不严格，这些场景往往都是人工搬运，都或多或少面临一些共性问题。高强度作业和夜间连续作业带来的疲劳带来了一定的安全事故隐患，员工的持续流失也导致了一系列的管理困难和成本上升。我们注意到，为了降低运营成本，企业往往以分包的方式引入外部合作伙伴。之前在矿区遇到业主自己的运输量20套3班4班，外包公司完成12套2班。外包可以明显降低成本，但也可能带来一些新的问题，比如变更成本的增加。当现有流程需要改进时，由于需要跨团队、跨公司的合作，一般很难顺利推进。
自动化制造的收益已经成为大多数人的共识。2022年工业机器人销量是10年前的10倍，预测年增长率为25%。在矿业领域，力拓、必和必拓等国外矿业巨头从2010年开始逐步试点和推广无人驾驶技术。从他们公开的财报来看，无人驾驶技术的设备利用率和运营效率都得到了显著提升，成本的优化也很明显。到2022年，这些矿业巨头拥有近1000辆无人车，年均增长率为40%。当然，国外矿业的模式和生产组织与国内有很大不同。近年来，国内很多团队在矿区自动驾驶的应用上取得了很大的进展，获得了相对具体的运营数据，包括我们。我们相信，在我们的共同努力下，我们可以在中国快速验证无人驾驶技术的综合运营效益。
物流自驾产品要对车辆、环境、工况有良好的适应性。
如何定义我们的目标生产物流场景的特征决定了如何设计我们的产品ODD。车间运行的AGV是生产物流而不是L4应用？robotaxi在特定区域运行是生产物流吗？我个人理解这些都是生产物流的L4应用，因为原则上承运人不需要知道货物的种类和下一道工序的内容。那么，我们的自驾矿卡除了节拍之外，和AGV、robotaxi等生产物流有什么区别呢？我们的理解主要是:运行速度，工作条件，对环境的控制程度，对独立决策能力的需求，批量复制的能力。
近两年，矿区、港口的自动驾驶行业吸引了很多人的目光，大家都心知肚明。投资者参观完我们的矿区后，经常会问这是不是只是一个演示。我觉得这个问题很好。所谓演示，说明它具有很强的受控环境属性，相对容易被针对性优化，就像车间里运行的AGV一样。所以矿用卡车在矿区的自动驾驶并不代表我们的自动驾驶产品开发完成，可能是大型AGV。俗话说，行百里者半九十。从18年加入这个细分市场开始，我就一直在思考如何走好剩下的10%的路。我们得出的结论是，物流无人驾驶产品的生产要有车辆、环境、工况的适应性。
与乘用车相比，商用车有很大的不同。车轴数量、有无拖车、驱动机构直接影响传感器系统和自动驾驶方法的实现。目前，滑板底盘、低延迟制动ibooster或EMB、电机直接驱动等热门技术在这些商用车中都不具备。有时候车辆的外观是一样的，但是为了适应不同的负载要求，会采用不同的结构设计和线控执行机构，导致车辆的受控特性，包括响应性和一致性都有很大的差异。这些都是商用车自动驾驶首先需要解决的问题。同时，由于其生产属性，往往需要与其他生产设备配合，实现对货斗、篷布等作业设备的线路控制。但是，这些控制逻辑在不同的场景下往往是不同的。对于同一个货斗，场景A要求提升到顶部后保持，场景B要求在提升的同时向前移动。所以很难为所有生产物流场景提供完全标准化的产品。车辆结构的多样性、受控对象和逻辑的差异是不同生产物流场景下自动驾驶解决方案首先面临的问题。
生产环境也不同，包括结构化、非结构化、铺装路面、未铺装路面等。在矿区，矿卡可能需要从非结构化的装车点运输矿石，通过未铺砌的道路，再通过有完整车道的铺砌道路到达结构化的生产车间。采矿区的爆破和港口的货物堆放将显著改变环境内容。即使是同样的矿石运输，不同的企业也会有不同的工艺要求，包括作业时给车辆让路，与其他作业设备的协调等。只有我们的自动驾驶车辆能够快速适应这些差异，才能提高产品的实用性。
车辆和环境的这些差异可以在系统部署之前预测一二，并优化部署系统。在连续的生产经营中，车辆的运行状况会不断发生变化，这是不容忽视的。是否连接半挂车，会使牵引车的倒车策略完全不同。车辆的载荷变化、车轮与地面的接触情况、传感器的工作情况都会在一定程度上影响车辆的自动驾驶效果。为了保证车辆的持续行驶能力，需要车辆根据运行控制的变化自主调整相应的自动驾驶策略。
车辆控制系统VCS+现场操作系统FOS适应不同的生产物流场景。
为了满足这些要求，我们的自动驾驶解决方案分为两个部分:部署在每辆车上的车辆控制系统VCS和负责生产管理、车辆调度和工作协调的现场操作系统FOS。生产物流场景中的日常操作，都是通过两者的配合来完成的。以矿区场景为例，现场作业系统接收采矿计划或运输工单，将运输工单分解成相应的任务并发送给选定的车辆，车辆控制系统执行并确认任务的完成，直至工单的所有相应任务完成。
车辆控制系统VCS分为三个主要模块。首先，对于前置式车辆线控底盘，适当的线控功能，相应的通信矩阵，冗余安全机制等。通过与OEM的合作伙伴共同定义来开发，以便为上层自动驾驶系统提供标准化的功能接口。其次，定制化的传感器系统，根据车辆的外形和实际场景的操作要求，选择合适的传感器类型和数量，满足特定的环境感知要求。最后，标准化的自动驾驶系统包括电力交换、融合定位、数据记录、运算器和自动驾驶控制器五个部分。通过配置参数的调整，它可以通过电线和传感器系统快速适应不同类型的车辆。传感器系统与自动驾驶功能部件之间的相对解耦具有可以根据车辆类型和场景灵活调整传感器的类型、数量和安装位置的优点。以这款宽体矿用卡车为例，该车的日常运输曾经是主力车辆，所以通过匹配各种传感器来完成对前方和侧向的环境感知，后视激光雷达满足了卸货时的精准泊车和避障要求。多种传感器可以通过远近视场的组合来减少车辆感知系统的盲区，同时在相对重要的距离上，可以通过重叠视场提供冗余的感知和检测能力。此外，定位、调控功能也采用不同的方式实现一定的容错，从而减少局部自动驾驶系统故障导致的停产，保证生产的连续性。
同时，生产物流场景也对自动驾驶技术本身提出了一些具体要求。总结我们这几年的功能迭代，主要体现在以下几个方面。首先，感知定位系统的抗干扰能力。生产场景的环境控制特性相对于空路环境大大降低了物流场景的感知复杂度，所以主要需求还是体现在稳定性上。以矿区为例，一般处理真阴性问题。定位系统所需的卫星定位信号和RTK信号可能会因环境的影响而产生较大的波动。在这种情况下，需要结合高精度地图和其他相对定位方法，保证各种工况下的定位精度。但实际上我们还是要避免误报信号对定位结果的影响。例如，卫星定位信号非常有把握地提供一个误差较大的结果，而我们往往不能简单地通过相邻处理周期中的结果来识别。这时候就需要一段时间的时间序列数据分析来识别这样的误报。当生产物流现场的能见度大于50m时，无论气候条件如何，都要求继续生产。因此，感知系统必须能够区分由雨、雪、灰尘等引起的虚假障碍。，以减少对运行效率的影响。其次，规划系统的动态规划能力。拖车、独立转向等结构的引入，导致规划维度增加，但仍需保证规划效果和速度，且由于执行器动态性能的限制，引入了新的规划约束和考虑。最后，控制系统的适应能力。根据不同的生产工艺，对车辆会有一些特定的高精度控制要求。比如港口作业过程中，往往对车辆的纵向停车精度有更高的要求。矿区称重作业过程中，水平停车精度要求高。在车辆本身负载变化较大、执行器执行效果不一致的情况下，控制系统需要根据不同的运行要求满足不同的精度要求。另外，有些场景中的路况会随着时间而变化。经过反复碾压，雨雪天气，轮胎与地面的接触效果也会发生变化。我们遇到过车辆需要上汽车衡才能完成称重的场景。因为天气潮湿，加上其他车辆的反复碾压，在汽车衡前压出了一个坑。因此，车辆需要踩下油门才能走出泥坑，在湿滑的汽车衡金属表面上平稳减速并停在指定位置，这对控制系统的工况识别和快速切换是一个挑战。
车载控制系统需要处理车型和环境的不确定性，现场操作系统需要根据不同的环境条件，按照不同的生产流程实现车辆调度。如何减少生产物流场景切换带来的重复性开发工作？能否通过简单的工艺配置适应不同的生产流程和工艺变化，是我们思考的问题。因此，我们的现场操作系统包括五个级别。硬件、网络和数据层保证了设备的稳定运行和设备间的数据互联。应用层主要基于自动驾驶和生产运营的数据，及时更新车辆控制系统所需的支撑数据。同时根据业主要求，按需实现数据采集、呈现和分析。在流程层，根据生产配置和作业条件，以直观的方式建立或调整流程模型，基于流程模型实现车辆作业调度以及车辆与车辆、车辆与作业设备之间的协调。
流程和调度逻辑的轻量级定制促进了自动驾驶的快速部署。
通过对生产流程的建模，可以快速实现不同生产物流场景下调度逻辑的定制。图为安徽铜陵一座全自动化砂石矿。车辆需要将矿石卸到破碎机上。运输车辆由公路自卸车改为宽体矿用车后，破碎机附近排队空间不足，容易造成局部拥堵。通过FOS系统梳理任务流程后，形成多个队列缓冲区，控制进出破碎机的车辆路权，可以轻松解决破碎机附近的道路拥堵问题，实现系统的快速部署。
在生产运营过程中，我们认为特别重要并不断优化的另一点是故障监测和诊断能力，体现在整车控制系统和现场运营系统中。除了监测有效输入和故障信号，我们还增加了对转向、制动等一些关键线路控制部件的性能评估，通过多台设备、多辆车进行冗余表决，尽早发现潜在故障点，确保生产经营的安全性和连续性。
自动驾驶技术为生产物流场景创造的效益是确切的。以我们在山东港的项目为例，通过对龙门吊、料斗、自卸车、挖掘机的改造，整体实现了干散货码头的无人装卸船。经调查，它是世界上第一个无人操作的普通散货码头。Union负责水平运输车辆的自动化和车辆调度。目前，已有20%的泊位和堆场进行整体改造，6台纯电动无人驾驶宽体矿卡支撑改造后泊位的运输作业。今年5月起，进入正常生产运行。随着剩余泊位的改造，船队数量将进一步扩大，港口整体无人运输将逐步实现。运营过程中，车辆100%自动驾驶，同时安全员下车，减少现场人员70%，每吨运营成本27%。基于港口自驾车辆对卸船流程进行改造后，现在整体作业效率已经超过了原来的人工卸船效率。
和前面的例子一样，我们期望引入自动驾驶技术，推动生产升级。然而，传统生产物流组织的改革将不可避免地面临阻力。我们整体计划中的任何缺点都可能被聚焦和放大，从而成为改革失败的原因。这不仅是自动驾驶方案，还有车辆、网络基础设施等等。所以一个成功的落地项目一定是多方合作的过程。在过去的几年里，我们基于联盟和共识的原则，通过与上下游合作伙伴的合作，成功推动了自动驾驶在矿区、港口和站点的成功应用。未来也希望不断结交新朋友，共同加速自动驾驶系统在生产物流场景的应用。
以上是我们对生产物流场景下自动驾驶方案的实践总结。感谢大家的耐心，欢迎志同道合的朋友加入联盟。谢谢你。
