9月16日，由北京市人民政府、工业和信息化部、公安部、交通运输部、中国科学技术协会联合主办的2022世界智能网联汽车大会，在北京中国国际展览中心（顺义馆）开幕。本届大会以“智能加速度 网联新生态”为主题，包含1场开幕式暨主论坛、7场主题峰会、6个特色专场、2场闭门会及1场实地调研活动。
在9月17日顺义专场一：高级别自动驾驶技术挑战与产业前景中，美团副总裁、自动车配送部总经理夏华夏发表了题为“城市环境自动驾驶的渐进之路”的演讲。
以下内容为现场演讲实录：
各位领导、各位嘉宾、各位朋友大家好！非常高兴有机会和大家分享一下我们在自动驾驶方面的认知思考以及和大家汇报一下我们最近一年来在自动配送方面的进展。
首先刚才公秘书长提了一个非常好的问题，就是未来几年场景能够实现，这里面刚好有几张图，最重要的认知就是关于这方面，待会会和大家分享。
到目前看整个自动驾驶行业到了非常关键的时间点，就是从早期的技术探索这几年逐渐步入了商业化探索，首先从自动驾驶政策法规方面，我们看到中央政府、地方政府都发布了各种不同的法规或者示范试点城市，来支持整个自动驾驶的发展。包括中央也发布了智能汽车创新发展战略新能源汽车产业发展战略等产业的规划，也预示着对自动驾驶产业的发展支持。
如果从技术和落地应用角度来看，我们已经看到自动驾驶逐步地在一些场景开始进入到规模化落地应用的阶段，比如说特定场景下港口、矿山、机场等场景，已经开始逐步地展开应用，在高速公路的场景我们也看到了，比如说自动重卡，很多公司在这里面做一些探索，在载客运输和末端配送的商业化探索也有很多公司，包括美团在内，一直在这里面。但在这背后，我们还是想看一下未来从技术角度，它面临什么挑战？也就是刚才公秘书长问技术多少年能走到高级别驾驶。
在回答这个答案之前我想先看一下自动驾驶技术到底在干嘛？自动驾驶技术其实本质上就是在解决我们自动驾驶汽车在道路上行驶时遇到的各种不同场景，使得我们车在不同场景都能运行，这个场景分各种各样的维度，比如说交通标识、交通安全设备、各种障碍物以及特殊的商用车、救护车，包括障碍物到底是在停着、开着、上下客等等，也包括雨雪、雾霾等不同的气候条件，所有维度组合起来是非常大的数字，这里面列得不全，每一个都会有很多不同的种类。
比如说这里面列的红绿灯，红绿灯列了一个，但实际上我们在顺义区做运营时，发现大概有60多种不同的红绿灯，我们和专家沟通时他们说小看了复杂度，全球大概有200多种不同的红绿灯。这里面也有人，人也复杂，有行人，行人还分老人、小孩以及青年、学生，这都很不一样。当所有维度组合起来的时候，我们会发现非常大的场景组合数，这么大的组合我们自动驾驶怎么解决？横轴是没有举出来的场景，纵轴是车在运行中遇到的频率，遇到的频率越高我们采集的数据就越多，就越容易解决它。
我们看到很多不同的自动驾驶运行环境，它遇到的场景是不一样的。比如说高速场景自动驾驶重卡，它主要是高速上行驶，所以高速上遇到的是车辆交互，可能有车辆加速减速，有换道等等，它会非常集中。但它也有很长的长尾，虽然在高速行驶，至少我在北京高速上见过有骑自行车的，大家有没有在高速公路上见到人？比如说车坏了就会有人下来，所以说高速上会有停的车，有人和自行车，甚至其他意想不到的场景，所以有个很长的长尾。
如果我们看城市的自动出租车，它的场景就会更加宽泛，因为它在城市的各种道路环境里所遇到的场景更多。我们看低速配送车，它在高速的场景遇到的会很少，但在城市环境里，机动车道的组合就会比较低频，但有非常高频的非机动车道和人和自行车和电瓶车和三轮车的交互，也有高频的在社区中和障碍物的交互，这是各种自动驾驶所面临场景的分布示意图。这张图从城市场景来看，虽然分布频率不一样，但如果真的要解决所有的场景，或者打造高级别自动驾驶的目标，我们认为它要解决的场景差不多。
但哪一个先来做，或者哪一个落地时间该怎么判断，我们需要引入另外一个参数，就是我们去判断如果这个场景没有解决好，发生了一次事故，单次事故可能带来的伤害有多大？简单地估计一下，我们看运行中的自动驾驶设备容量有多少，质量有多少，最高速到多少，对自动配送车、自动出租车以及自动重卡，它的重量差距是非常大。比如说自动配送车大概几百公斤，重卡一般高速上是14吨起，但重卡还要讲究效率所以基本上都是40、50吨，速度也会差很多。
计算下来，如果说自动配送车运行中能量是E，那自动出租车大概×30就是自动出租车运行时能量级，自动中重卡大概要×1000，如果把这个系数×到刚才的公式上，大概会得出这样的示意图。×1000数字太大我没有真的×1000。可以看到自动重卡虽然有细的长尾，但它的系数很大，所以×上1000就不是很细的长尾了。这样×了以后，回答公秘书长的那个问题，自动配送车在不同的场景分布概率下，如果在一定的自动驾驶能力下它的事故成本会是比较低的，可能落地时间会比较早一点。比如说如果我们做到最左边的虚线是，那看起来解决了很多自动驾驶场景的方案，在这个场景下长尾事故的成本是不能承担的。但在这个时候还是能找到应用场景，比如说L2的辅助驾驶和ADAS，还有自动驾驶的测试，车上有专有安全员，这时候长尾有司机和专用安全员来兜底。
再继续解方案，解到中间会发现我们会比较有信心说不需要专有司机一直在路面，我们可以用一个司机去盯好几台车，这样我们认为它是进入了L3或者按照国家标准叫有条件自动驾驶的阶段。但即使是到了L3我们再往下走，还要走非常遥远的路，达到L4，真正做到像人类的驾驶水平差不多的时候，我们才有非常强的信心说基本上不需要安全员来做，因为自动驾驶的车发生事故概率已经不高于人驾驶了，但这条路会非常长。
幸运的是在L2和L3阶段已经发现了很多落地的场景，比如说L2的ADAS以及重卡，可以找到很好的应用场景，在L3我们认为自动配送如果做到L3，就可以比较好的在场景里落地了，这是我们去理解自动驾驶事故的分布曲线以及成本，这也是我这次想给大家分享的主要内容。
因为美团主要聚焦在自动配送，也给大家汇报一下在自动配送的进展。城市场景的自动配送按照刚才那条曲线来说面临的场景非常复杂，机动车道、非机动车道都是不同的，需要和很多不同的障碍物做交互，需要有很强的自动驾驶预判能力，需要有很强大的人机交互能力，包括车路人云的协同能力，可以更好地应对意外，对安全的需求也很高。我举几个小的技术问题，比如说需要解决全天候和全场景的感知能力，需要解决雾霾、夜间、雪天和雨天等各种不同场景感知。一些比较难的或者比较有趣的问题，给大家举几个，我们在顺义跑有时候会在社区中看到路边有人摆乒乓球台，自动车的激光雷达或者视觉会觉得这很像三轮车，那我们怎么来感知它，比如说在路上能看到很多小动物以及施工区域，也会看到有很多时候会遇到路边有人坐在那，坐在那可以识别一个人，但是坐着的这个人把他的腿伸到路中间，我们怎么避免不压到？这都是比较难的感知问题。
我们在实际工作中就需要做多传感器的融合，最终做到比较好的融合感知对各种物体做识别。我们也在规划方面做了安全高效智能的算法，具体的就说了。给大家看三个小例子，可以理解一下我们在做城市自动配送时所面临的场景是什么，这是一个很典型的，从美团买菜的仓库出来以后大概有几百米的路大概路况是这样，右下角是拍到的路，大屏是自动驾驶把整个感知的事情用图标标出来。可以看到在路上它和很多行人以及进进出出的车做交互，整个道路就变得非常拥挤。
再来看在校园做配送时，也会遇到很多有趣的场景。一个是在食堂门口，这就是个方的地方，但是我们有20几台车要进去然后装上车再出去，这就需要车在很小的区域里能转出来。学校里有很多车，自行车、行人，我们怎么在拥堵环境中流畅地运行。最后一个画面是在学校里在疫情期间和高校老师和学生以及志愿者给他们配送盒饭的场景。
最后一个例子是在居民小区里运行的情况，可以看到这个场景更加有趣，因为路很窄，可以随处可见随处停的车辆，还会有行人、动物以及婴儿车，有时候还会有快递车以及垃圾车，一旦垃圾车来了之后就把整个道占满了。所以在居民小区我们花了很多算法优化，包括感知、包括决策规划控制，才真正让它比较好地跑起来。经常会有这样的行人，以及小孩骑着平衡车在园区里，我们都需要把它规划好。
最后总结一下，城市环境的大规模应用难点需要解决很常规的问题，以及业务过程中交互的问题，包括车辆维修充电和保养的运营问题。但总体来讲在大规模商业化落地的政策基础方面行业正在必经的过程中，如果直接回答公秘书长，我认为未来3-5年会是在自动配送领域大规模落地的时间点，我们也希望在我们的努力下和政府支持下，早日实现用自动配送让服务触达世界每个角落的梦想，谢谢大家。
（注：本文根据现场速记整理，未经演讲嘉宾审阅）
