智能驾驶大家一定不陌生，提起就会联想到《机械公敌》里威尔斯密斯的座驾奥迪RSQ，也会联想到特斯拉的无人驾驶。而很少有人会想到机场里的无人载/卸货车、矿山上的无人挖掘与运输车辆、市政里的环境巡逻与自动垃圾清理。
相对于一般乘用车出行，这些特殊且多元化的长尾应用场景对智能驾驶的需求不那么明显、分散在各个领域、需要特殊定制、量级也不那么大，给人的感觉是可想象的空间不大，也是很多车厂不愿涉足的业务。
其实，如果把这个问题放到AI的视角去看待，那么无论是一般出行还是多元化场景定制，都变成了一个智能决策与控制问题，关键是这样的场景融合与问题抽象化给技术以及公司的资源整合能力带来的挑战是巨大的，这就好比如何构建一个通识教育的学院，培养出各个领域的专才。
所以，面对长尾应用场景的智能驾驶解决方案需要构建在一个可伸缩的AI容器之上，通过技术创新实现商业模式的创新。那么，当我们把特殊定制化问题变成通用智能化问题时，这个应用领域及市场空间其实是极其巨大的。
长尾应用场景下AI智能驾驶技术的商业价值
1）节省人力成本。通过智能驾驶技术，帮助车队减少驾驶员数量和操控环节的人员数量，进一步为企业节省后勤保障和管理人员数量，缩减人员开支。除此之外，相对于现在企业普遍面临的招人难、用工难问题，无人驾驶变得更加迫在眉睫。
2）优化运营效率。通过配备传感器、摄像头等装置实时监控车辆运行状态和环境状况，优化车辆运行路线和车队协作调度，精准控制作业操控动作与流程，大大提高工作效率与效果。与此同时，通过AI技术的软迭代与系统升级，快速实现对不同环境的适配，从系统级别去提升运营的效率。
3）提高作业安全性。AI智能识别技术帮助监控环境风险及违规行为，避免司机由于疲劳驾驶、操作失误等造成车辆事故，保护车辆和机械周边人员的人身安全。
4）降低燃油、轮胎消耗和综合成本的下降。车辆机械的油耗是车辆生产运营中成本项的重要指标，相较于主观和情绪驱使的人类驾驶员，算法驱动的智能驾驶车辆通过对日常运营结果进行大数据分析，综合考虑道路状况、车辆载重、机械磨损、天气状态和任务目标等因素，形成能耗曲线，制定更优的操作策略，提高发动机的运行效率，节省燃油费用。
此外，轮胎检测系统将实时轮胎数据输入智能驾驶系统，算法结合车端的数据实现轮胎磨损预测模型，提前了解轮胎的寿命情况进行预防性维护，降低轮胎故障的风险以提高安全性。
5）智能调度车辆，实现高效率的路径规划。无人驾驶系统与传统的卡车调度相比，拥有数据的准确性、客观性、实时性以及自适应优化迭代的执行力，同时能够实现宏观调度下的多台车辆编队协同作业，达到产能最大化、成本优化的目标。
长尾应用场景的落地优势
港口、矿山、市政、建筑、园区等特定场景具备良好的设施基础条件，便于领域内资源整合，有助于智能驾驶更快落地。
1）组织协调性。商业应用场景下的车辆一般由一个运营方统一管理，可以统一安装部署一套软硬件系统，甚至采购同一型号车辆，便于形成标准的行驶、运营规范，且车辆间可以通过同一个网络平台或按照统一的通信标准实现互通互联，在管理上和技术上都可以实现全局性的协调优化。
2）运行有界性。相对于一般出行的随意性，在特定商业场景中的智能驾驶车辆，作业区域有一定的限制，这与随机数量的乘用车在无边界开放道路行驶的复杂场景存在显著差异，特定场景下的智能驾驶相对而言可控性更强，也可通过统一的运营主体更容易实现统一规划和调控。
3）车辆相对低速且线路固定。相对于主干道上的高速智能驾驶车辆，特定场景下的智能驾驶车辆的速度较低，距离较短且固定，容易实现无人驾驶网络的铺设，具有更高的安全性。
4）公共安全问题较小。开放道路的智能驾驶车辆面临公共安全问题，需要通过一系列长周期、严格的测试才能上路。
结合北京、上海等城市发布的智能驾驶道路测试管理办法，智能驾驶车辆须通过封闭测试场景日常训练和交通法规遵守能力、智能驾驶执行能力等评估，同时通过车辆安全技术检验，才能够上路测试运营。
而特定场景下的智能驾驶车辆通常属于封闭区域内的特种设备，不在公共道路交通管辖的范围之内，其受到的限制也更小。
长尾应用场景下智能驾驶技术的挑战
相对于一般出行的乘用车智能驾驶，特殊商业场景的领域范畴更加多样化，需要解决的问题也更加专有化，导致各领域样本数据量较小，甚至无样本数据。这给AI智能系统的研发带来巨大挑战。
1）方案不可复制性。在行驶干道上，矿场运输车、市政物流车、清洁车可共享部分干道行驶数据及通用道路智能驾驶策略，但矿场内的运行环境其他领域商业车运行环境是完全不同的，且不同矿场间也存在巨大差异，例如地形地貌、海拔高度、坡度、路面铺设物等，这就使得解决方案需要特殊定制和优化。
2）特殊需求叠加形成整体方案。商业客户要求使用的都是一套完整面对其特殊需求的整体方案。
例如，矿场方案需要针对挖掘机摆臂探测周围人、物，对摆臂操作实现精准控制或规范预警，防止安全事故；泥土搅拌车除了需要在道路安全驾驶、实现紧急状况下的自动刹车（AEB）、弯道盲区行人检测等之外，还需要实时检测泥土搅拌质量实现报警或搅拌速度控制等。
一方面这些特殊需求又不可以在不同领域共用，另一方面它们又不能在某特定商业方案中被舍弃，导致各领域或各具体场景都拥有各自场景下通过特殊需求叠加形成的整体解决方案。
3）成本敏感。作为商业实体的需求方，会严格衡量收益与成本，对于动辄几万甚至十几万的单价成本企业是很难接受的，所以技术路线上就需要对诸如激光雷达等高成本设备进行舍弃。
4）无通用地图。特定空间、有限路径是一把双刃剑，一方面给智能驾驶带来了更加安全的封闭环境，而另一方面，它的特殊性、易变性也导致了无标准行驶地图，这要求智能驾驶系统能根据动态的环境和目标实时决策、生成动态的行驶路径（这也有别于按轨运行的AGV车辆）。
5）数据标注难度大。特定的商业场景注定了它们特定的知识体系，例如泥土车搅拌问题、吊机卡绳问题、港口集运装/卸货问题等等。那就要求AI算法研发团队需要针对特定问题理解其需求并针对性地实现数据采集和样本标注，这带来了巨大的商业成本和研发成本。
长尾应用场景智能驾驶解决方案
针对上述特殊商业场景的业务需求和挑战，名商科技立足于AI智能化技术的本质，以智能车载设备为抓手，以商用车联网为主体躯干，构建针对商用车业务场景的数据引擎+多任务AI模型引擎的“双驱动”智能化解决方案。
1）数据引擎。
名商已与宇通、比亚迪、三一、东风等国内外龙头商用车企建立战略合作伙伴关系，通过前装，名商数字底座及智能车载摄像头等系列产品已经在广泛的商用车型得以应用，并通过连接名商车联网平台实现了广泛的多场景真实运行大数据采集。与此同时，通过在厦门建设商用车专用测试场，持续采集样本数据，实现多场景、多物体、多状态、多需求数据的长尾覆盖。
多场景识别
多物（态）识别
2）低成本自动标注技术。
为了满足各商业客户低成本的运营需求，名商摒弃昂贵的激光雷达设备。采用全图像技术，基于在线车联网和离线车载算法模型，利用双闭环数据迭代实现图像数据语义的预测、验证和自标注，进一步配合双目相机自编码、司机驾驶记录、超声波测距等技术手段实现更全面的商用车智能驾驶的数据库建设。
3）多任务人工智能模型。
名商智能驾驶技术实验室立足深圳前海、香港，构建一个国际化的AI技术团队，面对多样化、更新快、需求特殊的商业场景构建一个可伸缩、可定制的多任务AI算法引擎，主要从以下几个方面做了深度研究，构建自己的技术特色与壁垒：a. 多任务神经网络结构；b. 多任务模型训练及运行时的数据选取与融合；c. 损失函数设计与优化。
4）低成本多感知融合预控制器
面对多元化长尾商业应用场景，除了需要考虑不同场景下的特殊需求，还要照顾不同背景客户成本偏好，这需要在满足需求问题解决的多样化数据（包括：超声波、毫米波、热成像、视频、激光雷达等）采集基础上，打造一个可以从成本最优到功能最优的可选硬件组合项。对此，名商联合地平线等车载智能芯片厂商，打磨、优化了能满足从基础监控到远程调度、从基础ADAS、AEB到L4级别商用车无人驾驶，以及特殊场景需求（如选矿及装卸）叠加的商用车智能驾驶预控制器系列产品。
商业模式怎么走?
名商的答案是，提供智能驾驶软硬件解决方案和深度参与运营双模式并行。
在二十年的车载终端、车载摄像头、车载后视镜等车载智能设备研发、生产和销售积累的基础上，名商已经沉淀了一整套针对商用车智能驾驶的软硬件解决方案，并逐渐与车厂达成深度合作，向智能驾驶整车改造和生产迈进；
结合名商车联网平台的建设和人工智能技术团队的不断壮大，名商已与印尼巴东港、深圳港、紫金矿业等场景用户展开深度合作，对技术和行业的理解更加深入，正在接入物流、园区运营和矿场、港口联合（代）运营，计划用五年时间升级为提供商用车领域智能驾驶运力的服务商。
本文来自名商（香港）科技有限公司 总经理 犹杰
