自动驾驶的落地，一直被类比成登月工程。

大环境下，自动驾驶公司面临的往往是：大量烧钱、落地受阻，且效果远达不到预期。

但是在垂直场景——港口码头，7×24小时全无人全工况无人驾驶已然成为现实——

L4级无人卡车拉着集装箱往返于码头和堆场之间，成为港口作业系统中的重要一环。

车队规模不算小，60多台，出没于货运吞吐量排名世界第一的港口：宁波舟山港。

AI司机不知疲倦和辛劳，能够忍受单调重复的工作场景，运行效率无限接近传统人类驾驶员……

一来缓解了招工用工难的问题，二来还让港口更趋自动化和井然有序。

AI科学家在码头登月

说到港口，你的第一印象可能是：繁忙、拥堵。

事实也的确如此。

络绎不绝的船舶到港停泊，各种机器在耳边轰鸣作响。

通常情况下，港口遵循的作业流程包含：船舶进出港、岸侧作业、内集卡水平运输、堆场作业、外集卡水平运输、闸口作业等。

在这其中，负责水平运输的内集卡司机，需要配合场桥与岸桥完成装卸箱作业，并穿梭往返于泊位和堆场之间。

如此循环往复，每天的运输场景非常固定，从A点到B点再回到A点。另外，码头作业等待与堵车现象也非常频繁，非常考验司机的耐性，因此也有人说他们是“体力和耐力的完美体验者”。

其实难的不仅仅是内集卡司机，还有背后的港口运营公司——缺口较大时，即便开出2万的月工资也招不到人。

新入职的司机，还要面临长达半年的培训周期。

但到了2019年初，情况开始有了好转。

原因是来了一位AI科学家，成日混迹于港口之中，在这里实现了他的“登月”之旅。

杨政，中大本科、浙大计算机博士，滴滴研究院前无人驾驶算法研究员，目前是飞步科技联合创始人兼CTO。

主要研究方向为机器学习，他曾在国际顶级学术会议（如CVPR、NIPS、IJCAI）和顶级期刊（如TNNLS）发表论文数十篇；另外，杨政还申报56项发明专利，其中9项授权。

之前在滴滴工作期间，杨政曾提出了基于DNN和组合优化的动态定价算法，减少了定价过程中需要的人工干预，提升了定价准确性，同时还实现了基于数据和算法的自动动态定价。

而后参与创立了飞步，杨政最主要的贡献，莫过于主导开发了一系列基于人工智能的软硬件产品：无人驾驶水平运输系统、远程控制系统、车队及设备调度管理系统。

正是这套系统，让港口的一切都变得简单了起来。

卡车具备了L4级单车智能的能力，无需安全员，在相同的时间与空间维度里能够与有人驾驶的集卡车辆共同混线作业。

依靠车身搭载的传感器，无人集卡与各种港口装卸工艺进行适配，同时还可以在场地内自如开展停车避让、超车、转弯等动作。

云端控制系统的作用体现在，会从码头生产管理系统（TOS）自动获取所需的数据（包括作业时间、船舶大小、吊具位置、作业贝位等），秒级确定需要多少台无人集卡，并实时下发作业指令。

并且，云控系统还会根据船头船尾位置、天气情况、码头内交通流量预测等，给出无人集卡车队最优的路径规划。

集卡司机的工作环境也因此发生了改变，从原来的驾驶室移步到了远程驾驶舱，一个人负责远程监控数十台无人车的运行状况。

为什么在码头登月？

杨政表示主要是基于三点考虑。

一是港口场景相对固定、对速度有限制，且风险可控。

大多数港口车辆在运行的过程中要求限速30公里/小时，这种限制并非针对无人车特别设定，对有人驾驶车辆也是同样的要求。

二是港口场景下驾驶员的角色比较单纯，无需下车，无需一人身兼数职。

为什么这么说？飞步科技成立的早期阶段，就尝试过做L4级自动驾驶轻卡，当时遇到的困境就是快递公司的驾驶员角色并不纯粹，他们把车开到各个乡镇的送货点后，往往还要充当搬运工。

只有在这样的情况下，在港口去掉安全员之后，才能真正实现降本增效。

三是港口24小时不停歇作业，可以让机器设备最大限度发挥经济价值，有助于摊薄成本。

出于以上原因，港口落地自动驾驶也一度被看作是降维打击，但真正深耕其中后会发现并非想象中简单。

港口有港口的特殊挑战，码头有码头的长尾难题。

挑战主要集中在以下几点。

第一，所有的左转都是无保护左转。

港口路口特别多，路口交互频次会很高。而且港口里没有红绿灯，没有分时段放行可言。

无人集卡车队就需要同时解决两个问题，一是如何有效地与有人驾驶车辆争夺路权，二是如何分配车队内的无人集卡在一个时空内的通行优先权。

第二，定位环境差。

背后主要原因在于，港口集装箱往往堆得很高，场桥和岸桥这种大型金属设备充斥其中，再加上海面对于信号的多重反射。

第三，厘米级精准。

无人集卡在作业中遇到的挑战远不止“会开车”这么简单。

例如在岸桥下装卸箱时，集卡的对位精度要求在±5厘米以内，就算是经验丰富的港口老司机，也可能需要反复倒车并通过目视来观察吊具、集装箱与车辆的对齐状态，难度可以说是极高。

第四，半挂卡车经常要在有限的空间内做直角转弯和掉头，对于车辆控制也有极高的要求。

在码头登月了，然后呢？

飞步成立于2017年8月，是一家总部位于杭州的自动驾驶公司。

大家对其更为熟知的一面，是作为滴滴研究院创始院长、浙江大学教授何晓飞的创业项目。最新的融资进展是在去年12月完成了超亿元B2轮融资。

从自身定位来看，飞步也并非一开始就瞄准港口做自动驾驶。

从公司成立初到2018年底，该阶段主要把精力投入在了自动驾驶轻卡上，跑支线运输。包括当时也与中国邮政和德邦快递进行了合作落地，但商业化进程并没有想象中顺利。

在深刻认识到自动驾驶落地的困难和挑战后，才把目光放到了港口，从2019年初就一直做到了现在。

与宁波舟山港梅东码头已连续合作了四期，落地62台集卡，规模化应用超1300天；在南通港落地5台集卡；另外还有一个港口正在部署中。

现如今去掉安全员之后，一个人可以做到远程监控数十台车，人力成本得到极大降低。

其实更多进展从去年就已经紧锣密鼓铺开——去年年初开始撤下安全员，从测试版L4转为运营版L4；去年五六月，真正达到全车无人且投入运营的状态。

至于未来怎么走，飞步重点是放在产品化上。

在实现了全车无人常态化运营这个目标后，接下来一年半的时间，目标是让系统做到足够稳定和易用，且交付给客户后不需要运营团队去现场维护。

事实上，也只有在实现产品化的目标后，技术才能在各个港口进行快速复制。

不过港口只是开端和起点。

飞步做港口自动驾驶，走的是一条截然不同的渐进式自动驾驶路线——不是从L2到L3再到L4，而是从特定场景的L4再到扩大场景的L4。

一方面，啃透海港场景之后，会考虑横向去陆港和空港逐步落地。因为陆港、空港有着相似的共同点：场景固定且限速，车辆的使用频次高。

另一方面，可以从港口向外去辐射。例如集装箱从港口运出来后到中间的临时堆场或中转站，然后再向全国向内陆去进行覆盖……从支线到干线，逐一进行突破，最终走通整个货运市场。

当下对于飞步展现出的实力，杨政表示非常认可，甚至还后悔没有一开始就进入到港口。

现如今同行中有的裁员，有的收缩业务，有的被收购……在杨政看来，之所以会出现诸如此类的“坏消息”，原因有这么几点：

一方面是心态上，做自动驾驶目标过于理想化。

他说：“早期的时候，大家对于AI和自动驾驶的落地，其实都是非常狂热和理想的，我们相对来说持谨慎和保守态度”。

另一方面是场景的选择上，初期没有找准正确方向。

无人车如果涉及到太多需要与人交互的场景，控制就比较难。另外从经济效益来看，如果无人车本身运作时间需要与人的作息保持同步，也不利于摊薄成本和大规模落地。

至于杨政如何评价今天的飞步？他说，对团队和产品都非常满意，但登月之旅仍在持续。

“