专访友道智途权衡：手艺人的二次成长从仰望星

　　产物工程核心担任所有车辆的设想和制制，包罗AIV的设想、零部件采购、拆卸。我们正在园区内有一个 AIV 工场，由产物工程核心担任出产。

　　正在产物方面，我们有这么多车型和场景，我会拉出一个纵向的产物矩阵逐个每个场景都有对应的产物司理，他们会从、规划、节制等模块各抽调一个模块代表，由产物司理带着模块代表担任每个项目标交付。

　　“我需要一个能填补短板、阐扬利益的。”权衡说。他的手艺能力毋庸置疑，但口岸和物流是一个 to B 和to G 的市场，客户资本、关系和手艺一样主要。友道的股东布景，让他不必像正在以前的创业公司那样疲于找客户，而是能专注于手艺落地。

　　正在商用车从动驾驶范畴，车队办理系统（FMS）是极为环节的环节。乘用车范畴中，车辆之间相互，分属分歧消费者利用；但商用车从动驾驶中，车辆是运营系统的主要构成部门，必需对整个车队进行系统化办理。

　　对于研发来说，最主要的成本是人力成本，研发人员的工资遍及较高。因而，我的方针是用尽可能低的人力成本来完成尽可能多的项目和产物交付要求。换句话说，做到成本高效（cost-efficient），是权衡我做为研发团队办理者脚色能否成功的环节。

　　第一种是售卖车辆。客户间接采办我们的车或第三方的车，车上拆好我们的智驾系统。我们会供给车队办理系统，客户利用。

　　最起头正在学校和刚进谷歌时，例如写好一篇论文，或者写下一段无法再优化的代码——精辟、文雅，带着数学般的美感是我那时所逃求的。

　　但正在 Roadstar 时我发觉，仅靠自驱力是不敷的，并不是所有人都像硅谷的精英那样有很强的能力和自驱力。

　　每个项目标模块代表会把项目对本人模块的要求带回本人部分，部分担任人会按期（每周一次或两次）和所有模块代表开会，搞清晰各个项目对我们的研发要求是什么，下一步需要我们做什么工作，并把这些要求归并同类项。

　　现正在我看到不少从动驾驶公司或团队也正在野着这个标的目的改变，好比 bot。auto 的侯晓迪也强调运营的主要性，以及若何实现盈利。

　　我们正在设想中一方面优化了AGV的布局，另一方面采用汽车行业的体例制制 AGV 。虽然外不雅上看起来像八轮车，取 AGV 类似，但正在吊挂、动力、刹车、底盘转向等系统方面，更接近商用车。

　　加上其时我们有一个很是平台化的打算，就是用一套代码适配所有车型和场景。以至其时我们考虑要连乘用车的高阶辅帮驾驶系统，以及典型 L4 场景如口岸、矿区和非布局化道都一路做。

　　若是完全不考虑成本，当然是传感器设置装备摆设越丰硕越好，从平安角度来讲，消息冗余老是比消息不脚更稳妥。对于商用车场景来说，良多时候需要把十几米长、上百吨的车开到某个，误差不跨越几厘米，那么激光雷达优良的测距能力就很环节，这是摄像头做不到的，由于摄像头无法间接测距，而所有的间接测距方式的误差都很大。

　　后来我去了大疆，此中一个缘由是想看看这种严酷办理的公司（好比上下班打卡、正在大疆的履历对我来说是一个分析进修和提拔的过程，我领办理体例取团队中的人才布局和形态亲近相关。

　　良多时候，只要实正深切到特定行业或场景的 “深水区”，才会大白要做到顶尖程度有多灾，这此中的复杂度，远比我们最后设想的要高得多。

　　通过这种“矩阵式”的研发布局，我们可以或许按照各个项目标告急环境、优先级和研发打算，确保按期交付项目需求。这种布局使得几百人配合编写一套代码，同时支撑多种车型和场景成为可能。

　　雷峰网：你现正在是公司的首席科学家、智驾核心总司理、公司的副总司理，属于手艺和办理都要管，你还顺应这种改变吗？

　　不外，做 demo 的时候，命运好结果还不错，命运欠好就会屡次犯错、不变性差。这对于现实运营来说是完全不成接管的。由于运营是 24 小时不间断的，停 10 分钟都算出产变乱，没有容错空间，不克不及动不动就出问题再让人去告急救火。

　　内集卡用于港内运输，将集拆箱从岸边转运到堆场；外集卡则从口岸外接箱后运出。我们次要做的是内集卡，由于内集卡完全正在口岸内运营，不会出港。

　　和港内的无人平板车分歧，干线上的车还会保留驾驶舱。虽然正在东海大桥上的车辆曾经进入无人运营阶段了逐个 2024 年是无人示范使用，2025 年曾经起头实正的无人示范运营，平安员曾经起头逐渐从车上转到后台了。

　　友道的方针很明白：上市是一方面，但更主要的是我们目前的场景和手艺曾经很好，我们有能力本人养活本人并实现盈利。

　　从手艺迁徙的角度看，L4 级从动驾驶虽有一些通用手艺基底，但绝非能等闲套用到所有场景中，我们也因而投入了庞大的精神打制平台化手艺方案，实现一套代码兼容口岸船埠、园区干线、矿山地道等差同化场景。

　　过去，我们做为司机或乘客，对乘用车从动驾驶的认知往往逗留正在 “能正在高速、通俗道平安行驶即可”—— 这个过程中，车辆很少需要像友道营业场景如许，取各类终端设备发生深度交互。

　　一般环境下，当车辆定位优良且所有模块一般工做时，我们会赐与高精度地图极高的权沉。及时网布局次要用于辅帮定位，取高精度地图消息进行婚配，以更切确地确定车辆的当前。

　　这让我起头反思办理体例的主要性。虽然我之前做为工程师时，对组织学相关的工具有些反感，好比公司文化、团建、组织架构、报告请示机制、会议机制和项目跟进机制等，但当我实正成为较大组织的担任人时，才发觉这些机制是需要的。

　　22年到23年，是我们快速弥补手艺根本的阶段，团队扩张速度很快，手艺研发迭代也很是迅猛。好比地图定位团队，我插手的时候只要六七小我，到最高峰时接近 40 人。

　　友道成立一年后，现任市委陈吉宁上任。颇有的是，正在权衡十多年前的大学结业仪式上，恰是陈校长为他拨穗正冠。“这种很奇奥，”权衡说，“但更环节的是，他们都是从动驾驶手艺的果断支撑者。”。

　　张教员非分特别沉视手艺的前沿性，我每次去找他，总能看到他正在研读论文。就是说他不只注沉工程实践经验，还会持续逃踪行业内的新处理方案和手艺进展，时辰连结对新学问的进修。衡博也如斯，我每次取他交换，都能感遭到雷同张教员的特质，即便他们正在能力和手艺上都是行业顶尖的，仍然连结着谦虚的进修心态，我很。

　　前者，车辆需要取龙门吊精准对接，获取使命消息并理解营业需求，随后通过逻辑交互取消息确认，待婚配完成后，才能反馈给相关方使命已完成，以便施行下一项使命。

　　我们晚期插手友道的时候，良多手艺方案的迭代都是基于 demo 性质的手艺架构。良多算法的 baseline 都是从供应商那里获取的，这是车企比力常见的做法逐个找一些研发团队或高校合做，供给研发经费，让他们交付功能，过程中还需要频频沟通调整。

　　后者，环境更为复杂，我们的从动驾驶车辆AIV并非正在公用道上行驶，而是要取有人驾驶车辆正在统一条道上夹杂通行，碰到口时还需取它们前进履态博弈 —— 预测对方企图，判断其是左转还曲直行，进而决定是继续前行仍是泊车躲避。

　　因而，持续攻坚长尾问题，打磨产物，提拔系统的鲁棒性和全场景顺应能力，是鞭策从动驾驶从“能用”迈向“好用”，再到“商用”的环节一步。

　　当我们明白了这个方针，所有的工作都变得清晰起来。因而到了算账的时候，是很容易算清晰的。数字虽然冷冰冰，但很客不雅，它着整个公司的标的目的。我们的方针是把盈利数字做好，不管是手艺研发仍是其他方针，都要环绕这个焦点。

　　江灿森：能够明白地说，从动驾驶手艺曾经逾越了晚期项目标“Demo演示”阶段。过去那种“立项、拿经费、组建团队、堆手艺、搞演示”的模式，正在带领视察时让车辆正在固定线跑几圈就过关，这曾经成为汗青了。

　　但我们不成能为每个场景做大量定制化开辟，环节正在于若何用无限的人力，通过正在原有平台化功能的根本上，让手艺愈加泛化，找到各个场景的共性。所以从第一个阶段起头，就要做好一套“平台化”的根本手艺架构逐个所有车辆和场景用的都是统一套代码，各类算法特别是神经收集必需脚够泛化，才能用尽量少的研发资本应对浩繁分歧的场景和车型。

　　深度进修正在此中的感化更多表现正在前端特征提取环节。例如，过去我们可能通过保守的算法，像 Harris Corner ，通过梯度计较来找出图像中的特征点。现正在，我们能够通过深度进修来识别场景中的特征，使特征提取愈加鲁棒。但后端的融合算法，好比卡尔曼滤波，以及各类滑润处置等，仍然基于保守手艺框架。

　　目前我们落地的场景近 20个，另一半是散货船埠、工业园区和矿区。非集拆箱船埠的场景中，几乎每个场景都需要一种分歧的车型，所以有近 10 种分歧的车型。

　　好比车辆需要的电驱、电控、电池办理系统，由于是电动车，此外还涉及转向、驱动、刹车等整车相关的开辟，以及嵌入式开辟。这些工做大多是上汽集团商用车手艺核心来支撑我们的。

　　我们现正在做的，是建立常态化的运输办事系统。无论是有平安员辅帮仍是完全无人的模式，焦点方针都高度聚焦于高效、平安地完成运输使命——例如，实现无人集卡从船埠面到堆场的矫捷穿越和精准安排。

　　第一个阶段，从零打制一个从动驾驶系统，该当是相对最简单的，由于我之前曾经做过几遍了。当然，每做一遍都是一次沉构，要连系当前的硬件设备和算法前进，以及场景需求，做出新的改良。

　　目前，所有运营场景都是盈利的，并且我们的盈利计较方式很苛刻，车辆的折旧、运营费用等所有成本都算正在内。

　　就像口岸无人车需要取吊机精准对位，矿山无人车要完成拆土、排土等功课 —— 这些场景看似相对封锁，现实操做中需要处理的具体问题却纷繁复杂，远非想象的那般简单。

　　而友道的AIV完满处理了这个问题逐个没有保守驾驶室，不分正反标的目的，车两头的传感器和驾驶能力完全分歧，8 个轮子能够矫捷双向行驶，以至实现漂移蟹行换道。当集拆箱摆放标的目的错误时，车辆只需反向行驶即可，完全省去了特地的“调箱门”调整步调。

　　雷峰网：你们将口岸车辆定名为AIV（Autonomous Intelligent Vehicle，无人智能车）是吗，意义是无人纯电港内集拆箱智能平板车，正在此之前，也有商家提过AGV（ Automated Guided Vehicle ，从动指导车）名字是吗？

　　正在友道我率领更大的团队，我最关心的是可以或许带领、组织和激励好一个研发团队，这个团队能把一个复杂而复杂的系统做好，做到业界领先程度，这个团队本身才是我最满意的做品。

　　正在口岸功课中，集拆箱有一个环节的细节——调箱门。集拆箱一端有箱门，正在现实操做中船舶、堆场对箱门的朝向一般会有要求。当车上的箱门朝向错误时，无法间接卸箱。为此，保守口岸功课中不得不特地设置“调箱门”环节来调整标的目的，需要购买特地的调箱门起沉机，不单添加成本，还降低了功课效率。

　　做个对比，商用车车型和场景取乘用车纷歧样。乘用车场景再多，也就是高速和城市，做好高速 NOA 和城市NOA 就差不多了，使命也比力简单，次要是 A 点到 B 点的运输。而商用车的环境要复杂得多逐个正在船埠，要设想取船埠吊机的对位和交互流程，应对各类交互非常；正在矿区，要涉及本人去找挖机和排土。

　　这些需求都是由客户场景中的其他机械带来的束缚，导致我们的车型比力碎片化。这就对我们的智驾系统提出了严沉，需要适配各类分歧的车型和场景，同时尽可能降低适配工做量。

　　但后来实正和从机厂对接时，才被拉回现实，必需把姿势放低，才有合做的可能。这完全改变了我们以前的甲方思维，完全转向了乙方思维。

　　一方面，智驾手艺本身的表示要接近人类司机的表示。好比正在船埠，人类司机 20 分钟能够完成一圈运输，我们也需要做到雷同的效率。

　　雷峰网：我看到你们号上的的视频演示，有一个吊臂把集拆箱放到小车上，然后小车穿越正在人流和有人驾驶车辆的口岸中。你们正在做这个手艺的时候，也会涉及龙门吊的算法吗？

　　江灿森：我比衡博插手友道要晚一些，还不到四周年。我小我感到很深的一点是，正在大疆的时候，特别是正在2019 年上半年之前，我们都感觉手艺就是一切，以至有些傲慢，总感觉我们的手艺这么超卓，从机厂怎样会我们呢？

　　例如，之前地图、定位是一个部分，规划、节制是 另一个部分，现正在归并为一个部分；同时，人员的脚色也有所调整，好比之前做定位的现正在可能转岗做规划。

　　友道的工程师驻扎正在船埠附近，他们的算法不是正在会议室里会商出来的，而是正在察看龙门吊的功课节拍、倾听卡车司机的埋怨后，一点点调整出来的。

　　我们也由此认识参加景和从机厂布景的主要性。正在从动驾驶范畴，门槛远比我们想象的高，毫不是有了软件手艺就万事大吉。

　　比若有良多客户需要把正在运营的集拆箱船埠升级成从动化的，他们无法接管停工停产数月，全场挖开埋磁钉。

　　权衡：集拆箱是尺度化的，因而全球的集拆箱船埠也大同小异，这是我们把手艺迁徙到国外时的有益要素。所以，我们的AIV出国时，算法、功课流程上需要的额外工做很少，和摆设到国内的另一个口岸差不多。

　　说件风趣的事，秘鲁的同事正在第一次见到AIV时，都不相信这个大师伙能本人跑起来。等他们看到AIV不单跑起来并且很矫捷时，他们雀跃喝彩，他们为本人的这份工做而骄傲。

　　东海大桥更像干线物流，外四船埠的平板车 AIV 属于港内程度运输的场景，这是最后的两个场景。

　　权衡：我们认识，正在拉斯维加斯见过面，但没有出格深切的交往，只是神交。可能是由于我和他有类似的履历，现正在做着雷同的工作，他的一些概念我都很承认——例如，L4从动驾驶实正使用的难点不正在于处理少量的大问题，而是要处理大量的小问题。

　　创业时，正在 Roadstar。ai 办理 100 多人的研发团队，到大疆办理最多 30 人的研发团队，再到友道办理峰值300 人的研发团队，其实每一阶段的感触感染都很纷歧样。

　　江灿森：我第一份正式工做正在大疆，正在那里我认识了两个出格佩服的带领，一个是张宏辉教员（曾任大疆系统部分担任人），一个是衡博。

　　权衡：车辆的载货量、尺寸等细节设想，需要按照客户需求来定。一般来说，我们会和客户会商他们的运输营业需求，确定需要什么样的车型。好比集拆箱运输比力尺度化，由于集拆箱尺寸固定，所以我们的AIV能够适配几乎所有的集拆箱。

　　就像我们现正在正在口岸做从动驾驶，曾经有了很是好的 baseline ，当前只需有某个口岸想做智能化，我们就能快速切入，把营业做起来。

　　但友道智途的智驾系统本身支撑无图方案。也就是说，当车辆进入降级行驶模式，好比车载传感器呈现毛病，或因震动导致传感器短时失效，无法依赖高精度地图时，车辆会切换到及时建立的网布局，依托及时来完成边泊车等功能。

　　权衡：我们公司现正在总共有 200 人摆布，从动驾驶核心有 170 人，还有产物工程核心和发卖运营核心。

　　330 人的时候，我们处于从动驾驶能力快速建立的期间，做了很是多的从0到1的研发工做。现正在曾经有了四五百辆车不变运转，后续从1到100的研发不需要那么多人员，所以从 2024 年岁首年月起头，我们一曲持续优化提拔研发人效比。

　　雷峰网：这挺风趣的，组织架构的调整跟着公司的成长阶段（如之前提到的三个阶段）而变化，同时也考虑到了员工的职业规划，我感受到，友道对于你们来说都是职业生活生计一个主要里程碑，从仰望星空，到脚结壮地。

　　一种是继续深切研究手艺，成为某一范畴的专家，以至进入学术界成为传授或高级研究员；另一种则是转向手艺办理。我的小我成长径是后者。

　　这个改变意味着，靠“手艺做到80分就能交差”的时代完全终结了。现正在实正的挑和正在于，若何将手艺从95%的靠得住性提拔到98%、甚至100%。这最初的5%，往往是最难的“长尾问题”，需要花费庞大的研发精神来处理。这也恰是当前L4级从动驾驶实现规模化落地的次要瓶颈。

　　正在 Roadstar 期间，我干事也比力急，由于其时团队规模小，从十几小我到三十小我，我能管到每小我。我们出来创业比Pony、景驰晚一些，急着让车上，带着大师一路加班。以至有同事从东部州搬过来，我家有空屋，他就住正在我家，我一大早就叫他起床一路去上班，忙到晚上十一二点再一路回来。

　　衡博正在友道从导了研发核心，我们既能从手艺角度深耕，又能兼顾落地。我们早已离开了最后只做演示、摸索新手艺的阶段，而是踏结壮实地把手艺使用到贸易场景中，创制价值。这个改变过程也是对我们心态的历练，让我们实正找到一个标的目的，实正发生价值，不然手艺永久只是扑朔迷离。

　　第二种是“虚拟司机”。客户持有车辆，客户只需领取车辆本身的费用，取通俗车辆价钱一样。智驾系统软硬件的费用则由我们承担，车辆正在客户场景中无人运转后，我们按照人类司机的价钱向客户收取“司机工资”，相当于我们出售的是“虚拟司机”。

　　以深圳妈湾港为例，做为一个保守船埠，过去端赖人工驾驶车辆运输集拆箱，现在我们对其进行了适度的智能化，次要表现正在两个维度。

　　这此中包罗精细化的使命办理，好比明白每辆车的使命去向，是去 A 箱区、B 箱区，仍是前去充电等，都需要精准的使命委派。

　　取支流的商用车 L4 公司比拟，我们正在工业园区方面也有较着的合作劣势，好比沙钢、六钢和宝钢等钢铁厂内的运输营业，我们都有涉脚，且运营的车队规模也比力大。

　　车端平台次要担任单车手艺软件层面，涵盖两头件、传感器数据处置及操做系统等；云端平台则聚焦于车队办理。

　　所以说，船埠场景的复杂性远超想象，它包含了多种夹杂通行形式，以及取其他交通参取者的高频交互博弈。

　　AGV方案大要是从2000年起头用，一曲用到2020年代初，现正在情愿用AGV方案的客户曾经很少了。

　　同时，还要对车辆运转效率前进履态管控。例如，当几十辆车即将路过统一条道时，可调配部门车辆选择其他线，从而避免拥堵。

　　现正在友道曾经比力成型，处于一个优良的成长节拍和势头。我但愿接下来能连结现有的节拍和势头，继续拓展新的场景，扩大车队规模，线从动驾驶正在商用场景大规模落地。

　　雷峰网：你们现正在的运营不只正在国内口岸，也有南美洲的秘鲁口岸，那么将手艺方案复制到国表里口岸时，你们会做哪些调整？

　　雷峰网：友道的创立时间是 2021 年 8 月，衡博和灿森是先后插手友道的，能够说你们小我和友道是几乎同步向前的，可能比别人更深刻。现正在正好正在你们的入职四周年，你们最深的感触感染体味是什么？

　　这些正在以往都是不可思议的，但我们都研发出来了。目标是为了提拔运营效率、尽可能削减现场人员数量。

　　也就是说，只需某个标的目的、某个手艺更优，我们就会积极引进，哪怕要从 0 起头既有，也毫不会由于某个手艺是本人辛苦研究好久就舍不得丢弃。我们一直连结的心态，就事论事，以最合理的体例干事，只需是对的，我们就去进修、去使用。所以其时候我们全体的手艺空气很是好，研发节拍也很快，根基上每半年就会有一个阶段性的冲破。

　　友道的股东方本身就具有大量营业场景，这敌手艺成长是极大的支持。由于手艺总有不成熟的阶段，这个过程需要很高的手艺磨合成本。你得有试错和成长的机遇，才能慢慢打磨好。

　　正在最后考虑场景时，高速干线物流的优先级很高，由于整个运输市场中干线运输的市场规模很是复杂，达到 5 万亿，远超网约车、城配等其他市场。但正在后续项目扩大、营业拓展，以及逃求手艺盈利性时，高速干线的优先级曾经大幅降低。

　　保守 AGV 的能力较弱，晚期的 AGV 以至没有激光雷达，比力新的AGV可能只要单线激光雷达，只能做简单的防撞。AGV的运营要求很是高，场地内不克不及有其他车辆某人员穿越，由于这些车辆几乎是“瞎”的，无法其他妨碍物。

　　因而，我们对定位精度的要求是误差正在 5 厘米以内，而我们现实能做到的精度是 3 厘米，如许就能确保夹具精准地夹住集拆箱并将其抓起。反之，若是定位精度不脚，好比误差达到 20 厘米，那么抓取时夹具很可能无法锁住集拆箱，这不只会导致交互失败，整个从动化功课流程也会中缀。

　　我刚插手友道时，就认识到这个问题，于是快速扩张团队，从 0 到 1 搭建了诸多算法原型，把之前那些不敷完美、靠打补丁维持、仅针对特定场景开辟的算法进行了优化。

　　好比、规划等团队，这属于研发资本线。每个部分最主要的使命是完成对应的研发使命，培育员工的手艺能力。

　　但正在散货船埠和矿山，环境就纷歧样了。有些散货船埠要求车辆载沉 105 吨，由于他们的吊机 1 次能抓取 35 吨，3 下正好 105 吨。若是用 90 吨的车，操做起来就不高效。

　　好比，当从动驾驶车辆需取龙门吊协同功课时，龙门吊需要通过夹具从动抓取集拆箱。这个过程中，夹具必需精准瞄准集拆箱四个角的锁孔，这些锁孔的宽度和长度一般正在10公分摆布。若是夹具下放时不克不及精准地瞄准锁孔，就会导致抓箱失败。

　　雷峰网：针对口岸这块的贸易化，你们同时正在做新船埠扶植和老船埠，各自历程若何，有哪些案例？

　　大师的做法是先烧钱，甭管赔不赔本，先搞个几十辆车的车队，招三四百人，想让投资人一看，“哇，我这个公司有规模，有气焰，赶紧来投我吧。”。

　　我正在Roadstar时亲身体味到当公司从 30 人添加到 100 人时，人数添加了 3 倍，但工做效率并没有添加 3 倍，可能只添加了 50%，以至可能连 50% 都不到。

　　友道智途具有大大都从动驾驶公司求之不得的资本：中国 30%支流口岸的潜正在客户，以及上汽集团的支撑。

　　对于 30 人以下的团队，做为办理者能够清晰地领会每小我的工做内容，以至能够手把手指点每小我的工做。但当团队人数跨越 30 人后，就需要一套组织架构和办理机制来支持。

　　江灿森：正在口岸或者工业园区的从动驾驶功课中，常会碰到一些极端场景，这对定位精度提出了极高要求。

　　我们将之前正在沉卡和 AIV两个车型上成功的从动驾驶手艺使用到更多场景，好比AIV从上海的集拆箱船埠拓展到福建、广东、山东、的船埠，以至到国外的秘鲁。秘鲁的项目很出名，习总 2024 年 11 月还亲身视频加入了开港典礼。

　　虽然有些方案试图通过深度进修和神经收集间接输出车辆的定位消息，但这些方案正在业界尚未获得普遍使用。目前，行业内仍以保守算法为从，好比 SLAM（Simultaneous Localization and Mapping，即同时定位取建图），其背后的数学道理和理论推导仍沿用保守框架。

　　能够说，高速干线的权沉降低次要是由于其盈利性较差。目前中国高速干线物流模式仍以私家自有车辆（如夫妻档）为从，这种模式曾经把物流成本压得很低。这个时候，车辆哪怕曾经实现了 L4 从动驾驶，但若是由公司运营车队去和目前的私家个别户车辆合作，成本仍然不具劣势，就会亏钱。

　　从 1997 年鹿特丹第一个从动化船埠呈现后，起头利用雷同 AGV 的四轮或八轮平板车做为内集卡。这些车辆是由工程机械制制商出产的，如国内的振华、三一等，而非汽车制制商。这些车辆的架构属于工程机械系统，而非汽车系统。

　　好比车辆要能从动去充电，还要应对商用车传感器的细小挪动逐个商用车体积大，传感器正在运营一段时间后会呈现轻细误差，需要从头标定。以往的从动驾驶公司都有特地的标定场某人工标定，但我们不克不及把车拉回来标定，而是要正在现场操纵天然进行标定，让车辆本人采集数据、本人标定本人。

　　雷峰网(号：雷峰网)：关于传感器，我想领会一下正在口岸如许高精度要求的工业场景中，龙门吊交互需要厘米级定位（如3cm精度），同时还要应对人车混行的复杂，你们若何均衡保守几何模子（如SLAM）取深度进修各自的劣势？

　　“我们早过了做 demo 对付投资人的阶段，而是要让每辆车每年实实正在正在地挣到30万元。”友道担任人江灿森说。他取权衡的合做始于 2019 年的大疆期间，从过去的 L4 级乘用车到现在的 L4 级商用车，多年同伴，他们最大的感伤，“完成了从‘仰望星空’到‘脚结壮地’的。”。

　　第三种是供给运力办事。这种模式常见于集拆箱船埠，由于船埠公司凡是不具有本人的内集卡车队，而是将运力办事外包。我们也是按照箱量收费，客户付钱给我们，我们运营车队，车辆由我们持有。这种模式资产很是沉，我们需要通过融资租赁等体例来缓解现金流压力。

　　那么晦气要素有哪些呢？我感觉次要是言语和文化，需要把操做手册、软件界面改成外语，例如正在秘鲁就得改成西班牙语，以便于本地的运维人员利用。日常和他们地沟通交换也需要用外语，可是我们公司没有通晓西班牙语的同事，幸亏有了大模子能便利、精确地来翻译。

　　我们要本着可持续成长的准绳，先把盈利的场景做好，获取脚够利润后再去支持那些盈利性更差的场景。我相信跟着中国将来的劳动力成本上升，高速干线物流的盈利性会变好。

　　通俗家用车车身宽度约 2 米，而通俗道宽度正在 3。2 到 3。5 米之间，这意味着相邻车道的车辆间距凡是能连结正在 1 米以上。这种环境下，即便车辆行驶中稍有偏移，一般也不会形成问题。

　　现在，当 170 人的精壮团队支持着 400 多辆无人车的常态化运营，从上海罗泾船埠到秘鲁钱凯港，从集拆箱运输到矿山散货，这套颠末验证的贸易模式正正在持续复制。

　　同时，沉卡的场景也从东海大桥拓展到工业园区、散货船埠、矿山，从布局化道拓展到非布局化道。车队规模从不到 100 辆车，到 2024 年岁尾有 400 多辆，2025 年可能会有 500 多辆。

　　江灿森：正在插手友道之前，我本来认为同样是做 L4 级从动驾驶，分歧业业之间该当颇为类似，但现实接触后才发觉，分歧场景的侧沉点存正在显著差别。

　　这个阶段次要是场景敏捷扩大化，把手艺复制到新场景，并针对新场景做对应的开辟，让手艺变得愈加泛化、愈加通用，合用于各类商用场景。

　　雷峰网：口岸场景和成本、平安亲近相关，我看到你们正在深圳的妈湾港，曾经有 40 辆无人车正在运营，每月转运 5 万 TEU （集拆箱吞吐量）。

　　这个船埠是完全新建的，位于南美西海岸，是目前南美最大的集拆箱船埠之一，由中近海运运营。之前只是一片海岸凸起的空位，从修起头，完全新建了一个船埠。出名度也比力高，是中国“一带一”计谋出海的典型案例。

　　从特斯拉起头，我起头率领一个小组担任一个较大的系统，那时我专注正在把这个系统设想好、实现好，这不只包罗我本人要做好系统的架构设想，也包罗团队写好代码，能搭出一个最优的系统。

　　我们的方针很是明白：让从动驾驶手艺实正为出产力，切实处理客户痛点。同时，产物必需持续迭代优化，处理那些影响体验和效率的细节问题。就像刚拿到驾照的新手，确实能把车开动、开到目标地，但取经验丰硕的“老司机”比拟：驾驶过程还不敷流利顺滑，对的预判不敷精准灵敏，正在复杂场景（如矫捷变道、躲避）中的处置能力还有差距。当前的从动驾驶也处于雷同阶段：我们具备了根本运载能力，但正在押求极致效率、接近以至超越人类驾驶员程度、以及面临全场景无缝顺应方面，仍有提拔空间。

　　好比上海的外四船埠和深圳的妈湾船埠，这些船埠都是曾经成熟运营了良多年的集拆箱船埠，里面都有上百辆人工驾驶的车辆。我们的车辆逐步进入这些船埠，从 10 辆、20 辆到 30 辆、40 辆，数量不竭添加，功课能力从承包半条船成长到承包数条船。

　　是把 demo 做好，把下一轮投资人可以或许哄进来就行了？仍是把手艺打磨好，要做到最 cost efficient 的体例，让手艺能赔本？这种方针分歧一导致了创始人、投资人之间的矛盾。

　　雷峰网：正在口岸场景的现实运营中，面临钢轨反光、盐雾侵蚀等特殊挑和，友道若何评估分歧传感器的靠得住性鸿沟？出格是正在平安冗余设想方面，能否意味着纯视觉方案正在工业场景中存正在底子性局限？

　　一是港机设备智能化，像龙门吊已能实现从动操做，完成集拆箱的抓取取卸车，这一过程被称为垂曲运输。

　　良多人会感觉这种限制场景的L4从动驾驶很是简单，但现实上口岸场景相当复杂。我们的车能够正在口取七八辆有人驾驶的集卡车挤来挤去，矫捷穿越，躲避其他车辆并预测它们的企图。

　　必需从道理和泛化的角度去思虑：一个算法正在某个场景能用，正在其他场景能否同样合用？只需是一个有共性需求的功能，就得兼顾分歧场景的需求。不然，只针对单一场景开辟，即便正在该场景下表示很好，一旦换个场景，代码可能就失效了，到时候就得从头开辟，这是严沉的资本华侈。

　　上汽旗下有中海庭（高精度地图图商），我们沿用了他们不少地图手艺根本，所以省去了晚期的研发投入。但我们但愿能全栈控制这些手艺，以防正在我们营业快速拓展，特别是定制化营业需求急剧添加时，即便是兄弟公司也难以满脚突发营业需求的快速响应。这个环节必需补上，不然越到后面，整个架构会越受限。

　　权衡：友道成立正在 2021 年11月，一方面其时 Orin 芯片的呈现使得L4 和 L2+ 的算力平台趋同——以前做 L4用的是工控机和数百TOPS的显卡，辅帮驾驶用的是几十以至几TOPS的车载算力芯片。另一方面，激光雷达起头降价，成本降低。

　　权衡：正在硅谷创业的时候，大师其实不太关怀这些细节，由于大大都创业的方针就是期待某个大公司来收购。

　　权衡：若是说八年前是骑着一头猪顺着风口飞起来，虽然星光闪烁被关心，但心里实则不晓得标的目的正在哪里，那么比来这四年更像是坐高铁穿越一条长地道——沿着既定的标的目的稳步向前，心里充分而，不知不觉中曾经跑得很快了，并且就正在面前。

　　回忆之前正在 Roadstar 创业时的教训，其时总体方针不清晰，烧钱很厉害，虽然融资也很成功，但没有明白的方针。

　　高阶辅帮驾驶系统不依赖高精度地图，而所有 L4 场景凡是更适合利用高精度地图，所以，无图方案和有图方案都要正在这套系统中连系和融合。正在我看来，友道智途的智驾系统该当是过往所有从动驾驶经验的集大成者，它融合了我之前做 L4、L2+ 的所有经验。

　　现正在我们要考虑，“做这件事要付出几多成本，能挣几多钱，若何让利润不竭增加。”同时，手艺研发也要有财政方针来，决定该做什么、不应做什么。

　　这就比如外卖配送，若是缺乏办理，骑手可能会扎堆争抢看似容易的订单，导致部门区域过度拥堵，而其他区域却置之不理。我们需要对车辆进行合理安排，明白它们的功课时间、以及躲避法则，这些都正在云端完成统筹取办理。

　　现正在正在友道，我也感遭到了同样的空气，就像适才提到的人员调整、心态改变，我们都能够快速顺应调整，而且很快能看到正向反馈。

　　以前的AGV ，每台价钱大几百 万人平易近币，而我们从一起头就将成本节制正在 200万人平易近币，颠末不竭优化，现正在成本曾经低于 100 万人平易近币。

　　他最终选择了友道智途——一家从上汽前瞻spin off出来的草创公司，轮股东有上港、海尔、普洛斯、国电投、江苏交控、自贸区基金、山东港这些财产相关方，专注于口岸、干线物流、工业园区、矿山等场景的L4 级从动驾驶——担任首席科学家和智驾核心总司理。

　　（AGV依赖磁钉来定位，且只能沿着预定的径行驶（左图）；友道的AIV能够正在口岸内闪转腾挪（左图））。

　　港内运输的车辆满是我们的 AIV ，客岁曾经有 40 辆车运转，结果很是好，运量还需要进一步提拔，所以本年又增订了 10 辆车。

　　后来团队规模缩减到 170 人时，一些部分被归并，减一层级削减到 5 小我（产物取质量、、、车端平台、云端平台）。

　　这三种模式友道都有，但我们更倾向于前两种模式。不外，有些客户要第三种模式，我们也能满脚他们的需求。

　　对权衡而言，友道代表了一种“手艺务实从义”——不再只是逃求前沿算法的冲破，而是让从动驾驶实正正在商用场景和财报上跑通。

　　我们自研了友道智途智驾系统，其时次要项目是上海东海大桥和外高桥4号船埠（简称外四船埠），项目很少，但智驾团队人数一度达到 330 人，由于这个阶段次要是建立整个 L4 从动驾驶车队的能力，从单车智驾到云端安排系统、车队办理系统，所有能力都是正在这个阶段建立的，大要持续了一年半。

　　好比正在船埠这类空间复杂且狭小的中，因为功课工艺的要求，车辆常常需要贴着妨碍物、港机设备、集拆箱或其他特殊物体行驶，间距可能仅有十几厘米。这时，若是 16 米长的车身标的目的呈现 1 度误差，就可能间接发生碰撞。这对车辆的规划、节制、和定位手艺都提出了极高要求。

　　当下有 400多 辆车正在运转，本年的运营收入估计近两亿元。从公司全体来看，要实现盈利，现有车队规模还需要再添加两倍。

　　次要依托地下埋设的磁钉，成本也很是高，还需要特地的磁钉传感器（一般叫transponder），这种传感器价钱不菲。AGV只能沿着预定义的轨道和轨迹开，并且所有车都依赖于核心车队办理系统的安排，才能确保彼此之间不会碰撞。

　　例如，AIV（Autonomous Intelligent Vehicle，无人智能集拆箱转运平板车）打消了驾驶室，采用双向对称设想，不是为了手艺炫技，更是为领会决集拆箱标的目的错误时的效率问题——正在保守船埠，这一环节需要额外的工序来调整。

　　权衡：友道已经有 330 人的智驾研发团队，之所以现正在削减到 170 人，是由于研发的人效比。

　　雷峰网：以前有说法，若是能正在很是复杂的场景下做好 Robotaxi （L4级的乘用车），那么迁徙到其他场景该当只会做得更好。你们两位都有做 L4乘用车和商用车的履历，我想晓得，你们切身感触感染，手艺实的能够迁徙吗？

　　好比他刚插手大疆时候，看到我们晚期正在高精地图方面的工做，无论是从定位仍是从建图层面，都还比力根本，缺乏实正深切的思虑。而他之前正在百度和 Roadstar 的时候就从导过地图模块的开辟，对若何定图、若何让高精地图更适合 L4 级从动驾驶车辆有着深刻理解。于是我们判断选择推倒沉来。

　　公司从降生之初就正在商务、关系等方面做好了铺垫，良多客户资本曾经正在股东层面做好了放置，我担任把手艺做好。因而，我不需要把员工压榨到极限，而是能够用一般的节拍推进公司成长。

　　权衡：不管是团队人数最多的时候有 330 人，仍是现正在有 170 人，我们根基上都是按照模块敌手艺人员进行划分。

　　雷峰网：取其他企业上千人的智驾研发团队比拟，友道现正在的 170 人团队曾经很是精壮了；从你过去履历来看，办理过 30人、100 人、330 人，这又是一个数量级的翻番。我很想晓得，现正在若何阐扬这 170 小我的最大能力？正在这方面，你比来有什么体味吗？

　　2024 年起头，我们的手艺逐步成熟，人员呈现了冗余。本来可能需要好几小我开辟一个算法，后来跟着手艺成熟，人力需求天然削减。

　　目前车人比最高的场景正在上海罗泾集拆箱船埠，90 辆车每班只要 3 小我办理，此中1人是远控司机，无论是 30！1 的车人比，仍是 90！1 的车辆远控比，正在目前全世界的 L4 实践中都常高的。

　　从成本效益来看，一辆商用车一年能够挣 30 万，那么几千元的激光雷达必定是用得起的，若是还能提拔效率的话，用激光雷达就更划算了。跟着激光雷达价钱的逐渐下降，其正在商用车场景中的使用性价比还会持续提拔，我相信将来激光雷达会成为从动驾驶的标配零部件。