跟骑手学习送外卖，这家具身智能公司的机器人现已上岗赚钱了

liukang20244天前热门吃瓜862

机器之心原创

作者：张倩

你点过无人机送的外卖吗？

在深圳、上海等一线城市，让无人机给自己送个外卖现已不是什么新鲜事。但它送的办法或许和你想的不太相同。

幻想中的无人机送外卖 be like：

而实践中的无人机送外卖 be like：

也便是说，它不会把外卖直接送到你家阳台，而是和你家有一段间隔的外卖柜。你需求下楼走一段间隔才干拿到。所以，有些网友宣布魂灵诘问：「你猜我为什么点外卖？」

所以，现在问题就变成了：从家到外卖柜这段间隔怎样办？处理思路也很简略：让一个送货机器人帮你送完这段路。

视频链接：https://mp.weixin.qq.com/s/E0p-qrJXrsXy8q-hxi1j-w

这是具身智能机器人公司推广科技（Infermove）最近放出来的一段视频。从中能够看出，在无人机抵达指定地址后，送货机器人能够把货「拿」过来，放到自己的「肚子」里，然后再送到指定小区、写字楼的指定楼层，完结无缝接驳。

其实，除了帮无人机送剩余的旅程，它还能自己 cover 全程。在曩昔的 18 个月里，推广科技的机器人现已帮山姆会员店等商家送了几万单货。要知道，这些店肆和意图地之间往往隔了几条街，因而机器人需求在非机动车道上和人、自行车、电动车一同穿行、过马路，还要自己进小区、坐电梯，把外卖、产品送到用户手里。为了习惯接驳无人机等更杂乱的作业，推广科技给这些机器人安上了手臂，这样它们就能完结拿取包装袋、按电梯、推拉门等需求上肢才干完结的使命。

可贵的是，在和人类骑手共同的查核制度下，这些机器人的履约率（准时送达的百分比）已达 98.5%，因而拿到的酬劳现已能够掩盖自身的本钱，做到了单个机器人盈亏平衡。这在还没进入大规模落地阶段的具身智能范畴是十分稀有的。

为了了解这个机器人背面的技能和创业思路，机器之心和推广科技开创人卢鹰翔、龙禹含展开了深化对谈。他们指出，让机器人在充溢变数的敞开物理国际中穿行并不是一件简略的事。为了战胜其间的困难，他们走了一条相似于特斯拉的数据驱动路途，使用自研的「骑手影子体系」在短时刻内获取了许多高质量数据，因而机器人的体现才干如此超卓。未来，他们还将在自然语言、多模态等方向继续迭代，让这个机器人愈加有用。

走进敞开物理国际，机器人怎样作业？

机器之心：能否简略介绍一下，公司现在在做一件什么事，长时刻愿景是什么？

卢鹰翔：咱们期望以数据驱动的办法，打造出能够在敞开物理国际中自主移动的机器人。详细而言，咱们是通过使用人类驾驭的两轮电瓶车、电动轮椅等发生的驾驭数据，用仿照学习和强化学习的办法，来逐渐完结一款能够应对敞开物理国际的硬件无关（hardware-agnostic）的具身智能产品。

咱们开端举动的榜首步便是处理「数据从哪来」的问题。21 年创业之初咱们先是建立了一套依据轮椅渠道的「端到端」算法架构，使用轮椅驾驭数据练习结尾移动机器人，并在硅谷进行了 8 公里的路测。后来咱们意识到结尾物流场景是更高效的数据来历，所以开端打造「骑手影子体系」，使用结尾物流场景下的骑手骑行数据和机器人产品落地数据构建双数据闭环。

现在咱们在结尾物流场景现已落地了 18 个月，比方给姑苏、深圳的山姆会员店等前置仓做物流配送。咱们的机器人和公路无人配送车有一个很明显的差异。无人配送车只完结运送使命的中心一段，不会进入小区、商场、写字楼等场所，假如用来进行外卖、商超等本地日子类配送，两头都需求有人参加。比较之下，咱们的物流机器人以做到「门到门」的配送为规划方针。比方关于咱们协作的奶茶门店，咱们的机器人会开进商场，停在柜台前等候装单，装单之后脱离商场，跨过两条街，驶入写字楼或小区，然后自己找到电梯、坐电梯上到详细的楼层，把货品送达指定地址。这在许多场景下现已十分靠近骑手的服务才能。所以咱们做的作业更多的是归于具身智能这个范畴。

视频链接：https://mp.weixin.qq.com/s/E0p-qrJXrsXy8q-hxi1j-w

到了上一年底、本年初这个时刻，咱们发现落地环境给咱们提出了一些更高的要求。一是特定场所进一步的灵通，像操作按钮或开关、按电梯。二是外卖等常见产品的抓取、捡拾。三是翻开有把手的推拉门等交互场景。

在这些需求的驱动下，咱们开端有针对性地研制上肢才能。这和其他具身智能范畴的公司或许有所不同，他们有些会去优化做菜、叠衣服等上肢才能，而咱们是依据常见的客户需求有针对性地去处理上述几个问题。

机器之心：使用您说到的上肢才能，你们研制了什么产品？

卢鹰翔：本年 618，咱们落地了一款具有上肢操作才能的物流机器人。它的下半身是一个带有装载才能的移动机器人本体，上半身支撑三维国际的单臂交互才能。

这个机器人首要用于支撑无人机的外卖配送接驳。无人机的下降地址一般和顾客还有一段间隔，这个机器人首要要能够把无人机卸下来的货品装进自己的货仓，然后至少要坐一次电梯。有些电梯或许没有梯控，需求手动按按钮。机器人的上肢便是在这些场景中发挥作用。

无人机接驳是个新场景，其实在现在已有的场景中，咱们也能够使用这个上肢去干两件作业。一是咱们会在它的上面整合一个 RFID（射频辨认）芯片，让机器人自己刷卡进小区，而不是依靠保安手动操作。二是在取货人迟迟不来的状况下，让机器人自动把货品从「肚子」里拿出来，放到架子、门口等指定地址，就像骑手放外卖相同。这样能够省去许多的等候时刻，进步配送功率。

机器之心：这个机器人能够上台阶吗？它是不是只能送一些设备比较好的小区？

卢鹰翔：这儿边其实触及到三个问题。

榜首个问题：能不能上台阶？咱们现在的这款物流机器人是不能上台阶的，由于它下面是四个轮子。这是从经济视点考虑做出的一个挑选，由于四轮底盘现在是最老练、最常见的。不过这个轮子通过了特别规划，有必定的越障才能，能跨过 7 厘米以内的单级台阶或洼陷。

此外，我方才说到一个概念，叫硬件无关（hardware-agnostic）。其实咱们这个体系也成功适配过一些异形底盘，比方四足、双轮足，这些底盘是能够上楼梯的，但或许没有那么安稳。所以，要不要让机器人上台阶其实是取决于咱们客户的需求，假如客户想用四条腿的机器狗送外卖或快递，并且乐意承受它的价格，那么咱们在技能上是能够打磨的。

第二个问题：咱们的机器人能够抵达什么样的环境？其实咱们国家上一年出台了一部《无障碍环境建设法》，它关于公共场所提出的要求是：两条腿能到的当地，轮椅都要能到。这部法令不只要求一切增量的公共场所、修建物都要满意无障碍要求，现在已有的存量场所也要逐渐完结合规改造。这关于咱们来说是一个有利的环境，由于咱们机器人的规划尺度参照的是电动轮椅的国家规范，所以轮椅能到的当地，咱们基本上都能到。

第三个问题：到不了的当地怎样办？咱们现在的使用场景本质上是人机混合，而不是有你无我的一种局势。便是说一个货仓会布置一部分机器人，一部分骑手，咱们一同接单。体系在派单的时分会进行一些意图地的挑选。并且这个挑选体系本就存在，不需求额定的开发本钱。

从自动驾驭到具身智能，应战升维

机器之心：公司现在的人才装备是怎样的？这些人才建立起了一个怎样的技能栈？

卢鹰翔：咱们的团队其实是自动驾驭、机器人、机器学习、机械等各个专业布景的人组合起来的一个团队。开创团队成员之前都在硅谷做自动驾驭，便是 L4、Robotaxi 这些方向，之前咱们担任研制的车型还拿到了加州政府发放的第二块能够无安全员上路的 Robotaxi 车牌，榜首块发给了 Waymo。咱们的思路是建立一套数据驱动的技能栈，相似于美国的特斯拉和英国的 Wayve。遭到他们的启示，咱们研制了一套「骑手影子体系」，使用骑手驾驭的两轮电瓶车来获取用于算法迭代的练习数据，意图是完结机器人在敞开物理国际而不只仅公路上的自主移动才能。这种算法架构的优点是功用的天花板十分高，理论上能够无限拟人。

视频链接：https://mp.weixin.qq.com/s/E0p-qrJXrsXy8q-hxi1j-w

机器之心：公司许多人才都是自动驾驭身世的，这和其他许多具身智能公司的班底其实很相似。能否谈一下，从单纯做自动驾驭扩展到交互维度更高的具身智能，你们遇到了哪些新的应战？

卢鹰翔：榜首个应战是环境的不规矩。与公路上的自动驾驭轿车比较，咱们机器人面临的物理环境对错结构化的，规矩性更差。咱们知道，公路是依照严厉的国家规范来构筑的，但当咱们去处理一个敞开物理国际中的自主移动问题的时分，这个有利的条件就不存在了。咱们现在的落地环境首要是城市，尚有一些修建规范。但咱们落地的其他场景，比方乡村，规矩性要更差。未来，咱们或许还要扩展到户外。

第二个应战是规矩的缺失。公路上有清晰的交通规矩，也有交警来维持秩序，这相当于人为地让咱们的行为变得有规矩。这关于机器人来说是十分有利的一个客观条件。但在具身智能所面临的敞开物理国际，交通参加者变得愈加杂乱，包含骑各种车的人乃至宠物，他们的行为要愈加随机。

第三个应战是辅佐东西的缺失。公路交通有老练的生态，所以有一些辅佐东西被开宣布来，比方百度地图，它能够告知你前方堵车或施工，请绕行。但敞开的物理国际中就缺少这样的东西。

要处理前两个问题，咱们需求许多的练习数据。可是这类数据是十分稀缺的。咱们知道，ChatGPT 使用的是人类曩昔几十年堆集下来的互联网数据。物理国际的数据或许在有了自动驾驭这样的职业之后才被体系地搜集，这和互联网数据彻底不在一个量级。而咱们想要的敞开物理国际的练习数据就更稀缺了。针对这个数据获取难题，咱们开端的主意是使用人驾驭的电动轮椅来获取众包数据。在接触到结尾物流场景和客户之后，咱们逐渐迭代成现在这种使用骑手载具，也便是骑手驾驭的电瓶车来获取。

打破数据魔咒杀手锏 ——「量大管饱」的骑手影子体系

机器之心：能否详细介绍一下你们的数据获取思路？

卢鹰翔：在数据获取层面，市道上有几种不同的思路，大都状况下这些思路是并存的。各家公司或许会以不同的份额去挑选一种组合办法。

首要说仿真数据。有一部分公司会比较认同仿真数据的价值，比方上一年 Hinton 以参谋身份参加的 Vayu Robotics 机器人公司。咱们也用仿真数据，有自己的仿真模拟器。但比较之下，咱们更垂青实在数据，咱们以为实在数据的价值是无可代替的。仿真数据关于咱们来说首要是在实在数据的根底上降本增效。

实在数据的获取也分为两种，一种是 on policy 的，一种是 off policy 的。on policy 数据便是布置的机器人在每天使用过程中发生的数据。这种数据现在是十分稀缺且贵重的，由于它要在机器人落地之后才会有，这就会变成一个「先有鸡仍是先有蛋」的问题。所以咱们就要打破这个技能瓶颈，完结对 off policy 的数据的使用才能。

简略来说便是，假如仅仅使用咱们布置在山姆的一些机器人来获取数据，它的功率十分低，本钱也很高。可是，假如能使用骑手驾驭电瓶车发生的数据，还有一些电动轮椅发生的数据，咱们的体系就能够在短时刻内获取许大都据，并且这些数据的养分也很丰厚。

作为一家垂青仿真数据的公司，Vayu Robotics 也是认同实在数据的价值的。他们会在硅谷雇佣一些骑手，发生一些实在国际的数据，然后在这个根底上使用仿真模拟器去练习。

但这方面咱们存在一些国情优势。我国是一个非机动车大国，一方面，这意味着咱们机器人的使用场景会比较大、比较丰厚，掩盖各个城市的街头巷尾。另一方面，这也意味着咱们的骑手发生的数据是量大管饱的。比较之下，美国的一些公司就不太简略许多获取这类数据，需求请一些专业的人，以昂扬的本钱去搜集。

机器之心：您说的「量大管饱」是怎样一个概念？

卢鹰翔：我这儿有一些数据。我国骑手均匀每人每天会跑 100 到 200 公里。咱们在姑苏一个一般超市落地的前置仓，一般装备 15 到 20 个骑手。这些骑手一个月发生的数据轻轻松松就会超越 10 万公里，一年必定能够超越百万公里，一般能够挨近 200 万公里。

作为比照，国内最头部的做 Robotaxi 的 L4 公司，自成立以来堆集的数据基本上也只要几百万公里，像 Waymo 这样的全球头部公司也就两千万公里。当然，路程数是一个比较简略的维度。但在这个简略的维度上，咱们使用骑手影子体系仅在单一前置仓落地不到两年所发生的数据量，就相当于一家国内头部自动驾驭公司自成立以来的路测堆集总和。

咱们还有一个比照方针，便是特斯拉。他们在 2014 年就推出了榜首款搭载 Autopilot 软硬件的车型，开端搜集驾驭数据。到本年初特斯拉推出V12.3，他们在曩昔十年间总共堆集了将近20亿公里人类驾驭数据用于智能驾驭体系的练习，在全球范围内也称得上遥遥领先。而关于我国的600万活泼骑手集体而言，20亿公里仅仅他们一两天跑的量，咱们叫「我国骑手一天，特斯拉轿车十年」。这便是所谓的量大管饱。能够说，骑手影子体系为咱们迭代产品供给了十分牢靠的数据确保。

但除了量大管饱，骑手影子体系发生的数据还有一些优势。榜首是本钱。咱们是让骑手在送单的过程中堆集数据，这关于他们来说没有边沿本钱，咱们的本钱也十分低。第二是数据的丰厚度。骑手的数据是在实在的出产环境中发生的，并且越是经济兴旺、人口密布、挨近城市中心的当地，它发生的数据就越多。这些数据包含一年四季、各种天气状况。它自身的杂乱度、代表度都很好，避免了高度同质化的状况。

所以，无论是从数量、质量仍是本钱来说，这个体系发生的数据都契合「好数据」的规范。现在，咱们现已开端和一些出售电动两轮车的主机厂协作，打算在印度布置这个体系，这也是一个量大管饱的环境。

机器之心：能否详细介绍一下「骑手影子体系」的技能细节？

卢鹰翔：这个体系首要通过一套车载硬件采三种数据。一是环境数据，即通过摄像头搜集路况、障碍物等视觉数据。二是定位数据，通过比较廉价的 RTK 来搜集。三是操作数据，即骑手在某种特定状况下进行了什么样的操作，比方踩油门、刹车或许左拐右拐。在采到这些数据后，咱们就通过仿照学习和强化学习的办法，让模型去学习人类的行为，逐渐向人类行为挨近。

机器之心：这个体系能让机器人知道实时路况？

卢鹰翔：是的，由于结尾路途的通行才能会十分频频地发生变化，处理机器人结尾移动不只要处理 AI 问题，还要处理情报问题。就像老司机也需求百度地图来提示前方路途有堵车相同。比方说，在非机动车道上，咱们经常会遇到两个拦路桩，它们将路途分红三条。一般中心的那条最好走。但假如暂时呈现一个商贩占有了中心这条路，开端在那里卖红薯，这条路就走不通了。这个时分，机器人需求提早知道怎样挑选最佳路途。而通过这儿的骑手自然会做出应变，比方他或许说「师傅能不能让一让」，假如商贩让开了，机器人就能知道这条路是能够通行的。假如不让，骑手就会挑选一条次优路途，机器人也能知道。完结这些只需求骑手实时回传 RTK 定位数据。这和百度地图实时提示前方堵车的原理是相似的。

不只已落地，还能盈亏平衡

机器之心：方才说到，上一年，图灵奖得主 Hinton 参加了一家名叫 Vayu Robotics 的机器人公司。在您看来，这家公司有哪些招引 Hinton 的特色？

卢鹰翔：其时 Hinton 自己发了一个帖子来论述他参加 Vayu 的原因，便是看中了结尾物流这个场景的高安全性和可落地性。

咱们知道，Hinton 十分重视 AI 安全。他在帖子里说到，这个送货机器人的动能只要轿车的 1%。拿咱们这个机器人来说，它的极限动能也就 500 焦耳，这相当于一个 70 公斤的人从一把椅子高的当地下跌发生的能量。所以假如这个机器人不小心撞到人，它至多把人撞疼，不会撞伤，容错率很高。

高安全性带来的是高可落地性。咱们知道，像 Waymo 这样的公司在 Robotaxi 方面现已做得十分好了，均匀五万公里左右才接收一次，但间隔大规模落地好像仍是遥遥无期。其间一个很大的原因便是它的场景容错率太低了。而 Vayu 和咱们选的都是一些高容错率的场景。除了结尾物流，其实咱们还落地了一些相似场景，比方帮机场驱鸟、帮鱼塘抛洒鱼料。从技能路途上来讲，咱们都不谋而合地看好这个路途。但比较之下，咱们在数据上具有必定的国情优势。

机器之心：你们的机器人盈亏状况怎样？

卢鹰翔：咱们能够到达单个机器人的盈亏平衡。

咱们落地的结尾物流首要是外卖和商超两大块，客户分别是国内在这两个场景市占率最高的两大渠道。

商超范畴咱们其实跑得挺老练的，比方在姑苏，咱们给山姆送了 18 个月，累计送了 3 万多单。这 3 万多单累计下来是盈亏平衡的。我能够共享几个数据。榜首个是均匀功率，国内骑手均匀每天送 35 到 40 单，咱们的机器人均匀每天能够送 20 单，相当于两台机器人能够干一个人的活儿。第二个是履约率，即有多少单是准时、无损送达的，这个数值或许更有意义。一般来讲，咱们机器人的履约率能够到达 98.5%，依照达达关于骑手的查核规范，这能够到达 A 级（以 98% 为界）。在这个场景中，咱们的机器人和骑手是在一个当地排队的，不需求前置仓为它们装备额定的人力。查核规范也和骑手相同。

外卖是一个比商超更有应战性的范畴。它是多点对多点的配送，也要确保时效。在这个场景中，咱们的机器人和人的查核规范也是相同的，超时或呈现其他问题也要扣钱。

在跟人类骑手进行相等的奖惩查核的状况下，机器人挣到的钱能够掩盖它的本钱，包含折旧、电费、维修费、管理员薪酬等等。在具身智能产品还没有大规模量产的当下，这种盈亏平衡的状况是十分稀有的。

未来迭代方向：上肢、自然语言和多模态

机器之心：现在，这个机器人具有上肢了，交互变得愈加杂乱，你们遇到了哪些新的应战？

龙禹含：最大的一个应战仍是数据问题。当机器人的才能扩展到上肢，它的数据是愈加稀缺的，全球的科研机构、公司都在花很大的力气去搜集数据。但即便如此，数据的多样性仍然缺乏，实践练习出来的模型泛化性也不是很强。比方谷歌的 RT 项目，在做厨房场景时，他们有一个机器人数据厨房，专门用来搜集数据。但脱离这个厨房进入到实在场景后，他们机器人的成功率仍是会大幅下降。

不过，咱们机器人的动作相对来说没有那么杂乱，比方不必去学叠衣服等触及柔性物体的动作，也不会像谷歌那样有许多过程。它的动作基本上能够拆解为一些子问题，比方操作电梯的按钮、操作货品包装袋、拉开门让底盘出去等。在拆解出这些子问题后，咱们就能够专门去搜集这些场景的数据，然后使用一些仿照学习的算法去学习，让这件作业跑起来。在跑起来之后，咱们的机器人会看到一些成功的事例，也会看到一些失利的事例。在看过各式各样的包装袋、门、电梯之后，它的才能就会逐渐提高。

机器之心：现在具身智能的一大方向是让机器人听懂自然语言，乃至依据多模态信息来进行推理决议方案，推广科技在这方面有没有一些方案？

卢鹰翔：让机器人听懂自然语言这件作业必定会去做，并且现已在咱们的规划之中，下一代产品就会具有这样一个才能。自身咱们机器人产品的使用场景就比较靠近人的日常日子，直接用自然语言交互将是十分有用的一个功用。

龙禹含：关于多模态，其实咱们的机器人现在现已在用多模态大模型了。即使是完结方才说到的按电梯按钮、取货、开关门这样的操作，假如想到达一个比较好的泛化才能，现在最安稳的途径便是使用大模型的多模态才能。

现在咱们机器人里的多模态大模型首要用于处理一些视觉问题，比方物体辨认、方针物估量。这有别于传统的自动驾驭，后者只针对某些类别，比方轿车、行人、电动车，去做辨认。咱们的机器人要辨认不同姿态、不同方位的电梯按钮，不同形状的纸袋、塑料袋以及不同类别的门，它面临的要求更高了，所以咱们用多模态大模型来处理这些问题。

机器之心：许多人以为，人形机器人会是具身智能的终究形状，您怎样看？推广科技是否有必要去做人形机器人？

卢鹰翔：说人形机器人会是具身智能的终究形状，这背面的首要逻辑是：现在人类生计的物理国际，比方房子，自身是为人类躯体规划的，所以人形机器人会具有最广泛的通用性。但咱们以为，碳基智能和硅基智能之间有一个很大的差异。碳基智能只能支撑特定的躯体，比方一个人的大脑只能驱动一个人，一个狗的大脑只能驱动一只狗。但硅基智能能够一起支撑多种形状，比方一套智能驾驭体系能够装在本田的车上，也能够装到丰田的车上。所以硅基智能自身不太受详细形状的约束。

在认识到这个差异后，咱们以为，具身智能不必定非要界说一个终究形状，比方变成人形去习惯人类的生计环境。反之，它能够是环境自身。也便是说，它不必定非要去一辆轿车、一幢房子、一条出产线上去作业，它能够是这个轿车、房子、出产线自身。它能够一起存在多种物理形状。

详细到产品开发思路上，咱们不会跟风去做一个人形机器人，而是依据客户、场景的需求来决议把机器人做成什么姿态，比方它按电梯或许开门需求一只手，咱们就给它安一只手。

龙禹含：我弥补一下。其实在产品迭代的过程中，咱们考虑过两种方向，一种是比较靠近于人的方向，一种便是现在这种方向。咱们之所以做呈现在这种挑选，其实首要是考虑这个产品需求大规模在实践场景中落地。假如做成挨近于人的形状，还要在非机动车道上到达挨近骑手的速度，咱们觉得是不适配的。并且还存在交规危险和居民、客户承受度的危险。未来，咱们仍是会依据客户的需求以及本钱等因从来挑选适宜的形状。

数据驱动贯穿一直

机器之心：前段时刻，李飞飞教授创建了一个空间智能公司，您怎样看待这个方向？

卢鹰翔：在看到新闻后，咱们也做了一些调研，便是研讨李飞飞教授这个公司详细要做什么。咱们问了她实验室的学生，成果学生暂时也不太清楚。考虑到李飞飞教授之前一个十分重要的奉献是 ImageNet，而具身智能范畴现在既没有特别好的练习数据集，也没有特别老练的预练习模型，所以咱们猜想，她这个新公司或许会在数据方向做一些作业，比方三维场景中人和机器之间相互关系的数据的搜集，然后用这些数据去辅佐机器人根底大模型的练习。

机器之心：李飞飞等具身智能范畴的研讨者有没有给你们的创业之路供给一些启示？

龙禹含：数据魔咒现已成为当时具身智能范畴的一个一致。李飞飞等研讨者给咱们的启示，便是要尽快去实践场景中取得更多高质量的数据，并且是用商业化的办法低本钱地去获取，然后再反过来推进技能的进一步开展和落地。这是咱们在创建推广科技之初就建立的思路。在具身智能范畴，这个思路现已被李飞飞教授这样的业界长辈重复印证。这让咱们在这个方向的尽力变得愈加坚决。

告发/反应