阡陌交通，数字之用

主页（http://www.cnwulian.net）：阡陌交通，数字之用

六年的发展，阿里云从关注交通单一关键环节开始，到思考如何应对大交通治理方、运营方、服务方的现实挑战，围绕交通"规、建、管、养、运、服"进行体系化建设，利用平台化技术综合优化交通资源。这是阿里云交通部门自身发展和转型的历程，也是阿里云与交通行业一起极速奔向全局智能的历程。

本文观点来自：

张磊 阿里云智能城市大脑首席科学家

邓兵 阿里巴巴达摩院城市大脑实验室资深算法专家

肖露 阿里云智能交通物流行业总经理

"今天下，车同轨，书同文，行同伦。"——《礼记·中庸》

自古以来，交通便在人类文明发展史上扮演着重要角色。秦始皇统一六国以后修建直道，堪称中国最早的高速公路；长城烽火台白天放烟晚上放火，和当下V2X（Vehicle to Everything，车用无线通信技术）、车和车互联的理念非常相似；汽车、轮渡与飞机次第而来，当技术的进步足以支撑人类探索海陆空，交通的内涵也大大拓展，无远弗届。

与此同时，交通行业正迎来一场数字化的内生变革。"十四五"规划中明确提出，加快建设交通强国，在智能交通领域推动数字产业化探索。

从城市大脑说起

阿里云在交通领域的探索，要从具有标杆意义的城市大脑说起。2016年，中国工程院院士、阿里云创始人王坚博士向杭州市政府提出，"建设城市大脑解决城市病"；2019年，王坚博士进一步提出一个问题：能不能把杭州市道路上跑的车辆数清楚？如果数不清楚有多少车，交通管理也就无从谈起。

城市大脑综合运用视频识别、流计算、视觉计算加速等技术，对杭州全城视频数据流进行实时分析，通过数字化手段数清楚了路上跑着多少车辆。

除了能够很好解决交通管理这一刚性难题，城市大脑还帮助阿里云沉淀了数据分析的逻辑和算力底盘，后来扩展到智慧高速、智慧港口、智慧航空等实践中，这是一脉相承的通用能力。

六年的发展，阿里云从关注交通单一关键环节开始，到思考大交通治理方、运营方、服务方的现实挑战，围绕"规、建、管、养、运、服"进行体系化建设，利用平台化技术综合优化交通资源——这是阿里云交通团队自身发展和转型的历程。

如今，阿里云提出了更高的数字化愿景，逐步从城市交通领域走向综合交通的各大领域。一方面能不能进一步数清楚道路、港口、机场、铁路枢纽、航道上，到底有多少人在开车、骑单车、步行、坐飞机、坐高铁、运载货物；另一方面，阿里云从城市交通信控场景接入，沉淀解决交通行业共性痛点和供需问题的解决方案，在智慧高速、物流上云、智慧机场、智慧航司、智慧海事、智慧港口等数字化创新领域，都有了新的实践。

从最早的云平台、数字中台和业务中台，到可视化分析能力、PaaS层数据接口、AI能力调用接口，到行业知识图谱和行业模型相结合的云控平台、出行服务平台、货运物流服务平台，逐步进化成为产业智能的核心，让云计算、大数据、人工智能之上的感知智能、认知智能、决策智能和行业能力实现紧密耦合。

最终，阿里云悟到：交通系统的本质是，更高效地优化基础设施和各类载具资源供给，更安全地满足个人出行、货运物流的需求；而数字化技术，能够做的就是"计算"，计算个人、货物的移动需求，计算实时各要素位移的状态，实现高效、精准地匹配和调度。

全要素、全时段、全覆盖的数字化

交通作为传统基建的重要组成，焕发数字化新生的第一步，是建立数字空间的交通全要素数字孪生。

现实来说，今天交通新基建的数字化能力，还有一定的局限性，有三个典型问题：

第一，夜间、恶劣天气，智能化能力急剧下降，因为传统AI靠视觉感知。

第二，设备覆盖有限，存在大量的数据盲区。但优化决策依赖精准全链路数据，否则决策有局限性。

第三，智能设备，如摄像机、雷达、测速、天气传感器等设备之间的孤立性，像盲人摸象，都是局部信息，很难为总体优化提供信息支撑。

针对这三个问题，阿里云对应从三个方向解决技术难题。

1.全时段。做到不受夜晚、雨雪恶劣天气干扰，指标不退化。传统的方式是爆闪灯，但对驾驶员非常不友好，而且覆盖的距离也比较有限。阿里云采用融合多元传感器：视觉AI加上毫米波雷达。

但雷达感知域和视觉感知域不同，频率和特性都不一致，需要数据统一；其次，风吹日晒，会造成设备偏移，一段时间后要做动态校正映射矩阵；最后，如果视觉和雷达产生了冲突，你相信谁？相信的依据是什么？第一种各自计算分析，再投票，称之为"后融合"；第二种设计深度学习网络模型，实现数据驱动——阿里云选择了后者。在夜间、恶劣天气的感知能力可以达到白天的99.5%。

2.全覆盖。传统摄像机能够支撑的范围大概为200米，如果做全域覆盖，设备建设成本非常高。如何解决？

阿里云采用的解决方案是在深度学习模型里，加上超小目标检测和分割能力，针对特别细小的目标，进行超分辨率放大，保证车辆细节感知。要知道，在真实应用中，超过600米的图像像素已经非常小，把它抠出来并识别出，就可以实现提升一倍以上感知距离。同时，在深度学习模型里，增加盲区的认知推理，比如靠近大桥的地方，已经超出人眼的感知范围，但通过车流的变化，可以推断是否有异常情况。

这样就可以利用技术手段，低成本地解决覆盖距离的问题。

3.全要素。交通全要素包括运动物体的属性、行为逻辑、客观环境。

这里要实现的交通目标是：真实的物理位置、速度、方向、尺寸、车道，要完全量化、一一对应。对交通事件，如违法、违规等行为，要实时感知，第一时间发现，快速决策、避免二次事故。同时准确判断道路环境，快速发现能见度、路面状况的微小变化，以降低未来更大的损失。

这里的技术难点在于，细致识别需要高分辨率图像，而高分辨率图像会导致计算量很大；但反之，如果没有足够的数据量，计算效果又会不好。