环卫AI从算法到产品：IJCAI冠军背后的感知决策与工程之道

深兰科技在IJCAI 2020拿下两冠一季外加最佳工业应用视频奖的通知我在朋友圈里刷到后盯着那几个字看了好久。不是奇怪这个结果而是突然意识到环卫智能化这个赛道已经从“试点样板间”阶段跑进了“拿世界级排名论高低”的阶段。这两年接触过不少市政环卫的AI项目也亲手调过清扫机器人、跟过垃圾识别模型的部署。说句实话朋友圈里真正把环卫AI做成可持续产品的团队不多多数项目卡在同一个地方——实验室里跑得好好的模型一上真实街头就露馅。所以当我看到IJCAI 2020上这个成绩单时第一反应不是点赞而是想把它拆开看看到底比了什么赢了什么这些奖项对真正做环卫AI的人意味着什么。1. IJCAI 2020的环卫赛道比的到底是什么1.1 学术顶会开始“以赛代练”这背后有个信号IJCAI全称是国际人工智能联合会议从1969年办到现在是人工智能领域资历最老的顶级会议之一。一般人对顶会的印象是发论文、做报告、搞学术交流但近几年IJCAI这类会议里出现了大量工业型挑战赛而且规模越来越大。这个变化不是偶然背后是整个人工智能行业在反思论文好不好和模型能不能用中间隔着的距离比想象中大得多。论文评价的是方法的创新度而挑战赛评价的是方法在给定数据、给定算力、给定时间约束下的真实表现。创新度再高跑不出分数也是白搭。IJCAI把这两块放在同一个会议上等于给学术界和工业界搭了个面对面验货的场子。深兰拿到的这几个奖全部来自比赛类的赛道这意味着它们的算法不是躺在论文里的漂亮公式而是被真实数据拷打过、被线上评测验证过的东西。1.2 两冠一季的组合信息量其实不小两冠一季加最佳工业应用视频奖这句话看着简单但从奖项结构能拆出不少东西。先说“两冠”。两个冠军很可能是两个不同方向的子任务同时登顶说明这个团队不是靠单点算法钻空子赢的而是擅长整个技术栈的协同优化。有的是感知方向的识别任务有的是决策规划方向的任务这两个方向在环卫智能化的实际落地中是强耦合的车要看得见垃圾也得知道怎么绕开障碍物去扫垃圾。再说“一季”。季军这个名次很多新闻通稿里不会细讲但它往往出现在竞争最激烈的赛组。冠军可能有手气成分但冠亚季三个名额都稳定被同一团队收入囊中只能说明那套方案的上下限都很高。最后是“最佳工业应用视频奖”。这个奖项的分量经常被低估它看的不是模型在测试集上的离线分数而是整套系统在真实场景中跑起来的视频证据。环卫车能不能在广州城中村的窄路上识别到散落垃圾能不能在雨天模糊的挡风玻璃后画出可执行的清扫路径这些场景一上镜头水分就藏不住了。拿到这个奖等于给技术的“可落地性”盖了个章。1.3 世界冠军的“加持”体现在哪儿标题里的“世界冠军加持”不是虚词。IJCAI是国际会议参与队伍遍布全球能在这种规模的工业挑战赛里同时拿下多个名次含金量相当于在AI算法的世界级锦标赛里同时站上领奖台好几次。更重要的是这种赛事冠军的身份会反哺到产品端。市政环卫的采购方往往不是算法专家他们判断技术实力最朴素的标准就是有没有国际奖项背书。两冠一季这种硬通货对商务侧的信任建立作用极大。我见过不少算法团队技术确实不错但因为没有成体系的对外成果认证在客户面前讲半天不如别人晒一张获奖证书来得快。奖项本身就是灯塔信号它让市场更快知道谁在这个赛道有话语权。2. 环卫智能化硬核技术里最难啃的几块骨头2.1 感知层面不是“看得见”是“看得准”很多外行以为环卫车辆的视觉感知跟自动驾驶差不多识别行人、车辆、障碍物再把识别结果融合到路径规划里就行了。实际做起来完全是另一回事。自动驾驶的目标相对规整人是人车是车类别清晰样本量大。环卫场景里的目标乱七八糟塑料袋、矿泉水瓶、树叶堆、烟头、宠物粪便、装修废料这些东西不但种类多而且形态极度不固定。塑料袋被风一吹就是个缠绕物半张报纸贴在湿漉漉的路面上视觉特征跟背景几乎融为一体。你让模型去检测一个被踩扁的易拉罐它在训练集里可能有几万个样本但到了现场只会遇到一个被雨淋过、被车轧过、半埋在泥里的易拉罐。这就是长尾问题。环卫数据集的类别分布极不均衡主干类别样本充足长尾类别少得可怜。很多团队用通用目标检测的框架跑环卫数据mAP看着挺高一拆开看占样本量90%以上的类别把平均分拉上去了而真正棘手的那些稀有垃圾类别检测率低得没法看。这个问题的解法不是单纯加数据而是要设计难样本挖掘策略、小目标增强策略甚至针对特定垃圾做物理纹理仿真。2.2 决策层面清扫路径不是最短路径环卫智能化的决策部分也跟常规自动驾驶不一样。普通自动驾驶的目标是高效抵达目的地而清扫机器人的目标是高效覆盖整个作业区域同时避开动态障碍物同时不重复扫同时不漏扫。这里涉及一个经典的覆盖路径规划问题学术上叫Boustrophedon路径牛耕路径。单台低速清扫车在空旷公园里的覆盖还算简单但真实场景是有行人、有车辆、有临时摊位、有正在施工的路段。机器需要实时地把工作区域切分成可覆盖的子区域在遇到动态障碍时局部重划路径等障碍物移走后还要回到原先漏掉的位置补扫。这些逻辑叠加下来计算复杂度一下就上去了。所以比赛里比得多的恰恰是这个层面的鲁棒性算法能不能在保证覆盖率的同时把能耗和耗时控制在合理范围。深兰能在这个方向上拿冠军说明他们在感知和决策的联动上做了不少真功夫。2.3 数据层面标注成本高到让人头皮发麻模型训练离不开标注数据但环卫数据的标注是出了名的贵。一个密集垃圾场景的真实图片里可能有几十个不同类别的目标而且大量目标被遮挡、被光影干扰。标注员要把每一个烟盒、每一片纸屑、每一条沟壑里的淤泥都框出来一个人一天标不了几十张图。更麻烦的是时序数据。车辆在运动目标在移动被遮挡的目标隔几帧又出现这就要做跟踪标注成本比静态检测高一个数量级。很多团队在比赛里表现不错一回到自研数据集上就萎了原因就在这里比赛数据是主办方准备好的而自己的工业数据必须从零建设。深兰这种有自营环卫设备和自有车队的企业在数据采集上天然占优源头活水不断模型的迭代速度自然快。3. 获奖背后的算法与工程体系值得拆开看3.1 竞赛分数高靠的不只是模型结构很多人以为比算法就是比谁的网络结构更花哨其实到了IJCAI这种级别的赛事模型结构上的差异已经很小了真正拉开差距的是工程细节。第一个细节是数据清洗。官方给的数据集里有多少坏图、多少错误标注、多少重复样本谁先清洗干净谁就先赢一步。很多团队在这一步就输掉了他们拿着一堆噪音数据去训练模型反复震荡还怀疑是自己网络设计的问题。第二个细节是模型集成。单个模型的上限再高也有天花板竞赛里常用的是多个模型做集成投票用差异化的网络结构捕捉不同维度的特征最后把推理结果融合起来。这个方法在工业界同样有效但代价是推理开销成倍增加。所以顶尖团队的竞争力不在于会不会做集成而在于能否在精度和算力之间找到最优平衡点。第三个细节是后处理。检测模型输出的裸结果通常不能直接用需要NMS非极大值抑制过滤重叠框需要根据场景先验修正误检需要用时序信息平滑抖动。这一层做得精细分数可以涨好几个点而且往往比换一个更大的骨干网络更有效。3.2 最佳工业应用视频奖真正的试金石最佳工业应用视频奖这个奖项在我理解里比单纯的算法排名更接近产品本身。它考察的是整套系统在真实环境中的连续性表现而不是在某一个静态测试集上的瞬时分数。我看过不少团队的演示视频很多是“精心挑选的高光时刻”剪辑。天气好的时候拍一段路边放几个显眼的道具垃圾车慢慢悠悠走过去识别成功然后剪出30秒发布。这种视频拿到工业应用奖几乎不可能。评委要看的恰恰是没被剪辑的、连续作业的、包含各种恶劣情况的实证素材。深兰能拿到这个奖至少说明他们的环卫AI系统在无人值守状态下的稳定性和安全性达标了。这个门槛说起来不高实战过的都知道让一台机器在户外连续运作几小时不出故障比在云端跑个GPU推理难得多。3.3 边缘部署才是环卫AI的生死线环卫车辆上不可能装一个巨大的服务器就算空间允许发热、功耗、成本也都是问题。大多数清扫车用的是嵌入式设备或者车载工控机算力资源非常紧张。这就逼着竞赛团队的算法必须走轻量化路线。模型压缩、量化、剪枝、蒸馏这几招都得用上。我在自己的项目里踩过的坑是INT8量化后的精度损失比想象中严重尤其是小目标检测一个矿泉水瓶可能在量化后直接消失。针对这种情况要么得在量化敏感层做混合精度处理要么就得多训练几个模型做冗余部署。深兰在边缘端产品的积累比较深这次的竞赛成绩某种程度上说明他们的算法对边缘环境的适应能力已经足够好。4. 世界冠军怎么变成环卫AI的落地产品4.1 从算法冠军到自动化清扫车赛事里的感知决策算法最直接的出口就是自动驾驶清扫车。这类车一般分两种形态一种是大型市政清扫车在主干道上作业对速度和覆盖率要求高另一种是小型园区清扫车在广场、公园、步行街跑对灵活性要求高。无论是哪种形态核心链路都是一样的传感器采集数据算法识别垃圾和障碍物规划模块生成路径底盘执行清扫动作。比赛里拿冠军的算法在这个链路里承担的就是最核心的“大脑”角色。冠军算法的优势不只是精度还包括对不同城市风格、不同季节光照条件的泛化能力这个能力在跨区域部署清扫车队时就是直接的商业竞争力。4.2 从单车智能到车队调度单台清扫车智能化只是第一步真正把环卫成本降下来的是车队级的调度系统。一个城市片区可能有几十台清扫车同时作业每台车的位置、电量、垃圾箱容量、作业进度都不同需要一个云端大脑做全局调度优化。这就是算法竞赛里那些调度类题目的用武之地。靠比赛练出来的强化学习模型、组合优化算法可以迁移到环卫车队的动态排班场景。类似的迁移并不少见但能主动把竞赛技术栈落到实际调度系统的团队不多深兰在这方面算是走得比较早的。4.3 跨界复制环卫算法能用到哪儿环卫智能化的技术栈跨界复用的潜力也很大。比如垃圾分类检测可以直接迁移到再生资源回收中心的流水线质检道路破损检测可以迁移到市政基础设施巡检对特定物体的细粒度识别能力也能用在电力设备巡检、农业生产监测等领域。这也是我为什么一直觉得赛事冠军的意义不在于奖牌挂在墙上好看而在于把一套经过高强度验证的技术框架沉淀下来。框架是可复用的而赛道是可切换的。环卫只是一个切口背后的整个机器视觉与决策智能底座才是更值钱的东西。5. 做环卫AI落地我踩过的几个坑5.1 阴影才是第一号敌人在自己做环卫识别的时候最头疼的不是垃圾种类多而是光影变化。晴天一棵树的影子扫过路面检测框就开始乱跳。有些模型会把树影误判成深色垃圾把井盖反光误判成积水区域把路缘石的阴影误判成裂缝。处理这个问题的思路很多最简单粗暴的做法是在训练数据里做数据增强把亮度、对比度、色调随机变化几倍让模型对各种光线条件“免疫”。但更好的做法是在预处理阶段把颜色空间从RGB切到更有光照鲁棒性的表示比如HSV或者LAB同时叠加自适应直方图均衡化。实测下来这类预处理对阴天和傍晚场景的提升非常明显。5.2 指标好看不代表作业干净很多算法团队汇报时拿mAP说话但mAP高不表示清扫车的实际作业效果好。学过目标检测的都知道mAP是一个相对指标它衡量的是预测框和真实框的匹配程度而不是垃圾有没有真正被扫掉。真正的业务指标应该是“清理率”也就是实际被扫掉的垃圾占整条道路垃圾总量的比例。要做到这个指标光有检测结果还不够还得有机械臂的抓取规划、吸嘴的风力控制、扫刷的角度调整。所以做环卫AI的团队一定要打通算法和硬件的配合链路不能各干各的。我在项目里后来加了作业仿真模块每次算法优化都先在模拟器里把清扫执行过程跑一遍再上实车验证。这个习惯帮我避免了好几次“指标涨了但客户不买账”的尴尬。5.3 被低估的坏样本反馈闭环环卫场景的最大特征是变化快。今天还在正常扫地的路段明天可能因为旁边工地施工多了很多泥块和碎石上个月还经常出现的某品牌饮料瓶下个月就换新品包装了。这意味着模型的分布随时在漂移没有一套行之有效的坏样本反馈闭环模型会在部署后两周内开始退化。我现在的做法是给每台清扫车装一个简易的冲突记录模块当模型输出的置信度处于模糊区间比如0.4到0.7之间就会把对应的图像帧上传到云端。每周人工看一次模糊样本池挑出有价值的坏样本补充到训练集里再触发增量训练。这套机制看起来简单但比一年半载做一次定期迭代有效得多。5.4 硬件出现感知问题比硬提升算法强很多时候模型表现不佳不是算法的问题是传感器的问题。车载摄像头用了便宜的镜头畸变校准没做好图像边缘的检测精度永远上不去激光雷达安装位置过低泥水溅到镜面上点云数据就废了。有过一次挺深的教训一批清扫车在雨天全部出现障碍物漏检我开始以为是感知算法在雨中失准把模型调了一周也没用。后来让人把车上的传感器数据录下来回放发现是激光雷达的窗口被车轮回扫溅起的泥浆糊死了。把雷达位置改了加了个物理挡泥板问题直接解决。算法和工程之间的这种隐性联动是纯做代码的团队很难体会到的。6. 一些我自己的体会回到深兰这组奖项我最大的感触是环卫智能化这条赛道已经不是靠几个识别Demo就能唬住人的阶段了。从IJCAI 2020的赛制设置就能看出来评委和主办方越来越看重系统在真实环节的综合表现而两冠一季加最佳工业应用视频奖这个成绩恰恰就是综合实力的证明。我个人在实际项目中的体会是环卫AI的复杂度不亚于任何自动驾驶场景却长期被行业低估。它不光是目标检测、路径规划这些单点问题而是把感知、决策、工程、硬件、数据闭环全链条整合在一起才能跑通的系统工程。能在IJCAI这种级别把多个方向同时做到领跑说明这个团队在底层技术栈上的积累非常深。最后再分享一个小建议如果你也正在做类似场景的视觉落地项目别只盯着竞赛榜单或论文分数多去现场看看设备在真实环境里的表现。拿一次奖项也许需要几个月的冲刺努力但把系统打磨到能在街头连续稳定工作需要的是一年又一年的沉淀。这可能是环卫智能化赛道里最不性感、也最绕不开的真相。