Каковы требования к управлению данными для автоматизированных транспортных средств доставки?

Nov 19, 2026

Оставить сообщение

Оливия Уилсон
Оливия Уилсон
Оливия — специалист по маркетингу в компании Jiangsu Linya Technology Co., Ltd. Она отвечает за продвижение робототехнической продукции компании на рынке. Благодаря своим превосходным маркетинговым стратегиям ей удалось успешно повысить узнаваемость бренда компании как внутри страны, так и за рубежом.

Если вы когда-либо работали в сфере автоматизированных средств доставки — будь то оператор автопарка, менеджер по логистике или просто человек, ожидающий прибытия посылки без водителя-человека за рулем — вы знаете, что шумиха вокруг этих систем реальна. Но если вы являетесь поставщиком, которому поручено создавать, интегрировать и масштабировать эти автомобили, шумиха быстро угаснет, когда вы обратите внимание на миллион мелких, не подлежащих обсуждению деталей, которые обеспечивают надежное, безопасное и экономичное движение автопарка. За последние шесть лет наша команда разработала, внедрила и оптимизировала более 200Автоматизированные средства доставкив 12 городах США, и один урок запомнился мне больше, чем любой другой: наиболее распространенный разрыв между «рабочим прототипом» и «масштабируемым, прибыльным автопарком» заключается не в аппаратном обеспечении или сенсорной технологии, а в управлении данными. Слишком многие команды рассматривают данные при автономной доставке как второстепенную задачу, которую нужно собирать и архивировать для обеспечения соответствия требованиям или проверки после инцидента. На самом деле, это основа каждого решения, которое принимают эти транспортные средства, от маршрута, который они выбирают в 2 часа ночи, до того, как они приспосабливаются, когда появляется зона строительства. В этой статье я расскажу о непреложных требованиях к управлению данными, которые мы оттачивали на протяжении тысяч поставок, и о том, почему пропуск даже одного из них может потопить флот еще до того, как он проработает первый год.

Во-первых, давайте обосновам это реальностью того, что нашиБеспилотное средство доставкина самом деле делает это каждый божий день. В отличие от беспилотных легковых автомобилей, которым достаточно одного человека, чтобы перевезти из пункта А в пункт Б, наши автомобили совершают более 15 остановок на маршруте, перевозят чувствительные к температуре товары (продукты питания, фармацевтические препараты, даже замороженные продукты) и работают в самых разных средах: от тихих пригородных тупиков до густонаселенных городских районов с двойной припаркованной машиной и пешеходами, находящимися в неположенном месте. Каждая из этих задач генерирует ошеломляющий объем данных — от облаков точек LiDAR, которые отображают каждую выбоину и пешехода, до телеметрии, которая отслеживает уровень заряда батареи и состояние дверного замка, до неструктурированных кадров с внешних и внутренних камер, которые имеют решающее значение как для безопасности, так и для разрешения, если клиент сообщает о пропаже или повреждении посылки. На ранних этапах развертывания мы пытались обращаться со всеми этими данными одинаково: хранить их в одном облачном контейнере без какой-либо стандартизации и просматривать их только тогда, когда что-то пошло не так. Такой подход привел к двум огромным проблемам: мы тратили 35% нашего ежемесячного операционного бюджета на хранение ненужных, избыточных данных, а когда у нас все же возникал инцидент (например, автомобиль свернул, чтобы избежать встречи с собакой), мы потратили более 12 часов на анализ немаркированных данных, чтобы восстановить то, что произошло. Мы быстро поняли, что детальное управление данными на основе ролей — это не самое приятное занятие, а основное требование для автоматизированной доставки.

Так как же на практике выглядит эта ролевая структура? Для нашей команды телематики прием данных в режиме реального времени не подлежит обсуждению. НашАвтономный автомобиль доставкиотправляет более 100 точек данных в секунду обратно в наш командный центр, включая координаты GPS, тормозное давление, уровень заряда аккумулятора и состояние калибровки датчиков. Если камера транспортного средства выйдет из строя на полпути, нам нужно знать об этом в течение 10 секунд, а не 10 минут, потому что одна неисправная камера может означать разницу между безопасной остановкой и столкновением с припаркованным автомобилем. Чтобы это работало, мы создали конвейер данных в режиме реального времени, который отдает приоритет критически важным данным о безопасности (работе датчиков, обнаружению препятствий) для передачи с малой задержкой, в то время как некритические данные (еженедельные журналы давления в шинах, регулярные проверки калибровки камер) группируются и отправляются в ночное время, когда перегрузка сети невелика, а пропускная способность дешевле. Этот компромисс не только снизил наши ежемесячные затраты на передачу данных на 28 %, но и сократил среднее время решения (MTTR) проблем, связанных с безопасностью, с 90 минут до менее 5 минут. Для оперативных групп требования смещаются к структурированным, запрашиваемым данным о доставке: времени остановки, эффективности маршрута, типу посылки и примечаниям о доступе клиентов (например, «код выхода 123, высадка у боковой двери»). До того, как мы стандартизировали эти данные, наша операционная группа вручную вводила более 10 полей для каждой доставки, в результате чего 15% маршрутов имели неправильное время остановки и 8% посылок были помечены как недоставленные по ошибке. Теперь мы привязываем каждую доставку к стандартизированной схеме данных, поэтому команда может в два клика получить отчет обо «всех доставках продуктов в Чикаго, которые были задержаны из-за строительных работ», вместо того, чтобы тратить часы на очистку неструктурированных таблиц. Этот уровень структуры предназначен не только для сокращения работы администратора, но и для масштабирования. По мере того, как мы добавляем новые автомобили или выходим на новые рынки, мы не можем себе позволить каждый раз создавать новую систему данных с нуля. Стандартизированная схема позволяет нам выйти на новый рынок за 2 недели по сравнению с 2 месяцами, которые потребовались при первом развертывании.

Второе требование к управлению большими данными, которое мы усвоили на собственном горьком опыте, — это надежность и избыточность. Автоматизированные средства доставки не могут допустить перебоев в передаче данных, как и их операторы. Если транспортное средство теряет соединение со своим сервером данных на полпути, оно не должно просто зависать или двигаться вслепую, пока соединение не восстановится. В начале 2021 года у нас был парк из 15Беспилотные автомобили для доставкив Остине, штат Техас, произошел 4-часовой сбой в сети из-за обрыва оптоволокна. Не имея локального хранилища данных о самих транспортных средствах, все они съехали на обочину, заблокировав велосипедные дорожки и вызвав 21 вызов неэкстренной помощи в местную полицию. Этот инцидент обошелся нам в 45 000 долларов штрафа плюс доверие нашего партнера по логистике, который почти разорвал весь контракт. После этого мы полностью перепроектировали нашу архитектуру данных, включив в каждый автомобиль периферийные вычисления. Теперь каждое автоматизированное средство доставки имеет встроенный сервер объемом 2 ТБ, который локально хранит данные за 7 дней в реальном времени, поэтому, если соединение с облаком прервется, транспортное средство сможет продолжать принимать безопасные и правильные решения по маршруту. После восстановления соединения локальные данные автоматически синхронизируются обратно в облако со встроенными проверками, позволяющими избежать дублирования записей. Мы также внедрили стратегию резервирования нескольких облаков, поэтому в случае сбоя у одного облачного провайдера данные перенаправляются вторичному провайдеру менее чем за 30 секунд. Это не просто техническое решение — это бизнес-требование. Наши логистические клиенты полагаются на эти транспортные средства, чтобы обеспечить сжатые сроки доставки, а надежность данных напрямую влияет на своевременные ставки, удовлетворенность клиентов и лояльность к бренду.

В-третьих, о чем часто упускают из виду, — это конфиденциальность данных и соблюдение требований. Автоматизированные средства доставки собирают огромное количество персональных данных: от видеозаписей подъездов к жилым домам до координат GPS, которые отслеживают, когда клиент находится дома. В США мы подчиняемся федеральным нормам, таким как Закон штата Калифорния о конфиденциальности потребителей (CCPA) и Закон штата Вирджиния о защите данных потребителей (VCDPA), а также правилам на уровне штата, которые могут существенно различаться. На международном уровне, если мы расширимся в Европу, на нас будет распространяться GDPR, который имеет одни из самых строгих правил конфиденциальности данных в мире. Вначале у нас возникла проблема: наши внешние камеры снимали лица клиентов, когда они подходили к своим дверям, и мы хранили эти кадры на неопределенный срок в «целях безопасности». Это привело к трем жалобам клиентов в Калифорнии, и мы поняли, что подвергаем как наших клиентов, так и нашу компанию серьезному юридическому риску. Мы немедленно обновили нашу политику использования данных, включив в нее два ключевых правила конфиденциальности: во-первых, кадры с камеры автоматически анонимизируются в течение 24 часов, поэтому перед сохранением лица и номерные знаки размываются. Во-вторых, клиенты могут потребовать, чтобы все данные, связанные с их доставкой (включая журналы GPS, записи с камер и сведения о посылке), были удалены в течение 72 часов после завершения доставки. Мы также создали систему контроля доступа к данным, которая ограничивает доступ к личным данным: только наша команда по обеспечению конфиденциальности может просматривать анонимные видеозаписи в целях расследования, а весь доступ протоколируется и проверяется ежеквартально. Этот уровень соответствия не является обязательным. Один штраф за конфиденциальность данных может стоить компании миллионы долларов, а для такого поставщика, как мы, это может испортить отношения с корпоративными клиентами, которые предъявляют очень строгие требования к соблюдению требований. Несколько месяцев назад мы подключили национальную продуктовую сеть, которой потребовался полный аудит конфиденциальности данных в рамках процесса адаптации поставщиков. Наша структурированная, соответствующая требованиям система данных стала огромным преимуществом, и этот контракт теперь является нашим крупнейшим на сегодняшний день.

Delivery Autonomous Vehicle factoryDriverless Delivery Vehicles

В-четвертых, данные для постоянного улучшения. Ни одна автоматизированная система доставки не идеальна в первый день — всегда будут крайние случаи: ребенок, гоняющийся за мячом по улице, припаркованный движущийся грузовик, блокирующий тротуар, ворота покупателя, спрятанные за заросшими кустами. Чтобы исправить эти крайние случаи, вам нужны данные, которые не просто собираются, но маркируются и анализируются. В нашем первом поколении программного обеспечения для автономной доставки были проблемы с зонами посадки на обочине, и у нас было 12 случаев, когда автомобиль слишком далеко въезжал на парковочную полосу, блокируя другие машины. Мы поняли, что наши данные собираются, но на них не было маркировки, объясняющей, почему происходят эти ошибки. Поэтому мы создали команду аннотаторов данных, которые просматривают 10% записей с камер каждой доставки и данных LiDAR, отмечая препятствия, дорожные условия и действия водителя (или, в данном случае, транспортного средства). В течение трех месяцев мы отметили более 50 000 крайних случаев и смогли обновить наше программное обеспечение, чтобы оно распознавало зоны выдачи у обочины, сократив количество таких инцидентов на 85%. Этот цикл непрерывного улучшения возможен только в том случае, если ваши данные поддерживают его. Если ваши данные неструктурированы или хранятся таким образом, что их трудно найти, вы не сможете найти крайние случаи, не сможете исправить программное обеспечение и отстанете от конкурентов, которые выполняют итерации быстрее. Для нас это означает ежемесячное выделение 15 % нашего операционного бюджета на маркировку и анализ данных — затраты, которые мы рассматриваем как инвестиции, а не расходы. За последние два года это привело к улучшению показателей своевременности доставки на 12 % и сокращению количества инцидентов, связанных с безопасностью, на 40 %, что помогло нам снизить расходы на страхование на 30 %.

Наконец, масштабируемость. Как поставщик автоматизированных средств доставки, мы не просто продаем продукт — мы продаем услугу, которая будет расти вместе с нашими клиентами. У нас уже были запросы на добавление контроля температуры при доставке фармацевтических препаратов, интеграцию со сторонним логистическим программным обеспечением и даже добавление бесконтактных возвратов. Все эти функции основаны на данных, и наша система управления данными должна иметь возможность быстро адаптироваться. Вначале мы построили нашу архитектуру данных на модульной основе, поэтому мы можем добавлять новые типы данных без капитального ремонта всей системы. Например, когда наш клиент попросил отслеживать температуру при доставке замороженных продуктов, мы просто добавили в транспортные средства новый датчик, обновили нашу схему данных, включив в нее показания температуры, и интегрировали новую точку данных в наш конвейер реального времени. Весь процесс занял меньше недели, тогда как нашей первой системе данных потребовалось 6 недель, чтобы добавить один новый тип данных. Масштабируемость также означает способность обрабатывать растущие объемы данных. Поскольку наш автопарк увеличится с 200 до 500 автомобилей, мы будем собирать в 5 раз больше данных, и наша система должна иметь возможность масштабироваться без экспоненциального увеличения затрат. Используя облачное хранилище с автоматическим масштабированием и периферийными вычислениями на транспортных средствах, мы смогли сохранить затраты на передачу данных на транспортное средство на неизменном уровне по мере нашего роста, что имеет решающее значение для поддержания конкурентоспособных цен для наших клиентов.

Если вы являетесь поставщиком логистических услуг и хотите стать партнером надежного поставщика автоматизированных средств доставки или корпоративным оператором, желающим добавить эти автомобили в свой парк, управление данными должно быть в верхней части списка вопросов, которые вам следует задать. Это не просто техническая деталь — это то, что определяет, сможет ли автопарк работать безопасно, надежно и прибыльно. За последние шесть лет мы видели, как слишком много многообещающих проектов автономной доставки терпели неудачу из-за того, что они урезали углы в управлении данными, будь то игнорирование правил конфиденциальности, отсутствие дублирующих систем или невозможность итерации программного обеспечения с использованием реальных данных. Для насБеспилотные средства доставкиМы создаем не просто аппаратные средства, это системы, генерирующие данные, и хорошее управление этими данными — единственный способ выполнить обещание автономной доставки: более быстрая, дешевая и надежная логистика для всех.

Если вы готовы изучить, как наши решения для автоматизированной доставки на основе данных могут работать на ваш бизнес, или хотите узнать больше о процессе развертывания нашего парка транспортных средств, мы будем рады услышать ваше мнение.

Ссылки:

  1. Национальное управление безопасности дорожного движения (NHTSA). (2022). Автоматизированные системы вождения: взгляд на безопасность 2.0. Министерство транспорта США.
  2. Международная организация по стандартизации (ISO). (2021). ISO 22737: Интеллектуальные транспортные системы. Автоматизированные системы вождения (ADS) для легких дорожных транспортных средств. Требования к характеристикам и процедуры испытаний.
  3. Закон Калифорнии о конфиденциальности потребителей (CCPA). (2020). Текст Закона Калифорнии о конфиденциальности потребителей. Калифорнийский офис административного права.
  4. МакКинси и компания. (2023). Автономная доставка: преодоление последней мили. Глобальная практика в области технологий, средств массовой информации и телекоммуникаций.
  5. Общество инженеров автомобильной промышленности (SAE International). (2021). Таксономия и определения терминов, связанных с системами автоматизации вождения дорожных транспортных средств (J3016).
Отправить запрос
Отправить запрос