当自动驾驶机器人行驶在城市的人行道场景，算法会有效还是失灵呢？

这是一种比行驶在道路上更复杂、更具有不可预测情况的现实场景：一方面，机器人面对使用电动轮椅的老人、遛狗的人、婴儿推车、突然冲出马路的孩子等复杂的情况；另一方面，人行道还可能出现坑洼、斜坡等路况。

最近，DeepTech 关注到美国加州大学洛杉矶分校（UCLA，University of California，Los Angeles）副教授周博磊加入美国机器人初创公司 Coco Robotics，并在该公司新成立的 Physical AI Lab 担任首席 AI 科学家。我们通过与周博磊的交流，试图从产学研方面揭开人行道自动驾驶的“神秘面纱”。

（来源：https://arxiv.org/abs/2501.06693）

在另一项发表于 CVPR 2025 的论文《通过可扩展的城市模拟实现自主微移动》（Towards Autonomous Micromobility through Scalable Urban Simulation）中 [4]，也研究了人行道机器人。研究人员利用 AI 代理协助人类操控小型出行设备（micromobility），为提升安全性和效率提供了一种可行的解决方案。他们构建了一种高性能机器人学习平台 URBAN-SIM，用于在交互式城市场景中大规模训练具身代理。此外，他们还针对四种机器人设计了涵盖 8 个场景的三项任务，包括轮式机器人（Coco Robotics 的送货机器人）、四足机器人（Unitree Go2）、轮腿机器人（Unitree B2-W）和人形机器人（Unitree G1）。

（来源：https://arxiv.org/abs/2505.00690）

介于家庭机器人和车道自动驾驶之间的应用场景

Coco Robotics 以实现配送机器人“最后一公里”为目标，其成立于 2020 年，联合创始人兼 CEO 扎克·拉什（Zach Rash）和联合创始人兼 CTO 布拉德·斯奎恰里尼（Brad Squicciarini）都是 UCLA 的校友。该公司在种子轮融资时获得了 OpenAI 的 CEO 山姆·奥特曼的支持，并与 OpenAI 一直保持数据方面的合作。在如今的大模型和 AI 浪潮中，Coco Robotics 的优势之一在于，其基于自身机器人小车送餐业务能够像特斯拉那样每天积累大量新的视频数据，而不是像其他大模型公司那样下载通用的互联网数据。

从美国市场来看，目前聚焦人行道自动驾驶机器人的主要公司“各有千秋”，除了 Coco Robotics 还包括 Starship Technologies 和 Serve Robotics。Starship Technologies 成立于 2014 年，专注于校园内餐厅的机器人配送业务，并在美国、英国、芬兰等国家的相关城市开展业务。Serve Robotics 公司自 2021 年从 Uber 分拆而来，已于 2024 年在纳斯达克上市。

周博磊与 Coco Robotics 的合作一方面源于双方技术发展方向的契合，另一方面也基于他们此前的合作。

尽管周博磊实验室之前做过自动驾驶的相关研究，但缺少自动驾驶真车，也没有场地做真车实验，更没有数据和计算资源和大型自动驾驶公司竞争。因此，他们切换了研究场景，转而研究人行道上的机器人——既能研究机器人学习课题，又可以在真实世界中做实验。与此同时，Coco Robotics 正处于 AI 转型阶段，随着其基于远程遥控配送车的业务发展成熟，公司计划向用 AI 模型补充和降低人工操作的方向转型。

需要了解的是，机器人研究中常见的划分方向是机械臂或家庭环境下的机器人方向，以及自动驾驶方向。现阶段，特定场景下的道路自动驾驶技术已基本接近实现，人们可使用 Waymo 和萝卜快跑等自动驾驶服务平台在国内外的相关城市打车出行。而人行道自动驾驶是介于家庭机器人和车道自动驾驶之间的过渡场景。该场景下的机器人需要完成的不仅是简单的视觉识别任务，还需要充分整合感知、理解、判断、决策和行动，这也是决定着 AI 是否能走进现实世界的关键因素。更重要的是，其还需要机器人和人类进行更有效的安全交互。周博磊进一步说道：“如果能解决好人行道上的机器人技术问题，它也可以应用到送货之外的其他方向，比如为人形机器人提供城市导航模块，为电动轮椅提供自动驾驶能力等。”

为更好地解决上述问题，新成立的 Physical AI Lab 将围绕三个方向开展研究：一是从数据层面，基于 Coco Robotics 累积的真实数据训练出适用于城市人行道的、配送机器人的基础模型或者移动性基础模型。“这相当于特斯拉基础款的 Autopilot 功能，它可以在高速等相对简单的情况下实现自动驾驶，然后把这个模型整合到现有的操作流程中。”周博磊说。二是通过仿真重建出与真实情况高度契合的虚拟环境对模型进行训练，以进一步提升机器人的决策和因果推断能力。三是让模型能从人类的操作中持续学习，将 AI 模型与人类操控者更好地协作整合。

需要了解的是，这并不意味着在短时间内完全实现自动化，而是通过人机协作共同完成人行道导航任务：在较简单的人行道情况下，由 AI 操作系统；而在过马路等较复杂的情况下，则由人接手操作。他表示：“现阶段的遥控操作是一个操作者对应操作一辆送货车。我们希望在两三年内可以发展到一个操作者结合 AI 模型能同时操作 3 到 4 辆送货车，这将大大节省人力成本。”

产学研结合的双赢路径

从周博磊这次与 Coco Robotics 的携手，我们可以看到产学研紧密结合的一种双赢合作路径：公司可提供资金、通过业务积累的海量数据和实验平台，但面临招聘全职 AI 研究员工成本高和 AI 技术迭代慢的问题；而实验室由于没有真实数据，很难开展相关研究。通过合作，实验室的学生们可利用公司提供的真实世界数据和硬件平台开展研究、发表论文。尤为重要的是，相关研究成果开源发布后，能够进一步促进和回馈整个社区的技术发展。

周博磊指出，城市人行道自动驾驶领域目前尚处于技术早期阶段。在接下来的几年中，随着技术的发展、数据的积累和研究的深入，非常有可能有一条稳定的技术路线“突出重围”。

参考资料：

1.https://arxiv.org/abs/1512.04150

2.https://arxiv.org/abs/1704.05796

3.https://arxiv.org/abs/2501.06693

4.https://arxiv.org/abs/2505.00690

5.https://techcrunch.com/2025/06/11/sam-altman-backed-coco-robotics-raises-80m/

6.https://www.cocodelivery.com/