外卖也智能！美团骑手智能助手的技术与实践

接收程序员的 8 点技术早餐

上图系中国物流与采购联合会在 2016年发布的一个 告，调研数据表明，全国物流件数环比增长超过 50%，达到 300多亿件。

同时整个物流的费用占比也很高，从图中可以看到，物流成本已经占据 GDP的 15%。而在欧美国家以及日本，这个比例大概只有 8%～9%左右，所以中国的物流行业还有很大的优化空间。这也是很多公司大力投入去做物流行业的一个很重要的原因：行业正处于高速发展阶段，而且体验、效率和成本方面都有巨大的优化空间，大有可为。

下图主要介绍了美团外卖现在的发展情况：

相比传统物流，即时配送包括以下几个优势：

第一点，非常快。从商家发单，比如说一个外卖订单，从下单到用户收到，平均要在 30分钟内能完成，最慢的也应该在一小时左右。快，是最重要的一个特点，快，也能够使整个服务的要求和服务质量得到巨大提升。

第二点，能够直接联系用户和商户。之前的物流基本是从商家接单，要经过很多环节，包括仓储、运输调度、人员配送等等，最后再送到用户，中间几经转手，甚至由不同的公司配送，或者有不同的加盟商。但是即时配送直接将用户和商户联系起来，进而直接影响目标人群，这是很大的一项价值。

第三点，能够承担多种配送场景，不仅仅可以送外卖，还可以送商超、生鲜等等，基本上所有的同城快件，都可以纳入其配送服务范围。

总体来说，配送是一个非常复杂的业务，为了能够便于大家理解，我把这个业务模型进一些抽象和简化，可以用下面这张图来进行说明。

我们可以从两个维度来看 AI问题。一个维度，是看机器与人工的对比，速度上是不是比人工更快，是不是比人工的效果更好。

另一个维度是 AI所发挥的作用。首先是不是能够感知世界，比如说现在做得图像识别、语音识别以及 OCR，都是像人一样能够感知这个世界。其次是不是能做到认知，比如说了一句话，“今天天气怎么样”，不但要把语音翻译成文本，这里讲的是“天气”这个实体，还有“今天”这些限定因素。第三就是要做决策，现在比较火的人工智能应用都在“如何做决策”这个层面，而且要做比人做更好的决策。一些代表性应用，比如智能助手，特别是辅助人进决策权的（聊天机器人会差一些），可以帮你完成更好的任务；比如无人驾驶；比如在物流领域，如何分配订单，并通过无人车或别的方式交付订单；还有在游戏和医疗里面，AI辅助医生做决策，在游戏里面，当用户掉线时，游戏 AI可以帮助用户打怪升级。

可以看到在配送层面，我们会涉及智能助手、智慧物流、无人驾驶等多个维度，而为了提升配送的整体智能化程度，我们构建了自己的“美团配送 AI”，具体来说分为两大部分：

首先是广度方面的建设。我们的目标是配送整体流程和环节进行 AI化，从用户下单开始的每个配送步骤都要覆盖，为此我们整体技术方向的面非常广，不但横跨三个大学科，而且从预测、挖掘、定价、规划、调度和硬件等都要进行技术研究和业务落地。

其次是深度方面的建设。这不单单是指技术方面，比如基础计算框架和模型研究等，还包括技术与配送业务的深度整合，比如配送仿真平台建设，具备进行多配送场景的仿真能力，无需上线就能够对不同业务策略效果进行准确预估。同时还要结合行业情况，提供行业的智能化解决方案，比如在骑手运营方面，更有效的骑手激励和骑手留存的机制设计。

而美团外卖语音助手就属于我们在广度和深度结合比较好的案例。接下来就和大家分享一下我们在整个智能助手的实践和设计过程中，以及在整个物流业务中，如何将人工智能技术更好的落地的一些经验。

美团外卖智能语音助手定位

• 第一，任务复杂，需要做很多决策，不过复杂度会随着骑手的熟练度有所变化。

• 第二，操作繁琐，大概需要五到六个步骤，至少需要 10到 20秒，或者更长时间。

• 第三，骑手在骑行过程中操作手机非常危险。对于有 50万骑手的平台，我们必须考虑骑手在整个驾驶过程中的安全。

基于这些考虑，我们做了美团外卖语音助手，它的定位主要包括以下三点：

如上图所示，左侧是一般的语音助手方案，需要唤醒、应答、请求和再应答四个步骤，但是并不符合配送场景的要求。首先，骑手所在的场景，噪音很大，比如风噪、汽车噪音以及商场噪音等等，唤醒比较难实现。其次，需要四个步骤，还要考虑骑手的工作状态，这个操作过程太繁琐。

那怎么办思考，是否能做到一套不需要唤醒的解决方案呢很肯定，可以做！

第一点，我们的数据非常多。包括骑手、用户和商家，这些数据都是实时的，我们能够了解比骑手多得多的全局配送信息。第二点，我们能做到精准预测，利用机器学习、智能调度等技术，可以对骑手下一个操作场景进行识别。

举个例子，一个骑手身上可能有几个订单，他正在朝一个地方前进，通过场景分析，我们知道他要给具体哪个用户配送，而且我们能了解用户在这个楼里的几层，下来大概需要几分钟，所以能够推算出来，大概在哪个时间点提醒骑手打电话比较好。这样我们就可以省略唤醒和应答流程，直接给骑手发提醒，骑手只要回答是或否够可以了。这样设计才符合骑手线下的实际配送情况，能够真正给骑手解决实际问题，才能够真正称之为“智能”。

相关 AI核心技术

具体技术分为几个主要的部分。

即时配送场景是一个典型的时间序列问题。从上面的图可以看出，场景包含前后关联，一个骑手历史的行为和决策会影响现在，同时现在的决策和行为会影响未来，这是个典型的时间序列问题。

场景识别要解决的两个主要目标，一个是事件预测，要知道下一时刻大概会发生什么事情，比如骑手是不是已到商家，商家是不是已经出餐；另一个是时机预测，未来要打电话，到底什么时候打更合适p>

为了更好的说明，我举个打电话的案例。

先介绍一下轨迹，我们每天能有几十亿次的定位数据，进而可以基于这些数据做很多事情。

第一个例子（左侧）用户在下单时定位的分布，因为大家在室内下单，定位偏离是非常大的。但通过骑手轨迹的修正，实际上大概只有四个点，每个点可以认为是这个这栋楼的一个门口，这大幅提升了用户的定位精度，让骑手配送更容易。

第二个例子（右侧）通过骑手轨迹对 AB两个点的骑行路径进行修正，上图中轨迹分析发现了更短路径，穿过小区更节省时间；下图中，原地图导航要跨过中间过街天桥，但通过轨迹发现更多骑手是绕行通过，这才更符合真实的情况。

下面介绍一些机器学习相关技术，主要是应用在各种时间预估层面。

地址对配送来说是非常重要的信息，通过 NLP和地图搜索的方法，解析成层次结构，对分析商圈、楼宇维度的画像非常有帮助。我们把一个地址分解为四个层次，小区、楼 、单元 和楼层等。其中要解决很多实际问题，比如用户填写的信息完全不标准、存在歧义等问题。

做了这些工作之后，能实际产生的效果还是很有意思的。我们通过“上下楼时间”这个具体场景来进行分析。

为什么要定制耳机呢手的使用环境中，需要克服很多噪音，很难通过软件和程序去做，而必须通过硬件去做。所以我们和厂商进行合作，定制去噪效果好的硬件。

第三个是智能引导功能，包括安全驾驶提醒，信息播 ，任务地图引导等，主要是让骑手行驶更加安全，提供全面的信息服务，让骑手配送更加方便和高效。

蓝色的线是使用语音助手的骑手的操作次数，绿色的线是不使用的操作次数。可以看到，操作次数明显下降。但是还没有降为 0，有两个原因：骑手在静止状态下，不需要使用语音助手；有些骑手的蓝牙耳机还没有下发到位。再来看下一张图：

程序员为什么要学深度学习p>文章知识点与官方知识档案匹配，可进一步学习相关知识Python入门技能树人工智能机器学习工具包Scikit-learn212224 人正在系统学习中 相关资源：…跑步者,铁人三项运动员和教练的性能软件-其它代码类资源-CSDN…