自动驾驶配送正从试点项目走向大规模商业化部署。Starship Technologies近日宣布,其人行道机器人机队已累计完成超过1000万次配送,并将这一里程碑定义为所谓"实体AI"系统在真实环境中规模化运营的重要转折点。
规模与覆盖范围
Starship表示,其由逾3000台自动驾驶机器人组成的网络,目前已在8个国家的300余个地点完成部署,覆盖美国及多个欧洲市场。迄今为止,该机队已自主行驶超过2200万公里,完成约2亿次道路穿越。目前,这些机器人每天执行超过12.5万次道路穿越,平均每秒约两次,全程以L4级自动驾驶模式运行,无需人工实时监督。
"1000万次配送意味着我们已不再只是验证技术,而是在大规模落地,"联合创始人Ahti Heinla表示,"自动驾驶配送正在成为现代物流基础设施的一部分——在8个国家商业化部署,与全球领先的配送平台深度整合,并在规模化场景中为客户创造可衡量的价值。"
目前,Starship的机器人主要应用于欧洲7个国家的生鲜食品及热食配送业务,同时服务于美国65所以上的大学校园。
技术驱动:AI导航与持续学习
Starship将其持续进步归功于机队在真实运营中积累的海量数据——每一次配送任务都为导航、感知及安全系统的持续优化提供支撑。
在技术层面,Starship机器人采用AI驱动的导航技术,包括视觉同步定位与地图构建(Visual SLAM),使其无需依赖固定基础设施,即可适应动态城市环境及多变天气条件。公司将这种持续学习闭环定位为在受控环境之外扩展自动驾驶系统的核心竞争优势。
重塑末端配送经济学
除技术突破外,Starship还将自动驾驶配送定位为末端物流经济模型的潜在变革力量。公司表示,自动驾驶配送的成本已比传统骑手配送模式低3至4美元,并将长期目标设定为每次配送约1美元。
公告援引的外部研究显示,这一成本降幅或将对配送平台产生深远影响。据路透社引用巴克莱银行研究数据,自动驾驶配送在全球范围内每年有望释放约160亿美元的盈利潜力。
尽管上述预测仍有赖于更广泛的部署推进与监管政策的落地,但它们表明,自动化正被越来越多的行业参与者视为应对劳动力成本上升、解决末端物流效率痼疾的重要路径。
监管认可与用户接受度
Starship的业务版图覆盖英国、德国、瑞士、瑞典、芬兰、爱沙尼亚、捷克及美国等市场。公司表示,经过十余年的技术研发,其已在上述地区取得相应的监管许可,成为少数具备大规模、多国商业化部署经验的运营商之一。
此外,用户接受度也是其持续扩张的重要因素之一。公司内部研究显示,在已部署机器人的美国大学校园中,学生满意度高达97%。
从实验技术到运营基础设施
这一里程碑折射出外界对自动驾驶配送认知的深层转变——从实验性技术到可实际运营的基础设施。
尽管规模化经济、城市融合以及与其他配送模式的竞争等挑战依然存在,但Starship最新数据表明,自动驾驶配送系统正逐步实现持续的商业化应用。对于这个仍处于转型期的行业而言,1000万次配送的节点所传递的信号已愈发清晰:问题已不再是自动驾驶配送能否实现,而是它能在多大范围内、以多高效益持续运营。
Q&A
Q1:Starship机器人是如何实现自动导航的?
A:
Starship机器人采用AI驱动的导航技术,核心是视觉同步定位与地图构建(Visual SLAM)。这项技术使机器人无需依赖固定基础设施,即可在动态城市环境中自主定位与导航,同时适应不同天气条件。此外,机队通过每次配送任务持续积累真实运营数据,不断优化导航、感知和安全系统,形成持续学习的闭环机制,从而支撑其在真实复杂环境中的L4级自动驾驶运行。
Q2:Starship自动驾驶配送比传统配送便宜多少?
A:
根据Starship公司披露的数据,自动驾驶配送的成本已比传统骑手配送模式低3至4美元,公司的长期目标是将每次配送成本压缩至约1美元。据路透社援引巴克莱银行的研究预测,若自动驾驶配送实现更广泛部署,每年有望在全球范围内释放约160亿美元的盈利潜力,对末端物流的经济模型具有重要影响。
Q3:Starship机器人目前在哪些地方提供配送服务?
A:
Starship机器人目前在8个国家的300余个地点完成部署,欧洲覆盖市场包括英国、德国、瑞士、瑞典、芬兰、爱沙尼亚和捷克,主要提供生鲜食品及热食配送服务;在美国则重点服务于65所以上的大学校园。全球机队规模超过3000台,累计自主行驶里程超过2200万公里。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。