Se hai trascorso del tempo nel settore dei veicoli per la consegna automatizzata, sia come operatore di flotta, responsabile della logistica o semplicemente come qualcuno in attesa che arrivi un pacco senza un conducente umano al volante, sai che l'hype attorno a questi sistemi è reale. Ma se sei il fornitore incaricato di costruire, integrare e ampliare questi veicoli, l'entusiasmo svanisce rapidamente quando guardi i milioni di piccoli dettagli non negoziabili che mantengono una flotta in movimento in modo affidabile, sicuro ed economicamente vantaggioso. Negli ultimi sei anni, il nostro team ne ha progettati, implementati e ottimizzati oltre 200Veicoli per la consegna automatizzatain 12 città degli Stati Uniti, e una lezione mi è rimasta impressa più di ogni altra: il divario più comune tra "prototipo funzionante" e "flotta scalabile e redditizia" non è l'hardware o la tecnologia dei sensori, ma la gestione dei dati. Troppi team trattano i dati nella distribuzione autonoma come un ripensamento, qualcosa da raccogliere e archiviare per la conformità o la revisione post-incidente. In realtà, è la spina dorsale di ogni decisione presa da questi veicoli, dal percorso che seguono alle 2 del mattino a come si adattano quando appare una zona di costruzione. In questo post analizzerò i requisiti non negoziabili di gestione dei dati che abbiamo affinato nel corso di migliaia di consegne e spiegherò perché saltarne anche uno può affondare una flotta prima che raggiunga il suo primo anno di attività.
Per prima cosa, basiamolo sulla realtà di ciò che è nostroVeicolo per consegne senza conducentein realtà lo fa ogni singolo giorno. A differenza delle autovetture a guida autonoma, che devono spostare solo una persona dal punto A al punto B, i nostri veicoli gestiscono più di 15 fermate per percorso, trasportano merci sensibili alla temperatura (generi alimentari, prodotti farmaceutici, persino alimenti surgelati) e operano in ambienti che vanno dai tranquilli vicoli ciechi suburbani alle dense aree del centro con auto in doppia fila e pedoni. Ognuna di queste attività genera un volume impressionante di dati: dalle nuvole di punti LiDAR che mappano ogni buca e pedone, alla telemetria che tiene traccia dei livelli della batteria e dello stato della serratura della porta, ai filmati non strutturati provenienti da telecamere esterne ed interne che sono fondamentali sia per la sicurezza che per la risoluzione se un cliente segnala un pacco mancante o danneggiato. All'inizio della nostra implementazione, abbiamo provato a trattare tutti questi dati allo stesso modo: archiviandoli in un unico bucket cloud, senza standardizzazione, e esaminandoli solo quando qualcosa andava storto. Questo approccio ha portato a due enormi problemi: stavamo sprecando il 35% del nostro budget operativo mensile per archiviare dati irrilevanti e ridondanti e quando si verificava un incidente (un veicolo sbandava per evitare un cane, ad esempio), passavamo più di 12 ore a vagliare dati senza etichetta per ricostruire l'accaduto. Ci siamo subito resi conto che la gestione granulare dei dati basata sui ruoli non è una cosa piacevole da avere: è un requisito fondamentale per la distribuzione automatizzata.
Allora, come si presenta in pratica questa struttura basata sui ruoli? Per il nostro team telematico, l'acquisizione di dati in tempo reale non è negoziabile. NostroConsegna Veicolo Autonomoinvia oltre 100 punti dati al secondo al nostro centro di comando, comprese le coordinate GPS, la pressione dei freni, lo stato di carica della batteria e lo stato di calibrazione del sensore. Se la telecamera di un veicolo si guasta a metà percorso, dobbiamo saperlo entro 10 secondi, non 10 minuti, perché una singola telecamera guasta può fare la differenza tra una fermata sicura e una collisione con un'auto parcheggiata. Per far sì che tutto funzioni, abbiamo creato una pipeline di dati in tempo reale che dà priorità ai dati critici sulla sicurezza (stato dei sensori, rilevamento degli ostacoli) per un trasferimento a bassa latenza, mentre i dati non critici (registri settimanali della pressione dei pneumatici, controlli di routine della calibrazione delle telecamere) vengono raggruppati e inviati durante la notte, quando la congestione della rete è bassa e la larghezza di banda è più economica. Questo compromesso non solo ha ridotto i nostri costi mensili di trasferimento dati del 28%, ma ha anche ridotto il tempo medio di risoluzione (MTTR) per i problemi relativi alla sicurezza da 90 minuti a meno di 5 minuti. Per i team operativi, i requisiti si spostano su dati di consegna strutturati e interrogabili: tempi di fermata, efficienza del percorso, tipo di pacco e note di accesso del cliente (come "codice cancello 123, consegna alla porta laterale"). Prima di standardizzare questi dati, il nostro team operativo immetteva manualmente più di 10 campi per consegna, il che significava che il 15% dei percorsi presentava orari di fermata errati e l'8% dei pacchi veniva contrassegnato per errore come non consegnato. Ora colleghiamo ogni consegna a uno schema di dati standardizzato, in modo che il team possa creare un rapporto su "tutte le consegne di generi alimentari a Chicago in ritardo a causa dei lavori in 2 clic", invece di passare ore a pulire fogli di calcolo non strutturati. Questo livello di struttura non riguarda solo la riduzione del lavoro amministrativo, ma anche la scalabilità. Quando aggiungiamo nuovi veicoli o entriamo in nuovi mercati, non possiamo permetterci di costruire ogni volta un nuovo sistema di dati da zero. Uno schema standardizzato ci consente di entrare in un nuovo mercato in 2 settimane, rispetto ai 2 mesi necessari per la nostra prima implementazione.
Il secondo requisito della gestione dei Big Data che abbiamo imparato a nostre spese è l'affidabilità e la ridondanza. I veicoli di consegna automatizzata non possono permettersi interruzioni dei dati, e nemmeno i loro operatori. Se un veicolo perde la connessione al suo server dati nel corso del percorso, non dovrebbe semplicemente bloccarsi o guidare alla cieca finché la connessione non ritorna. All'inizio del 2021 avevamo una flotta di 15 personeAuto per consegne senza conducentead Austin, in Texas, che ha subito un'interruzione della rete di 4 ore a causa di un taglio della fibra. Senza l’archiviazione dei dati locali sui veicoli stessi, tutti si sono fermati sul lato della strada, bloccando le piste ciclabili e innescando 21 chiamate non di emergenza alla polizia locale. Quell’incidente ci costò 45.000 dollari di multa, oltre alla fiducia del nostro partner logistico, che quasi rescisse l’intero contratto. Successivamente, abbiamo completamente riprogettato la nostra architettura dati per includere l’edge computing su ogni veicolo. Ora, ogni veicolo di consegna automatizzata ha un server di bordo da 2 TB che memorizza localmente 7 giorni di dati in tempo reale, quindi se la connessione cloud si interrompe, il veicolo può continuare a prendere decisioni sicure e corrette sul percorso. Una volta ripristinata la connessione, i dati locali vengono sincronizzati automaticamente nel cloud, con controlli integrati per evitare voci duplicate. Abbiamo anche implementato una strategia di ridondanza multi-cloud, quindi se un fornitore di servizi cloud subisce un'interruzione, i dati vengono instradati a un fornitore secondario in meno di 30 secondi. Non si tratta solo di una soluzione tecnica: è un requisito aziendale. I nostri clienti logistici si affidano a questi veicoli per rispettare tempi di consegna ristretti e l'affidabilità dei dati si traduce direttamente in tariffe puntuali, soddisfazione del cliente e fedeltà al marchio.
Il terzo, e spesso trascurato, è la privacy e la conformità dei dati. I veicoli di consegna automatizzati raccolgono un'enorme quantità di dati personali, dalle riprese delle telecamere dei vialetti residenziali alle coordinate GPS che tracciano quando un cliente è a casa. Negli Stati Uniti siamo vincolati da normative federali come il California Consumer Privacy Act (CCPA) e il Virginia Consumer Data Protection Act (VCDPA), oltre a norme a livello statale che possono variare notevolmente. A livello internazionale, se ci espandessimo in Europa, saremo soggetti al GDPR, che prevede alcune delle norme sulla privacy dei dati più severe al mondo. All'inizio abbiamo avuto un problema: le nostre telecamere esterne catturavano filmati dei volti dei clienti mentre si avvicinavano alle loro porte e archiviavamo tali filmati a tempo indeterminato per "scopi di sicurezza". Ciò ha portato a tre reclami da parte di clienti in California e ci siamo resi conto che stavamo esponendo sia i nostri clienti che la nostra azienda a seri rischi legali. Abbiamo immediatamente aggiornato la nostra politica sui dati per includere due regole fondamentali sulla privacy: in primo luogo, le riprese della telecamera vengono automaticamente rese anonime entro 24 ore, quindi i volti e le targhe vengono oscurati prima dell'archiviazione. In secondo luogo, i clienti possono richiedere che tutti i dati relativi alla consegna (inclusi registri GPS, filmati della fotocamera e dettagli del pacco) vengano eliminati entro 72 ore dal completamento della consegna. Abbiamo anche creato un sistema di controllo dell'accesso ai dati che limita l'accesso ai dati personali: solo il nostro team dedicato alla privacy può visualizzare filmati resi anonimi a fini di indagine e tutti gli accessi vengono registrati e controllati trimestralmente. Questo livello di conformità non è facoltativo. Una singola sanzione per la privacy dei dati può costare a un’azienda milioni di dollari e, per un fornitore come noi, può rovinare i rapporti con clienti aziendali che hanno requisiti di conformità molto severi. Alcuni mesi fa, abbiamo coinvolto una catena di alimentari nazionale che richiedeva un audit completo sulla privacy dei dati come parte del processo di onboarding dei fornitori. Il nostro sistema di dati strutturato e conforme ha rappresentato un enorme elemento di differenziazione e quel contratto è ora il nostro più grande fino ad oggi.


In quarto luogo, dati per il miglioramento continuo. Nessun sistema di consegna automatizzato è perfetto fin dal primo giorno: ci saranno sempre casi limite: un bambino che insegue una palla in strada, un camion in movimento parcheggiato che blocca un marciapiede, il cancello di un cliente nascosto dietro cespugli troppo cresciuti. Per risolvere questi casi limite, sono necessari dati che non siano solo raccolti, ma etichettati e analizzati. La nostra prima generazione di software di consegna autonoma ha avuto problemi con le zone di ritiro sul marciapiede e abbiamo riscontrato 12 casi in cui un veicolo si è inserito troppo in una corsia di parcheggio, bloccando altre auto. Ci siamo resi conto che i nostri dati venivano raccolti, ma non erano etichettati per mostrare il motivo per cui si stavano verificando quegli errori. Abbiamo quindi creato un team di annotatori di dati che esaminano il 10% dei filmati delle telecamere e dei dati LiDAR di ogni consegna, contrassegnando ostacoli, condizioni stradali e azioni del conducente (o, in questo caso, del veicolo). In tre mesi abbiamo etichettato oltre 50.000 casi limite e siamo stati in grado di aggiornare il nostro software per riconoscere le zone di ritiro sul marciapiede, riducendo tali incidenti dell'85%. Questo ciclo di miglioramento continuo è possibile solo se i tuoi dati sono gestiti in modo da supportarlo. Se i tuoi dati non sono strutturati o archiviati in un modo difficile da cercare, non puoi trovare i casi limite, non puoi riparare il software e rimarrai indietro rispetto ai concorrenti che stanno iterando più velocemente. Per noi, questo significa accantonare ogni mese il 15% del nostro budget operativo per l'etichettatura e l'analisi dei dati, un costo che consideriamo un investimento, non una spesa. Negli ultimi due anni, ciò si è tradotto in un miglioramento del 12% dei tassi di consegna puntuale e una riduzione del 40% degli incidenti legati alla sicurezza, il che ci ha aiutato a ridurre i costi assicurativi del 30%.
Infine, la scalabilità. In qualità di fornitore di veicoli per la consegna automatizzata, non vendiamo semplicemente un prodotto: vendiamo un servizio che crescerà insieme ai nostri clienti. Abbiamo già ricevuto richieste per aggiungere il monitoraggio della temperatura per le consegne di prodotti farmaceutici, integrarci con software logistico di terze parti e persino aggiungere resi senza contatto. Tutte queste funzionalità si basano sui dati e il nostro sistema di gestione dei dati deve essere in grado di adattarsi rapidamente. Fin dall'inizio, abbiamo costruito la nostra architettura dati su una struttura modulare, in modo da poter aggiungere nuovi tipi di dati senza revisionare l'intero sistema. Ad esempio, quando il nostro cliente ha richiesto il monitoraggio della temperatura per le consegne di alimenti surgelati, abbiamo semplicemente aggiunto un nuovo sensore ai veicoli, aggiornato il nostro schema di dati per includere le letture della temperatura e integrato il nuovo punto dati nella nostra pipeline in tempo reale. L'intero processo ha richiesto meno di una settimana, mentre il nostro primo sistema di dati ha impiegato 6 settimane per aggiungere un singolo nuovo tipo di dati. Scalabilità significa anche essere in grado di gestire volumi crescenti di dati. Man mano che la nostra flotta si espande da 200 a 500 veicoli, raccoglieremo 5 volte più dati e il nostro sistema deve essere in grado di scalare senza aumentare esponenzialmente i costi. Utilizzando l'archiviazione basata su cloud con ridimensionamento automatico e edge computing sui veicoli, siamo stati in grado di mantenere stabili i costi dei dati per veicolo man mano che siamo cresciuti, il che è fondamentale per mantenere prezzi competitivi per i nostri clienti.
Se sei un fornitore di servizi logistici che desidera collaborare con un fornitore affidabile di veicoli per la consegna automatizzata o un operatore aziendale che desidera aggiungere questi veicoli alla tua flotta, la gestione dei dati dovrebbe essere in cima all'elenco delle domande da porre. Non si tratta solo di un dettaglio tecnico: è ciò che determina se una flotta può operare in modo sicuro, affidabile e redditizio. Negli ultimi sei anni, abbiamo visto troppi progetti promettenti di distribuzione autonoma fallire perché tagliavano gli angoli nella gestione dei dati, ignorando le regole sulla privacy, non disponendo di sistemi ridondanti o non riuscendo a eseguire l'iterazione del software utilizzando dati del mondo reale. Per noi, ilVeicoli per consegne senza conducenteche costruiamo non sono solo pezzi di hardware: sono sistemi di generazione di dati e gestire bene tali dati è l'unico modo per mantenere la promessa di una consegna autonoma: una logistica più veloce, più economica e più affidabile per tutti.
Se sei pronto a esplorare come le nostre soluzioni di consegna automatizzata supportate da dati possono funzionare per la tua azienda o desideri saperne di più sul nostro processo di implementazione della flotta, ci farebbe piacere sentire la tua opinione.
Riferimenti:
- Amministrazione nazionale per la sicurezza del traffico autostradale (NHTSA). (2022). Sistemi di guida automatizzata: una visione per la sicurezza 2.0. Dipartimento dei trasporti degli Stati Uniti.
- Organizzazione internazionale per la standardizzazione (ISO). (2021). ISO 22737: Sistemi di trasporto intelligenti—Sistemi di guida automatizzata (ADS) per veicoli stradali leggeri—Requisiti prestazionali e procedure di prova.
- Legge sulla privacy dei consumatori della California (CCPA). (2020). Testo del California Consumer Privacy Act. Ufficio di diritto amministrativo della California.
- McKinsey & Company. (2023). Consegna autonoma: scalare l'ultimo miglio. Pratica globale in tecnologia, media e telecomunicazioni.
- Società degli ingegneri automobilistici (SAE International). (2021). Tassonomia e definizioni dei termini relativi ai sistemi di automazione della guida per veicoli a motore su strada (J3016).
