Mobileye 自動駕駛策略（一）
詳解 Mobileye 自動駕駛解決方案
Mobileye的自動駕駛解決方案。總得來說，分爲四種：
Visual perception and sensor
fusion（視覺感知和感知融合）
Compute platform（計算平臺）
Driving policy and RSS（駕駛策略和責任敏感安全模型）
Dynamic mapping（動態地圖）
視覺感知和感知融合與傳感器和數據相關，數據由攝像頭、雷達、激光雷達等傳感器收集，進入計算系統，創造360度環境模型，模型包括道路、交通燈、路標等。
同時，還需要計算平臺來支持如此龐大的數據計算，這個平臺需要非常強大，因爲計算量相當巨大；同時考慮到成本問題，它還要十分高效。
此外，還需要駕駛策略和 RSS，這樣才能保證駕駛的安全，同時還能在安全在合法的範圍內取得一個平衡。
最後，需要動態地圖，三年前創造了這個技術，說到地圖，便會談到它的升級，稍後會提到它。
Mobileye 目前正在努力的五個方面：
Open EyeQ5(開放架構的 EyeQ5)：英特爾有自己的硅光子生產線，可以生產雷達所需的芯片，同時，它是開放架構的，客戶可以在芯片上編寫自己的代碼，自己來做融合。
Closed EyeQ5(封閉 EyeQ5) ：它不僅僅包含 EyeQ5，還包含的舊代芯片 EyeQ4、EyeQ3，它正是目前輔助駕駛用的芯片。
Surround Vision（環視視覺）：不僅用在輔助駕駛中，還用在自動駕駛中。
AV Series（自動駕駛汽車系列）：包括 360 度視覺、地圖、駕駛策略、傳感器等等。
AV Series+Maas platform（自動駕駛系列和 Maas 平臺）：除了 AV Series，它還包括 Maas 軟件系統。
請大家記住，所有與自動駕駛相關的東西，都與這五個方面有關。
視覺識別（Visual Perception）
視覺識別是個複雜的東西，關注點在攝像頭上，攝像頭在自動駕駛車輛中起了非常重要的作用，目標是用攝像頭實現自動駕駛。
但是，僅僅依靠攝像頭實現自動駕駛，是相當困難的，因爲攝像頭提供的，並不是直接的 3D 信息，它就像的雙眼，提供的數據很有限。
要實現自動駕駛功能，需要的是 3D 信息。雖然攝像頭擁有高分辨率，但在開發者看來，攝像頭提供的是一種“懶惰”的視覺。因此，還需要其他的傳感器，比如雷達、激光雷達等，來給直接的3D信息。
但這樣以來，便會出現一個問題：傳感器太多了，會造成冗餘。因此，需要讓攝像頭的功能更加強大，讓它具有完整的、端對端的操作功能，這樣其他的傳感器加進來纔是真正的錦上添花，才能實現真正的冗餘。
不是說攝像頭能解決所有問題，也不否認雷達、激光雷達等傳感器的必要性。
mobileye正在做兩件事。
第一，要找到一個正確的方式，實現真正而非沒有必要的冗餘。
此外，一個更重要的事，就是將自動駕駛技術遷移到輔助駕駛中來，減少輔助駕駛的成本。
現在的傳感器是幾萬美元，樂觀估計一下，將來也許會下降到幾千美元，但是它的成本還是太高了，無法實現大規模運用。那麼，如何減少成本，實現大規模的自動駕駛呢？
答案是攝像頭。雷達和激光雷達都相當昂貴，但攝像頭很便宜，它是所能想象到的最便宜的傳感器。20 美元就能買到一個質量很好的攝像頭。
因此，要想減少成本，需要將重點放在攝像頭上。想要影響輔助駕駛的變革，先要走通較爲困難的路：利用攝像頭實現自動駕駛。
在這條路走通了之後，再讓它影響輔助駕駛的發展。這是一種戰略性的思維，首先用真正的冗餘實現自動駕駛，然後讓自動駕駛促進輔助駕駛。
Mobileye的自動駕駛策略
下面來說說自動駕駛策略。
如果去到的展位，可以用 VR 體驗到的自動駕駛汽車。汽車上一共有 12 個攝像頭（前方有 3 個攝像頭，角落裏有 2 個攝像頭，朝前方2 個，朝後2 個，朝側方3 個，用作停車），沒有其他的傳感器，沒有 GPS。
圖示上方是攝像頭所拍到的景象，右邊顯示的是道路狀況 3D 圖。重點看看右邊，藍色車代表自動駕駛汽車，可以看到它越過了一個十字路口，給一輛紅色的車讓路，同時停下車等待突然進入道路的路人。這個 3D 圖也是靠攝像頭實現的。
談談計算平臺
首先回顧下的芯片。EyeQ4 於 2018 年發佈，EyeQ5 在2018 年 12 月推出，它比 EyeQ4 強大 10 倍。
目前，EyeQ5 已經有了訂單量，將從 2021 年 3 月開始 EyeQ5 的批量生產。
總體來說，EyeQ5 是一個非常強大的芯片，低耗能，它是僅限硅的“開放式”芯片（允許第三方代碼運行）——不僅能造福自動駕駛，還能造福輔助駕駛。
與安波福合作，爲寶馬打造2021年的自動駕駛汽車量產，這也是搭載了 EyeQ5 芯片。
駕駛策略 和 RSS
安全可以分爲功能安全（Functional
safety）和名義性安全（Nominal safety），大部分人關注的是功能安全，而關注的是常規安全，也就是說如何讓的設計避免事故，即在系統設計之初就要確保不會給社會帶來安全事故隱患，實現安全駕駛。
去年，與監管部門合作，提出了RSS （Responsibility Sensitive Safety，責任敏感安全模型）模型，它是一整套數學公式，將人類對於安全駕駛的理念和概念轉化成爲數學公式和計算方式，用來界定什麼樣的駕駛行爲纔是安全的駕駛。
RSS 模型提出安全駕駛需要滿足以下三點：
1、合理性。即要滿足人們對“保持注意”的理解和判定，而不是天方夜譚地隨意去定義。
2、有效性。一個合理的定義也有可能是完全無用的。
譬如這樣一個聽起來還不錯的定義：在一車變道時，其他車道上行駛的車輛都不允許改變速度，不應該受到該車變道的影響。但是這個聽起來挺“謹慎”的定義，在很多時候都不奏效，比如在碰到恐怖分子的時候，甚至在加州繁忙的道路上，它都不可能實現。因爲實際在變道的時候，其他車輛必須要減速才能讓變道車輛實現換道。因此，安全駕駛不僅要合理，有效性也很重要。
3、可驗證性，即該定義是可以進行驗證的。也就意味着，必須要把所下的定義與機器進行實際結合，以驗證該定義是否正確和有效，同時要證明沒有蝴蝶效應。
這裏的蝴蝶效應是指，開始時一個很小的無心之舉，通過系統中其他動作的作用，最後導致了一場車禍。
下面來看看在 RSS 模型框架下的駕駛策略。
將駕駛策略分爲四種：策略（strategy）、戰術（tactics）、路徑規劃（path planning）以及控制（control）。
舉個例子，策略表示“想變道”，下面到戰術策略，也就是說已經決定了要變道，那麼需要決定需要給哪輛車讓道，要哪輛車給讓道，這兩輛車之間的距離就是變道行駛的距離。
這種決策是實時變化的，比如已經決定了需要哪輛車給讓道，但這輛車不給讓道，那麼如果還是堅持的想法，可能就會發生事故，所以改變了主意。因此， 戰術策略是一種“瞬間性”的決策，它會隨着情況的變化而變化。
在以上兩種決策中，機器學習起了很重要的作用。
接下來，是路徑規劃，它正是 RSS 運用的地方。它爲執行戰術策略而計劃車輛行駛軌跡，這個軌跡必須是安全的。那麼，什麼纔是安全軌跡？這個時候，RSS 就派上用場了。
最後是控制，已經計劃好軌跡之後，就需要汽車進行控制，比如什麼時候剎車。
所有這些策略，都是爲了實現安全駕駛。
下面給大家看一些例子，想說明的一點是，給大家看的所有例子，車內視角都是靠攝像頭實現，不依靠任何其他的傳感器。當然，這張是無人機視角鳥瞰拍攝。圖中道路上有一輛車停在了路中間，因此道路上的車紛紛開始變道，中間那兩帶着 Logo 的藍色車輛爲自動駕駛汽車，可以發現，它的駕駛行爲非常像人類，成功變道。
以上是車內視角。看到右邊，帶着 Logo 的藍色車輛爲自動駕駛汽車，前方紅色車輛爲自動駕駛汽車決定讓道的車，綠色車輛爲自動駕駛汽車決定“搶道”的汽車，這個決定，是戰術決策，是一個瞬間的決定。
自動駕駛汽車的變道距離，正是紅色車輛和綠色車輛之間的距離，如果綠色車輛不讓自動駕駛汽車搶道，那麼自動駕駛汽車將會改變決定。
這並不是一個簡單的操作，但自動駕駛汽車處理地相當優秀。
下面還是類似的道路設定，唯一的不同是多了一位行人。雖然道路情況複雜，但藍色的自動駕駛汽車還是成功地避開車輛和行人完成了變道。
下面的道路設定是城市道路。可以看到自動駕駛汽車一路前行，周圍有正在行駛的汽車，也有停下來的汽車。
當它行駛到了一條交叉路口，一位行人正在穿過道路。這時候，自動駕駛汽車停下來等待行人穿過，等行人過了馬路，自動駕駛汽車繼續行駛。接下來，自動駕駛汽車給右邊過來的汽車讓路，然後再成功左轉。
這是車內視角。
下面來看看部分道路被堵住時，自動駕駛汽車的處理方式。左邊停下來的卡車堵住了道路左側，自動駕駛汽車順利地從卡車旁邊駛過。
其實，這是一個比較困難的決策，因爲自動駕駛汽車需要判斷這道路是一個交通堵塞狀況，還是卡車停在了路旁。但是，基於道路上其他車輛的處理方法，自動駕駛汽車做出了正確的決策。
最後一個例子。自動駕駛汽車穿過十字路口直行，左側一輛公共汽車左轉進入前方道路，自動駕駛汽車給公共汽車讓路，同時左側過來的另一輛小汽車給自動駕駛汽車讓了路。
因此自動駕駛汽車的處理方式與人類非常相似，它在 RSS 模型框架下，實現了安全駕駛。