详解 Mobileye 自动驾驶解决方案
Mobileye的自动驾驶解决方案。总得来说，分为四种：
Visual perception and sensor fusion（视觉感知和感知融合）
Compute platform（计算平台）
Driving policy and RSS（驾驶策略和责任敏感安全模型）
Dynamic mapping（动态地图）
视觉感知和感知融合与传感器和数据相关，数据由摄像头、雷达、激光雷达等传感器收集，进入计算系统，创造360度环境模型，模型包括道路、交通灯、路标等。
同时，还需要计算平台来支持如此庞大的数据计算，这个平台需要非常强大，因为计算量相当巨大；同时考虑到成本问题，它还要十分高效。
此外，还需要驾驶策略和 RSS，这样才能保证驾驶的安全，同时还能在安全在合法的范围内取得一个平衡。
最后，需要动态地图，三年前创造了这个技术，说到地图，便会谈到它的升级，稍后会提到它。
Mobileye 目前正在努力的五个方面：
Open EyeQ5(开放架构的 EyeQ5)：英特尔有自己的硅光子生产线，可以生产雷达所需的芯片，同时，它是开放架构的，客户可以在芯片上编写自己的代码，自己来做融合。
Closed EyeQ5(封闭 EyeQ5) ：它不仅仅包含 EyeQ5，还包含的旧代芯片 EyeQ4、EyeQ3，它正是目前辅助驾驶用的芯片。
Surround Vision（环视视觉）：不仅用在辅助驾驶中，还用在自动驾驶中。
AV Series（自动驾驶汽车系列）：包括 360 度视觉、地图、驾驶策略、传感器等等。
AV Series+Maas platform（自动驾驶系列和 Maas 平台）：除了 AV Series，它还包括 Maas 软件系统。
请大家记住，所有与自动驾驶相关的东西，都与这五个方面有关。
视觉识别（Visual Perception）
视觉识别是个复杂的东西，关注点在摄像头上，摄像头在自动驾驶车辆中起了非常重要的作用，目标是用摄像头实现自动驾驶。
但是，仅仅依靠摄像头实现自动驾驶，是相当困难的，因为摄像头提供的，并不是直接的 3D 信息，它就像的双眼，提供的数据很有限。
要实现自动驾驶功能，需要的是 3D 信息。虽然摄像头拥有高分辨率，但在开发者看来，摄像头提供的是一种“懒惰”的视觉。因此，还需要其他的传感器，比如雷达、激光雷达等，来给直接的3D信息。
但这样以来，便会出现一个问题：传感器太多了，会造成冗余。因此，需要让摄像头的功能更加强大，让它具有完整的、端对端的操作功能，这样其他的传感器加进来才是真正的锦上添花，才能实现真正的冗余。
不是说摄像头能解决所有问题，也不否认雷达、激光雷达等传感器的必要性。
mobileye正在做两件事。
第一，要找到一个正确的方式，实现真正而非没有必要的冗余。
此外，一个更重要的事，就是将自动驾驶技术迁移到辅助驾驶中来，减少辅助驾驶的成本。
现在的传感器是几万美元，乐观估计一下，将来也许会下降到几千美元，但是它的成本还是太高了，无法实现大规模运用。那么，如何减少成本，实现大规模的自动驾驶呢？
答案是摄像头。雷达和激光雷达都相当昂贵，但摄像头很便宜，它是所能想象到的最便宜的传感器。20 美元就能买到一个质量很好的摄像头。
因此，要想减少成本，需要将重点放在摄像头上。想要影响辅助驾驶的变革，先要走通较为困难的路：利用摄像头实现自动驾驶。
在这条路走通了之后，再让它影响辅助驾驶的发展。这是一种战略性的思维，首先用真正的冗余实现自动驾驶，然后让自动驾驶促进辅助驾驶。
Mobileye 的自动驾驶策略
下面来说说自动驾驶策略。
如果去到的展位，可以用 VR 体验到的自动驾驶汽车。汽车上一共有 12 个摄像头（前方有 3 个摄像头，角落里有 2 个摄像头，朝前方2 个，朝后2 个，朝侧方3 个，用作停车），没有其他的传感器，没有 GPS。
图示上方是摄像头所拍到的景象，右边显示的是道路状况 3D 图。重点看看右边，蓝色车代表自动驾驶汽车，可以看到它越过了一个十字路口，给一辆红色的车让路，同时停下车等待突然进入道路的路人。这个 3D 图也是靠摄像头实现的。
谈谈计算平台
首先回顾下的芯片。EyeQ4 于 2018 年发布，EyeQ5 在2018 年 12 月推出，它比 EyeQ4 强大 10 倍。
目前，EyeQ5 已经有了订单量，将从 2021 年 3 月开始 EyeQ5 的批量生产。
总体来说，EyeQ5 是一个非常强大的芯片，低耗能，它是仅限硅的“开放式”芯片（允许第三方代码运行）——不仅能造福自动驾驶，还能造福辅助驾驶。
与安波福合作，为宝马打造2021年的自动驾驶汽车量产，这也是搭载了 EyeQ5 芯片。
驾驶策略 和 RSS
安全可以分为功能安全（Functional safety）和名义性安全（Nominal safety），大部分人关注的是功能安全，而关注的是常规安全，也就是说如何让的设计避免事故，即在系统设计之初就要确保不会给社会带来安全事故隐患，实现安全驾驶。
去年，与监管部门合作，提出了RSS （Responsibility Sensitive Safety，责任敏感安全模型）模型，它是一整套数学公式，将人类对于安全驾驶的理念和概念转化成为数学公式和计算方式，用来界定什么样的驾驶行为才是安全的驾驶。
RSS 模型提出安全驾驶需要满足以下三点：
1、合理性。即要满足人们对“保持注意”的理解和判定，而不是天方夜谭地随意去定义。
2、有效性。一个合理的定义也有可能是完全无用的。
譬如这样一个听起来还不错的定义：在一车变道时，其他车道上行驶的车辆都不允许改变速度，不应该受到该车变道的影响。但是这个听起来挺“谨慎”的定义，在很多时候都不奏效，比如在碰到恐怖分子的时候，甚至在加州繁忙的道路上，它都不可能实现。因为实际在变道的时候，其他车辆必须要减速才能让变道车辆实现换道。因此，安全驾驶不仅要合理，有效性也很重要。
3、可验证性，即该定义是可以进行验证的。也就意味着，必须要把所下的定义与机器进行实际结合，以验证该定义是否正确和有效，同时要证明没有蝴蝶效应。
这里的蝴蝶效应是指，开始时一个很小的无心之举，通过系统中其他动作的作用，最后导致了一场车祸。
下面来看看在 RSS 模型框架下的驾驶策略。
将驾驶策略分为四种：策略（strategy）、战术（tactics）、路径规划（path planning）以及控制（control）。
举个例子，策略表示“想变道”，下面到战术策略，也就是说已经决定了要变道，那么需要决定需要给哪辆车让道，要哪辆车给让道，这两辆车之间的距离就是变道行驶的距离。
这种决策是实时变化的，比如已经决定了需要哪辆车给让道，但这辆车不给让道，那么如果还是坚持的想法，可能就会发生事故，所以改变了主意。因此， 战术策略是一种“瞬间性”的决策，它会随着情况的变化而变化。
在以上两种决策中，机器学习起了很重要的作用。
接下来，是路径规划，它正是 RSS 运用的地方。它为执行战术策略而计划车辆行驶轨迹，这个轨迹必须是安全的。那么，什么才是安全轨迹？这个时候，RSS 就派上用场了。
最后是控制，已经计划好轨迹之后，就需要汽车进行控制，比如什么时候刹车。
所有这些策略，都是为了实现安全驾驶。
下面给大家看一些例子，想说明的一点是，给大家看的所有例子，车内视角都是靠摄像头实现，不依靠任何其他的传感器。当然，这张是无人机视角鸟瞰拍摄。图中道路上有一辆车停在了路中间，因此道路上的车纷纷开始变道，中间那两带着 Logo 的蓝色车辆为自动驾驶汽车，可以发现，它的驾驶行为非常像人类，成功变道。
以上是车内视角。看到右边，带着 Logo 的蓝色车辆为自动驾驶汽车，前方红色车辆为自动驾驶汽车决定让道的车，绿色车辆为自动驾驶汽车决定“抢道”的汽车，这个决定，是战术决策，是一个瞬间的决定。
自动驾驶汽车的变道距离，正是红色车辆和绿色车辆之间的距离，如果绿色车辆不让自动驾驶汽车抢道，那么自动驾驶汽车将会改变决定。
这并不是一个简单的操作，但自动驾驶汽车处理地相当优秀。
下面还是类似的道路设定，唯一的不同是多了一位行人。虽然道路情况复杂，但蓝色的自动驾驶汽车还是成功地避开车辆和行人完成了变道。
下面的道路设定是城市道路。可以看到自动驾驶汽车一路前行，周围有正在行驶的汽车，也有停下来的汽车。
当它行驶到了一条交叉路口，一位行人正在穿过道路。这时候，自动驾驶汽车停下来等待行人穿过，等行人过了马路，自动驾驶汽车继续行驶。接下来，自动驾驶汽车给右边过来的汽车让路，然后再成功左转。
这是车内视角。
下面来看看部分道路被堵住时，自动驾驶汽车的处理方式。左边停下来的卡车堵住了道路左侧，自动驾驶汽车顺利地从卡车旁边驶过。
其实，这是一个比较困难的决策，因为自动驾驶汽车需要判断这道路是一个交通堵塞状况，还是卡车停在了路旁。但是，基于道路上其他车辆的处理方法，自动驾驶汽车做出了正确的决策。
最后一个例子。自动驾驶汽车穿过十字路口直行，左侧一辆公共汽车左转进入前方道路，自动驾驶汽车给公共汽车让路，同时左侧过来的另一辆小汽车给自动驾驶汽车让了路。
因此自动驾驶汽车的处理方式与人类非常相似，它在 RSS 模型框架下，实现了安全驾驶。
