在今年1月的國(guó)際消費(fèi)電子展（CES）上，Mobileye公布了一段未經(jīng)剪輯的時(shí)長(zhǎng)為25分鐘的路測(cè)視頻，展示了Mobileye自動(dòng)駕駛汽車在耶路撒冷喧囂街道上行駛的情景。我們發(fā)布這段視頻的首要目的是提高自動(dòng)駕駛的透明度，即便我們也想展示Mobileye的非凡技術(shù)，但比這更重要的是，我們想向世人展示自動(dòng)駕駛汽車是如何運(yùn)行的，因?yàn)橹挥羞@樣，自動(dòng)駕駛汽車才能贏得社會(huì)的信任。

　　我們選擇通過一架無人機(jī)來跟蹤拍攝這段駕駛，以便大家對(duì)駕駛環(huán)境有更形象的認(rèn)知，進(jìn)而更好地理解自動(dòng)駕駛汽車決策背后的邏輯。需要說明的是，駕駛過程中唯一受到人工干預(yù)的是在約20分鐘左右，我們?yōu)闊o人機(jī)更換了電池。此外，我們還為視頻配備了旁白，以詳細(xì)介紹Mobileye的自動(dòng)駕駛技術(shù)是在何處發(fā)揮作用，以及是如何處理駕駛過程中遇到的各種復(fù)雜情況的。

　　據(jù)我們所知，Mobileye的方案是獨(dú)一無二的，在自動(dòng)駕駛行業(yè)的眾多廠商中也是名列前茅的。我們的目標(biāo)是解決自動(dòng)駕駛汽車的規(guī)模化難題，而想要真正步入自動(dòng)駕駛汽車的美好未來，也必須實(shí)現(xiàn)規(guī)?；?。我們認(rèn)為，自動(dòng)駕駛汽車會(huì)首先以共享汽車，例如自動(dòng)駕駛班車的形式實(shí)現(xiàn)，進(jìn)而再在消費(fèi)級(jí)自動(dòng)駕駛乘用車上落地。在我看來，自動(dòng)駕駛汽車規(guī)?；媾R的挑戰(zhàn)主要集中在成本、高精地圖的普及以及安全性上，在此想指出的是，安全性必須以非普遍認(rèn)知的方式來決定軟硬件的體系結(jié)構(gòu)。

　　早在2017年，我們就基于兩項(xiàng)觀察發(fā)布了我們對(duì)“安全”的定義。首先，我們需要在駕駛策略規(guī)劃之初就以正式的方式闡明“小心謹(jǐn)慎”的定義，并以此消除決策過程中因判斷失誤而導(dǎo)致的事故（例如因并道而引發(fā)的交通事故），而這最終將用以實(shí)現(xiàn)安全性與實(shí)用性之間的平衡。

　　Mobileye的責(zé)任敏感安全模型（RSS）主要圍繞駕駛員的實(shí)際操作展開，通過諸如“路權(quán)是被賦予的，而不是爭(zhēng)奪來的”這樣的概念來建立度量參數(shù)，以便讓自動(dòng)駕駛汽車做出安全的決策。當(dāng)然，這些參數(shù)是我們與管理機(jī)構(gòu)和標(biāo)準(zhǔn)機(jī)構(gòu)聯(lián)合制定的。在這之后，RSS模型在可供假設(shè)的范圍內(nèi)假定了最壞的情況，即其他道路使用者會(huì)做出的最糟糕的動(dòng)作是什么。這樣一來，我們就不再需要對(duì)其他道路使用者的行為進(jìn)行預(yù)測(cè)了。RSS的理論證明，如果自動(dòng)駕駛汽車遵循該理論所規(guī)定的假設(shè)和行為，那么自動(dòng)駕駛汽車的決策大腦就永遠(yuǎn)不會(huì)造成事故。也是從那時(shí)起，RSS在全球范圍內(nèi)得到了推廣。

　　在2019年末，電氣電子工程師協(xié)會(huì)（IEEE）組建了一個(gè)新的工作組，并委派了英特爾公司資深首席工程師Jack Weast擔(dān)任該工作組的負(fù)責(zé)人，該工作組旨在開發(fā)用于自動(dòng)駕駛汽車決策的標(biāo)準(zhǔn)——IEEE 2846。該工作組的成員大致能夠代表整個(gè)自動(dòng)駕駛行業(yè)。在我看來，這一跡象是令人安心的，因?yàn)檫@表明我們可以通過全行業(yè)的合作打造一個(gè)關(guān)鍵里程碑，以此推動(dòng)全行業(yè)的進(jìn)步，進(jìn)而帶動(dòng)我們自身的發(fā)展。

　　我們發(fā)表的論文中的第二個(gè)觀察對(duì)我們的系統(tǒng)架構(gòu)產(chǎn)生了深遠(yuǎn)的影響。也就是，即便機(jī)器人駕駛員的決策過程參考了諸如RSS的安全模型，但我們?nèi)匀挥锌赡苊媾R一種情況，也就是由感知系統(tǒng)故障而導(dǎo)致的交通事故。感知系統(tǒng)通常由攝像頭、雷達(dá)和激光雷達(dá)構(gòu)成，并通過軟件將傳感器的原始數(shù)據(jù)轉(zhuǎn)換為“環(huán)境模型”，這其中尤其包括其他道路使用者的位置和速度。即使幾率極小，但有一種可能是感知系統(tǒng)會(huì)忽略掉道路使用者和無生命障礙物等在內(nèi)的相關(guān)物體的存在，或是錯(cuò)誤地計(jì)算其尺寸，從而引發(fā)事故。

　　為了更好地理解這個(gè)問題，讓我們做一個(gè)“粗略的”計(jì)算。美國(guó)每年的累積駕車行駛里程約為3.2 萬億公里，其中，導(dǎo)致人員受傷的事故約為600萬起。假設(shè)平均駕駛速度為每小時(shí)16公里，那么平均故障間隔時(shí)間（MTBF）為50，000小時(shí)。假設(shè)我們的自動(dòng)駕駛汽車的MTBF比人類的MTBF高10倍、100倍或1，000倍（請(qǐng)注意，我們已經(jīng)排除了“和人類一樣好”的這種可能，因?yàn)槲覀儽仨氉龅酶茫?，假設(shè)我們部署10萬輛自動(dòng)駕駛汽車作為自動(dòng)駕駛班車進(jìn)行規(guī)?；涞兀ㄟ@一數(shù)字與網(wǎng)約車廠商提出的數(shù)字相符，以這一數(shù)字來支持幾十個(gè)城市的相關(guān)服務(wù)是合理的），假設(shè)每輛自動(dòng)駕駛班車每天行駛5個(gè)小時(shí)，那么，如果MTBF設(shè)計(jì)提高10倍，大概每天會(huì)出一次交通事故；如果提高100倍，每周會(huì)出一次事故；如果提高1000倍，則是每個(gè)季度僅出一次事故。

　　從社會(huì)的角度來看，如果道路上行駛的所有汽車的MTBF都提高10倍，這將是一個(gè)巨大的成就；但從車隊(duì)經(jīng)營(yíng)者的角度來看，無論從經(jīng)濟(jì)還是從輿論上出發(fā)，每天一次事故無疑是一個(gè)無法承受的結(jié)果。顯然，如果我們的目標(biāo)是自動(dòng)駕駛汽車的規(guī)?；涞兀敲聪孪蘧褪荕TBF必須提高1000倍。即便是這樣，每個(gè)季度出一次事故還是令人神經(jīng)緊張。

　　MTBF提高1000倍，相當(dāng)于安全行駛5000萬小時(shí)，大約行駛8億公里。即使是為了驗(yàn)證MTBF而收集這么大的數(shù)據(jù)量也是很麻煩的，更不用說開發(fā)出能夠滿足這種MTBF的感知系統(tǒng)了。

　　以上就是我們首選系統(tǒng)架構(gòu)的背景。為了讓感知系統(tǒng)實(shí)現(xiàn)如此雄心勃勃的MTBF，就需要引入冗余——特別是系統(tǒng)冗余，而不是系統(tǒng)內(nèi)部的傳感器冗余。這就相當(dāng)于你隨身攜帶了一個(gè)iOS手機(jī)，一個(gè)安卓手機(jī)，并自問它們同時(shí)崩潰的概率是多少？這個(gè)問題的答案大概是每個(gè)設(shè)備自行崩潰概率的乘積。同樣，在自動(dòng)駕駛汽車領(lǐng)域，如果我們僅基于攝像頭來構(gòu)建完整的端到端自動(dòng)駕駛，然后使用雷達(dá)/激光雷達(dá)構(gòu)建完全獨(dú)立的功能，那么我們就擁有了兩個(gè)獨(dú)立的冗余子系統(tǒng)。這就像隨身攜帶兩個(gè)不同系統(tǒng)的智能手機(jī)一樣，兩個(gè)系統(tǒng)同時(shí)遇到感知失敗的可能性是非常小的。這與自動(dòng)駕駛汽車行業(yè)其他廠商專注于“傳感器融合的處理感知系統(tǒng)”的方式非常不同。

　　然而，與構(gòu)建一個(gè)同時(shí)融合所有傳感器數(shù)據(jù)的自動(dòng)駕駛汽車相比，構(gòu)建一個(gè)純攝像頭的自動(dòng)駕駛汽車要困難得多。眾所周知，攝像頭很難被利用，因?yàn)樗鼘?duì)深度（范圍）的訪問是間接的，是建立在諸如透視、陰影、運(yùn)動(dòng)和幾何形狀這樣的線索之上的。在今年的CES上，我也詳細(xì)闡述了Mobileye是如何構(gòu)建純攝像頭（Vision Only）的自動(dòng)駕駛汽車系統(tǒng)的。

　　讓我們回到今天發(fā)布的視頻上，這段視頻很好地展示了我們Vision Only子系統(tǒng)的性能。在視頻中可以看到，車?yán)锛葲]有雷達(dá)也沒有激光雷達(dá)，實(shí)際上，這輛車由8個(gè)遠(yuǎn)距攝像頭和4個(gè)停車攝像頭提供感知支持，這些攝像頭的信息被輸入到僅由兩個(gè)EyeQ?5芯片支持的計(jì)算系統(tǒng)中。此外，自動(dòng)駕駛汽車還需要平衡敏捷性與安全性，而這兩者的平衡則會(huì)通過RSS來實(shí)現(xiàn)。眾所周知，耶路撒冷的街道極具挑戰(zhàn)性，因?yàn)槠渌缆肥褂谜咄浅Ｗ晕遥@也給自動(dòng)駕駛汽車的決策模型帶來了極大的挑戰(zhàn)。

　　未來，我們還將繼續(xù)分享Mobileye關(guān)于推動(dòng)自動(dòng)駕駛汽車規(guī)模化落地的進(jìn)展和觀點(diǎn)，敬請(qǐng)期待。