自動駕駛汽車大規(guī)模落地所面臨的挑戰(zhàn)

在今年1月的國際消費電子展（CES）上，Mobileye公布了一段未經(jīng)剪輯的時長為25分鐘的路測視頻，展示了Mobileye自動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 提高自動駕駛的透明度 ，即便我們也想展示Mobileye的非凡技術，但比這更重要的是，我們想向世人展示自動駕駛汽車是如何運行的，因為只有這樣，自動駕駛汽車才能贏得社會的信任。

英特爾公司高級副總裁、英特爾子公司Mobileye總裁兼首席執(zhí)行官

為了進一步加深大家的理解，我想要再公布一段40分鐘的視頻，這段新的視頻同樣未經(jīng)剪輯，記錄了Mobileye的自動駕駛汽車在耶路撒冷街道上連續(xù)行駛160英里期間的情景。我們選擇通過一架無人機來跟蹤拍攝這段駕駛，以便大家對駕駛環(huán)境有更形象的認知，進而更好地理解自動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的是在約20分鐘左右，我們?yōu)闊o人機更換了電池。此外，我們還為視頻配備了旁白，以詳細介紹Mobileye的自動駕駛技術是在何處發(fā)揮作用，以及是如何處理駕駛過程中遇到的各種復雜情況的。

這段視頻提供了個機會可以清楚地闡釋Mobileye自動駕駛汽車的發(fā)展思考。據(jù)我們所知，Mobileye的方案是獨一無二的，在自動駕駛行業(yè)的眾多廠商中也是名列前茅的。我們的目標是 解決自動駕駛汽車的規(guī)?；y題 ，而想要真正步入自動駕駛汽車的美好未來，也必須實現(xiàn)規(guī)?；?。我們認為，自動駕駛汽車會首先以 共享汽車 ，例如自動駕駛班車的形式實現(xiàn)，進而再在消費級自動駕駛乘用車上落地。在我看來，自動駕駛汽車規(guī)模化所面臨的挑戰(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知的方式來決定軟硬件的體系結構。

早在2017年，我們就基于兩項觀察發(fā)布了我們對“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“小心謹慎”的定義，并以此消除決策過程中因判斷失誤而導致的事故（例如因并道而引發(fā)的交通事故），而這最終將用以實現(xiàn)安全性與實用性之間的平衡。

Mobileye的責任敏感安全模型（RSS）主要圍繞駕駛員的實際操作展開，通過諸如“路權是被賦予的，而不是爭奪來的”這樣的概念來建立度量參數(shù)，以便讓自動駕駛汽車做出安全的決策。當然，這些參數(shù)是我們與管理機構和標準機構聯(lián)合制定的。在這之后，RSS模型在可供假設的范圍內(nèi)假定了最壞的情況，即其他道路使用者會做出的最糟糕的動作是什么。這樣一來，我們就不再需要對其他道路使用者的行為進行預測了。RSS的理論證明，如果自動駕駛汽車遵循該理論所規(guī)定的假設和行為，那么自動駕駛汽車的決策大腦就永遠不會造成事故。也是從那時起，RSS在全球范圍內(nèi)得到了推廣。

英特爾資深首席工程師兼英特爾子公司Mobileye自動駕駛汽車標準副總裁Jack Weast在2019年Mobileye投資者峰會上發(fā)表主題演講

在2019年末，電氣電子工程師協(xié)會（IEEE）組建了一個新的工作組，并委派了英特爾公司資深首席工程師Jack Weast擔任該工作組的負責人，該工作組旨在開發(fā)用于自動駕駛汽車決策的標準 — IEEE 2846 。該工作組的成員大致能夠代表整個自動駕駛行業(yè)。

在我看來，這一跡象是令人安心的，因為這表明我們可以通過全行業(yè)的合作打造一個關鍵里程碑，以此推動全行業(yè)的進步，進而帶動我們自身的發(fā)展。

我們發(fā)表的論文中的第二個觀察對我們的系統(tǒng)架構產(chǎn)生了深遠的影響。也就是，即便機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)故障而導致的交通事故。

感知系統(tǒng)通常由攝像頭、雷達和激光雷達構成，并通過軟件將傳感器的原始數(shù)據(jù)轉換為“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)會忽略掉道路使用者和無生命障礙物等在內(nèi)的相關物體的存在，或是錯誤地計算其尺寸，從而引發(fā)事故。

為了更好地理解這個問題，讓我們做一個“粗略的”計算。美國每年的累積駕車行駛里程約為3.2 萬億公里，其中，導致人員受傷的事故約為600萬起。假設平均駕駛速度為每小時16公里，那么 平均故障間隔時間（MTBF） 為50,000小時。假設我們的自動駕駛汽車的MTBF比人類的MTBF高10倍、100倍或1,000倍（請注意，我們已經(jīng)排除了“和人類一樣好”的這種可能，因為我們必須做得更好），假設我們部署10萬輛自動駕駛汽車作為自動駕駛班車進行規(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)字來支持幾十個城市的相關服務是合理的），假設每輛自動駕駛班車每天行駛5個小時，那么，如果MTBF設計提高10倍，大概每天會出一次交通事故；如果提高100倍，每周會出一次事故；如果提高1000倍，則是每個季度僅出一次事故。

從社會的角度來看，如果道路上行駛的所有汽車的MTBF都提高10倍，這將是一個巨大的成就；但從車隊經(jīng)營者的角度來看，無論從經(jīng)濟還是從輿論上出發(fā)，每天一次事故無疑是一個無法承受的結果。顯然，如果我們的目標是自動駕駛汽車的規(guī)模化落地，那么下限就是MTBF必須提高1000倍。即便是這樣，每個季度出一次事故還是令人神經(jīng)緊張。

MTBF提高1000倍，相當于安全行駛5000萬小時，大約行駛8億公里。即使是為了驗證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)架構的背景。為了讓感知系統(tǒng)實現(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。這就相當于你隨身攜帶了一個iOS手機，一個安卓手機，并自問它們同時崩潰的概率是多少？這個問題的答案大概是每個設備自行崩潰概率的乘積。同樣，在自動駕駛汽車領域，如果我們僅基于攝像頭來構建完整的端到端自動駕駛，然后使用雷達/激光雷達構建完全獨立的功能，那么我們就擁有了兩個獨立的冗余子系統(tǒng)。這就像隨身攜帶兩個不同系統(tǒng)的智能手機一樣，兩個系統(tǒng)同時遇到感知失敗的可能性是非常小的。這與自動駕駛汽車行業(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，與構建一個同時融合所有傳感器數(shù)據(jù)的自動駕駛汽車相比，構建一個 純攝像頭的自動駕駛汽車 要困難得多。眾所周知，攝像頭很難被利用，因為它對深度（范圍）的訪問是間接的，是建立在諸如透視、陰影、運動和幾何形狀這樣的線索之上的。在今年的CES上，我也詳細闡述了Mobileye是如何構建 純攝像頭（Vision Only） 的自動駕駛汽車系統(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，車里既沒有雷達也沒有激光雷達，實際上，這輛車由 8個遠距攝像頭 和 4個停車攝像頭 提供感知支持，這些攝像頭的信息被輸入到僅由兩個EyeQ^?5芯片支持的計算系統(tǒng)中。此外，自動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通過 RSS 來實現(xiàn)。眾所周知，耶路撒冷的街道極具挑戰(zhàn)性，因為其他道路使用者往往非常自我，這也給自動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關于推動自動駕駛汽車規(guī)模化落地的進展和觀點，敬請期待。