安防峰会
雷锋网AI研习社 AI投研邦 活动 专题 爱搞机
业界人工智能 学术 开发者 智能驾驶 新智驾TV AI+金融科技未来医疗网络安全智慧城市 智慧安防 智慧教育 智慧交通 智慧社区 智慧零售 智慧政务 机器人行业云智能硬件物联网GAIR
智能驾驶正文
0
Mobileye被收购后首发声：不走这条路，自动驾驶永远都实现不了
本文作者：思佳 2017-08-11 17:23
导语：本文来自Mobileye CTO兼联合创始人Amnon Shashua在收购案后的首次公开演讲。
Mobileye被收购后首发声：不走这条路，自动驾驶永远都实现不了
雷锋网·新智驾按：“这是个尴尬的时刻，不过我们还是来讨论技术吧！”今年3月份在德国柏林召开的博世互联大会2017（Bosch Connected World 2017）上，Mobileye CTO兼联合创始人Amnon Shashua在演讲开场时幽默地如是说。
观众笑了。因为就在这场演讲开始前的两天，英特尔宣布斥资153亿美元收购Mobileye，也创造了几乎是2017年最大、最受瞩目的收购案。
时间回到现在，就在前几天，英特尔已经正式完成对Mobileye的收购，故事以Mobileye成为英特尔子公司开始一个新的篇章。
很多人都讨论过英特尔这笔钱花得值不值，但不可否认的是，Mobileye正调用自身在环境“强感知”技术的积累，在自动驾驶领域走得越来越远。同时，Mobileye实现了技术厂商的跃进，如今真正和车企站在一起。
或许是因为这些，或许是因为其他的什么，CTO Amnon Shashua在演讲中可以自信地说，“Mobileye正在走一条正确的路线，不这样做自动驾驶永远都实现不了。”
在这个路线中，人工智能不可或缺。Mobileye到底如何利用人工智能实现对自动驾驶研发的超车呢？答案在Amnon Shashua的演讲中，雷锋网(公众号：雷锋网)·新智驾对演讲内容做了不改变原意的编辑整理。
Amnon Shashua：在浩大的自动驾驶产业链中，人工智能到底扮演着怎样的角色呢？今天我们要来讨论这个问题。
在这之前明确，实现自动驾驶的方案和路径多种多样，我将它们分为两类：比较传统的方案；大量运用人工智能的方案，也是我们正在做的方案。今天会具体介绍他们。
一、自动驾驶三个关键技术
为了实现自动驾驶，我们需要解决的技术主要分为三部分：
Mobileye被收购后首发声：不走这条路，自动驾驶永远都实现不了
感知：在车辆部署摄像头、激光雷达、毫米波雷达等传感器，配合高性能的算法，让车辆感知周边环境。
高精度地图：高精度地图是实现自动驾驶的必要性技术之一，它提供了一种更前瞻的信息指示和冗余性，是保证自动驾驶安全的基础。
驾驶决策：在驾驶决策的技术研发中，往往能为人工智能提供大量用武之地。其最终目的是，让自动驾驶车辆在面对复杂交通环境时，能够像人一样驾驶，拥有人类的一些决策属性和技巧，同时也要保证安全。
二、人工智能在感知中的应用
下图是我们与德尔福合作研发的自动驾驶demo，车辆在长达10公里的拉斯维加斯街道上完成了无干预的自动驾驶。图中可以看到，3D box准确框出了每一台车辆，绿色部分标识了可驾驶的空白区域，同时算法对交通灯、交通指示牌也进行了识别。总的来说，这台自动驾驶车对周边环境进行了360度的感知识别。
Mobileye被收购后首发声：不走这条路，自动驾驶永远都实现不了
再来展示一下关于绘图的内容。下图展示的是Mobileye近一年半时间研发的REM（Road Experience Management）路网采集管理系统，这是我们通过众包模式收集数据绘制高精度地图的方法，这些采集到的路标构成了RoadBook（路书）。该项目中，我们与宝马和其他汽车平台合作，进行数据收集。
最终我们得到一个存储在云端的地图，它可以投射在两个界面上，图中右手边是将数据投射在谷歌地球上，这样可以得到大尺度的精度参考，左手边是投射在车辆采集的实时图像上。
当运行起这样的系统时，可以看到投射在谷歌地球和车辆视角图像的车道线非常精准，同时标注出了道路标识等信息，精度达厘米级。
Mobileye被收购后首发声：不走这条路，自动驾驶永远都实现不了
这是另一个demo，与尼桑汽车在伦敦街道上的道路测试。
Mobileye被收购后首发声：不走这条路，自动驾驶永远都实现不了
在这个过程中，人工智能发挥了哪些作用？
当提到车辆感知，通常指的是物体检测的过程，即道路上的车辆、行人、交通标识、交通灯等等。
Mobileye被收购后首发声：不走这条路，自动驾驶永远都实现不了
环境感知的阶段一：感知障碍物。对机器而言，输入的是图像，输出的其实是bounding box，如一辆汽车的bounding box、一个行人的bounding box。这是如今的驾驶辅助系统，我们需要检测车辆、行人等物体，再根据这些障碍物进行相应的驾驶决策。
环境感知的阶段二：感知空闲区域（free space）。过去的环境感知，是检测路缘、护栏等障碍物，依此判断哪里能够驾驶，哪里不能。而现在换一种方式，输入仍然是图像，但输出是一种自由形式的边界范围（free form boundary）。对边界范围进行识别，我们需要对诸如车道线、路缘等等特征进行语义理解，这使得系统实现变得更复杂。
环境感知的阶段三：感知可驾驶区域（Drivable Paths）。这个阶段产生的是真正的颠覆性技术，系统将感知每条道路通往何地，以及与道路相关的语义理解，例如这条路有多长、这条道路会通往高速、高速的出口又在哪里…所以这个时候，输入是图像，但输出的是一个故事，是要去描述一个的场景，而不只是识别出障碍物。我们将这称为“强感知”，这确实是一个开放性的问题。
以上就是Mobileye在车辆感知中应用人工智能的尝试。第一阶段是单纯软件问题，第二阶段进行了升级，目前已经实现量产，比如特斯拉的第一代Autopilot系统，第三阶段是非常有挑战性的，同时需要大量的人工智能技术参与。
三、感知技术与高精度地图的融合
感知技术是如何被运用的？
感知技术是如何被运用的？目前主要有两种路径，第一种“重地图模式”（Map heavy approach），第二种“轻地图模式”（Map light approach），Mobileye属于第二种方式。
Mobileye被收购后首发声：不走这条路，自动驾驶永远都实现不了
1、重地图模式
这种方式很好描述，也很容易使用和部署。但这是一个错误的方式。为什么？下面具体介绍。
这种方式通过使用3D传感器（如激光雷达）来检测车辆和行人，然后被呈现在车辆的3D坐标系统中。
之后，将车辆在3D地图中进行定位。实现方式有多种，例如车辆通过激光雷达采集了周边环境数据，并与已有的高精度地图数据进行匹配，就可以进行自定位。
将步骤一中检测到的车辆和行人放置到高精度地图中，因为你已经实现了自定位，而高精度地图中包含了所有车道线等信息，所以你已经拥有了“上帝视角”，你从高精度地图上获取了可驾驶的路径，同时有通过感知得来的物体检测信息，所以直到目前，似乎我们不需要任何摄像头。
如果你回忆一下谷歌最初的无人车原型，他们没有部署环境感知摄像头，只有一个看交通灯的摄像头，其他都是基于激光雷达完成的。
这就是第一种路径。
2、轻地图模式
现在，如果你希望系统有更好的鲁棒性。你就需要加入更多的传感器，例如摄像头。每加入一种传感器，都需要将其数据转化成三维，所以，如果你现在拥有摄像头数据，就必须将摄像头数据加载在3D坐标系统中。
问题在于，由2D转向3D是很困难的，毫米波雷达的数据也是2D的，它测量不同的维度，但仍然是2D。我们使用轻地图模式，解决这个问题。
使用摄像头同时检测车辆、行人以及可驾驶路径。即将静态和动态场景描述放在同一个2D坐标系统中。
通过将高精度地图数据投射在车辆获取的2D图像中进行车辆自定位。该技术在上面的demo中已经进行了展示。
现在，我们使用这种投射方式，建立一个车辆和可驾驶路径的统一3D视角，因为地图是三维的。而当你需要加入一个额外的传感器，如毫米波雷达、激光雷达等传感器，你所有需要做的，就是将3D转换成2D。例如将激光雷达数据投射到二维图像中，这是比较简单的。
举个例子，这是将激光雷达数据和其他数据投射到二维图像上的示例。
Mobileye被收购后首发声：不走这条路，自动驾驶永远都实现不了
这是将毫米波雷达数据投射到二维图像的示例。
Mobileye被收购后首发声：不走这条路，自动驾驶永远都实现不了
现在，让我们看一下这种方式的优势。如下图所示，左侧展示了右侧图像的仰视图视角，并且我们可以非常准确地获取这种视角。
Mobileye被收购后首发声：不走这条路，自动驾驶永远都实现不了
所以，摄像头加地图就可以提供所有驾驶需要的信息，之后毫米波雷达和激光雷达等传感器，会处理一些冗余的问题。
接下来，我们总结一下这两种路径的优缺点。
Mobileye被收购后首发声：不走这条路，自动驾驶永远都实现不了
重地图模式的优点：
非常容易设计出原型，找10个有才能的工程师，不出6个月的时间，你就能到一个不错的demo。这就是一些硅谷团队在做的事。
重地图模式的缺点：
会造成车辆对高精度地图的过分依赖，没有高精度地图，你什么都做不了。
可驾驶路径和车辆/行人处于不同坐标系统中，没有协同，且每类物体由不同的传感器识别。当你将它们同步到同一个坐标系统中，容易产生错误。
真正重要的是，创建高精度地图需要人工标注，这是一个巨额的成本投入。
如果没有一个真正经济的高精度地图绘制方式，自动驾驶很难真正落地。而如今许多公司在绘制高精度地图时使用的方式都是非常昂贵的。
轻地图模式的优点：
摄像头是唯一的环境感知传感器，在同一坐标系统中同时检测车辆/行人以及可驾驶路径。
使用车载摄像头传感器众包获取数据，制作高精度地图，大大降低了成本。
可实现低成本的level 2+等级自动驾驶。在level 2中，驾驶员需要对车辆驾驶控制负责，但是通过轻地图模式，可以实现类似level 3、level 4的体验，同时激光雷达将不是必须的。这开拓了更广泛的商业和市场前景。
轻地图模式的缺点：
非常难以实现。
如刚才所说，感知的第三阶段很复杂，且需要大量人工智能技术辅助。但从长远角度看，这是一条正确的路径。重地图模式短期来看易于实现，但长期而言，不能形成规模化。
四、人工智能为驾驶决策带来了什么？
Mobileye被收购后首发声：不走这条路，自动驾驶永远都实现不了
这部分讲驾驶决策，即复杂交通中的博弈。上图中的新闻，是大概一年多前，自动驾驶撞人的案件。无数自动驾驶车都在面临一个共性的问题，他们的驾驶决策太过简单，当一些复杂的、意料不到的事情发生时，驾驶员必须要进行接管。机器无法做出人类面对复杂情况的博弈和决策。
前提是，驾驶是一个“多主体”的游戏，只要道路上还存在人类驾驶员，那么机器就必须明白人类的决策技巧，人类容易冲动，人类会犯错，所以自动驾驶车需要与人类司机进行协同配合，同时要保证安全。
所以，现实生活中的交通到底是什么样呢？为了弄清楚这个问题，我用一架无人机进行航拍，拍下了一些现实交通的画面。
Mobileye被收购后首发声：不走这条路，自动驾驶永远都实现不了
上面这辆车尝试并线，没人给这个“可怜的人”让行，不过这就是真实生活！所以想象一下，把这个场景交给自动驾驶车，你如果希望它能做到这样，那就是天方夜谭了，做到接近都是不可能的。
我们更具体地聊聊。下图展示了双车道并线问题，这是我们与宝马汽车合作的项目，目的是解决现阶段一个非常具体的驾驶问题，也是一个非常困难的问题。
Mobileye被收购后首发声：不走这条路，自动驾驶永远都实现不了
在双车道问题上，车辆会从两侧车道会车，为什么这个问题具有挑战性呢？因为车辆不是简单地挤进来，它可能会干扰其他车辆行驶，也有可能产生两车僵持的情况。但对于两车道会车，没有一个明确规则，唯一的规则就是不要发生事故。
在四车道的十字路口会车时，其实并不是最难的，因为十字路口有交通灯，有规则，但这种双车道会车的情况则不同。所以，你必须预估出之后几秒的情况，并做出规划，你需要估摸出会车间距和通行的时间，能够在不发生碰撞的情况下及时通过。所以，这其实是一种非常困难的问题。
Mobileye被收购后首发声：不走这条路，自动驾驶永远都实现不了
所以，我们希望能利用机器学习解决这个非常复杂的问题。而机器学习的趋势，就是数据驱动。
优势：比基于规则的算法更简单地观察和收集数据。在很多场景中都是这样，例如自然语言识别、计算机视觉等等。历史经验表明，机器理解潜在规则是很难的，但收集数据，用数据驱动机器学习算法性能，会获得更好的表现。
所以，大规模应用机器学习，是一个正确的趋势。
缺点：机器学习的性能表现取决于你用来训练它的数据，这就意味着有可能出现“临界”情况。而找到这样的临界情况需要更多的数据，以及更多的尝试，直到筛选出临界情况。
Mobileye被收购后首发声：不走这条路，自动驾驶永远都实现不了
所以，机器学习是一个有监督的学习过程。在感知过程中，你感知的是当时的场景，而在感知背后的技术，是过去的积累和学习，是深度、有监督的学习；而当提到驾驶策略时，你其实是在计划未来，这是一个不太一样的机器学习方法，被称作增强学习，在其中你需要与环境进行交互。
为什么这两者在叫法上不同？他们的区别在于，使用数据的方式。
Mobileye被收购后首发声：不走这条路，自动驾驶永远都实现不了
1、有监督的学习
在有监督的学习中，我们预测的行动不会对环境产生影响，因此我们可以一次性收集所有的数据，也可以在线下收集数据，然后再用这些数据不断训练神经网络，直到找到所有的“临界”情况。
2、增强学习
在增强学习中，我们的行动会对环境产生影响，这意味着，如果我决定左转，我就正在影响其他驾驶的车辆。所以，现在如果我要更改软件，那意味着我需要重新收集所有的数据，因为每一次变化驾驶决策，就是在改变影响环境的方式。
这会造成一些问题，因为临界情况在驾驶中就代表着“事故”的可能性。而事故是一个小概率事件，为了找出这种临界情况，那么我们就需要大量的数据，而每次要修改软件时，又需要重新再收集一次数据。这就造成了很大的问题。
这也是为什么传统基于规则的路径规划算法没有引入机器学习，因为这个命题并不是那么吸引人，这听起来并不是什么好主意。
所以，我们找到了了一种解决这个问题的方式。用这种方法，我们可以使用机器学习算法，同时避免数据量的爆炸，并确保安全。在Mobileye网站上可以找到这篇论文。
我们在仿真实验中对其进行了测试，下图中的8辆汽车都是被训练的驾驶主体，随机分布，可以看到，它们经历了复杂的调度决策。
Mobileye被收购后首发声：不走这条路，自动驾驶永远都实现不了
在这个仿真实验中，共经历了10万次路测驾驶，每次测试中有8个驾驶主体、位置随机，没有发生碰撞事故。系统性能达到每秒10hz的频率响应。占用的计算量仅1%，而这些，正是得益于人工智能。
在传统的方法中，你试图开启的是一棵包含了所有可能性的树，这最终会导致数据爆炸和系统瘫痪。但如果使用机器学习，就像谷歌Alphago赢得了人类积累了数千年历史的围棋，你正在开启一种新的可能性。
你使用了一种新的方式，通过数据驱动的方式，穿越了这棵巨大的树。
目前，Mobileye已经在进行相关的研究，如下图，所有的驾驶主体都是被我们训练的样本，可以看到，它们的驾驶行为已经越发接近人类。
Mobileye被收购后首发声：不走这条路，自动驾驶永远都实现不了
五、结语
Mobileye被收购后首发声：不走这条路，自动驾驶永远都实现不了
总结一下，Mobileye如何利用人工智能加速自动驾驶的落地？主要是以下几部分。
1、正确的感知：即通过“强感知”理解可驾驶的路径。传统的方法过分依赖高精度地图，而规避了技术上难以实现的部分，但如果这样做，就不会形成规模化系统。
2、正确的绘图：使用“强感知”技术，通过众包自动生成高精度地图。我们的技术最终希望高精度地图的生成完全自动化。
3、正确的驾驶决策：让自动驾驶车达到人类等级的判断力，像人类一样敏捷，同时还要确保安全，这是一个挑战，我们在这部分的研究仍处于起步阶段。大家可以在Mobileye网站上浏览我们的研究论文，在这方面我们与宝马汽车进行了许多项目研究。
而在这部分，如果我们不能正确的解决，那么真的无法使自动驾驶落地。这其中将涉及大量的人工智能技术。
以上，就是人工智能在自动驾驶领域的创新应用和变革。
点击获取Amnon Shashua演讲视频，由雷锋网·新智驾（AI-Drive）下载上传。
雷锋网推荐阅读：英特尔完成“军火库”扩充，还要与Mobileye打造大规模自动驾驶车队
雷锋网原创文章，未经授权禁止转载。详情见转载须知。
13人收藏 分享：
相关文章
Mobileye高精度地图自动驾驶路书REM人工智能
与Amnon Shashua的1小时：详解Mobileye自动驾驶进阶 ...
四年内让 L4 自动驾驶落地？谈谈 Mobileye 的光荣与 ...
Mobileye：进军公共交通领域发力L4，牵手长城迈向L3 ...
Mobileye神盾防护系统落地上海公交，后装ADAS方案助 ...
文章点评：
我有话要说……
表情 同步到新浪微博 提交
思佳
编辑
相信文字的分量。多多交流，微信（859258333）。
发私信
当月热门文章
最新文章
1000亿投向造车新势力之后，现在是否到了反思时刻？
图森未来最新突破：发布自动驾驶摄像头感知系统，加速无人卡车落地
英伟达自动驾驶模拟平台重磅来袭，丰田是它的第一个商业客户
解决硬件“老、大、难”问题，本土创业公司让自动驾驶“硬”起来
不差钱的搅局者们来了，百年老车厂们能扛住吗？
对话吴新宙：技术演进和商业价值并重，这里有小鹏汽车的自动驾驶路线图
热门搜索
AppleApple Watch计算机视觉平板电脑硬创公开课Tesla无线充电奇点Moto X社交应用一加
热门关键字
热门标签人工智能 机器人机器学习深度学习金融科技未来医疗智能驾驶自动驾驶计算机视觉激光雷达图像识别智能音箱区块链智能投顾医学影像物联网IoTCV微信小程序平台微信小程序在哪CES 2017CES2016年最值得购买的智能硬件2016 互联网小程序微信朋友圈抢票软件智能手机智能家居智能手环智能机器人智能电视360智能硬件智能摄像机智能硬件产品智能硬件发展智能硬件创业黑客白帽子大数据云计算新能源汽车无人驾驶无人机大疆小米无人机特斯拉VR游戏VR电影VR视频VR眼镜VR购物AR直播扫地机器人医疗机器人工业机器人类人机器人聊天机器人微信机器人微信小程序移动支付支付宝P2P区块链比特币风控高盛人脸识别指纹识别黑科技谷歌地图谷歌IBM微软乐视百度三星s8腾讯三星Note8 小米MIX小米Note华为小米阿里巴巴苹果MacBook ProiPhoneFacebookGAIRIROS双创周云栖大会先打智能硬件公司智能硬件QQ红包支付宝红包敬业福神经网络小米云快播大疆 精灵4语音识别算法微软surface北斗卫星定位系统rfic苹果ceo5g短码techshoppixel recurrent neural networksdeepmind 开源量子点电视优缺点车载app更多
联系我们关于我们加入我们意见反馈投稿申请专栏作者
Copyright © 2011-2019 www.leiphone.com 雷锋网-读懂智能&未来 All Rights Reserved 粤ICP备11095991号-1 ICP证粤B2-20150332 0daybank
文章评论