主持人：大家好，欢迎再次回来，接下来我们是由Mobileyee的大安先生分享“迈向自动驾驶三大技术支柱：感知、地图和决策”，有请。

    大安：首先我想感谢李博士的介绍，首先，我想先介绍一下自动驾驶还有现在要做一些重大的飞跃在那里，根据移动化时代我们有三个大的支柱，第一个是感应，就是传感器，我们需要知道环境优360度的环境，第二个是REM，也就是道路体验管理，第三个也就是驾驶策略，也就是我们要规划一下可行性的路径，在一个非常复杂的环境当中进行一定的协商，这也就是我们称为的驾驶课程、驾驶策略，不是说很难驾驶一台车，也不是说你能感应所有的东西，而是说如何要去在复杂的多主体环境进行车道的汇流。

    首先会讲传感器的事情，我认为这是大家非常了解的传感的内容，之后会再讲一些其他的内容。我们可以看到ADAS，我们的ADAS是不断自然的增长，它有零个负力和正力，也就是要达到99.99%，甚至达到100%的探测率，100%是非常难得到的，我们希望车辆在任何的角度都可以探测到它周围所有的障碍物，比如说车或者行人、自行车能够改进他们的驾驶性能。

    第三个也就是一般的物体，我们要做一些路径的分界线，之后会给大家举几个例子，我们不仅仅要探测出它的框架，还要知道这些框架它的类型，它是人行道是行人还是自行车等不同的类型。最后重要的飞跃就是要探测出可以驾驶的路径，也就我们要看到路面上所有的关键点，比如说并流或者岔道，可以到底你前方的车辆使用机器学习对他们进行标签，在车辆上加3D的框架，在非常复杂的条件下可以选择驾驶的路径，这是非常难获得的情况。

    首先我们看一下这里有几个例子是360度的视觉，绿色就是自然空间，这个车辆可以实现任何角度的探测，红色就是我们行进的路线，这里就是第三等级和第四等级自动驾驶需要的技术，我们需要实现360度的视野不仅仅是通过雷达来实现，而是通过很多摄像头来实现的，这里有几个例子，也是3D的探测，我们可以看到这里有很多不同的颜色，不仅仅是3D的框架，而是说在不同的框架下有不同的意思，我们这都是一些及时获得的信息。

    另外，我们可以探测到一般的障碍物，比如说现在在这里驾驶的时候，我们可以看到有很多其他的轮椅，前面讲到路径分界有自由空间，它不仅仅是说探测道路路面的标志，还有语意上的理解，这个是垂直的呢？这个位置上有一些红色的边框可以指出这前面是一台车，他们的位置。这个就是我们对于网络数据的应用。这就是重大的飞跃了，我们可以看到带我们探测车道的同时，不仅仅是关注到车道的输出，而是融合了很多HPP，就是这个整体物体探测的技术，我们要看一下前面是不是有行进的路径，是不是我们要走的车道，我们还要看到SFS，可以看到在车道融合的时候，看到在进入隧道在当中有些红色的线表示我们是可以跟着红的线进行行进。

    这个隧道是非常复杂的路面情况，我们也可以实现可探测路径的行驶，我们可以看到摄像头也可以帮你捕捉语意上的信息，它可以探测出车道，比如说这里具有挑战的一部分就是探测岔道，岔道的探测比车道单纯探测更加复杂，这里有几个关于语意的理解和它的词汇，不仅仅是这些例子，还有其他的例子，这是非常复杂的情况，需要有非常大的挑战性，我们可以看一下现实生活中它到底长什么样子的？我放这个视频之前想介绍一下，这里有两个框，其中一个框就是解释我们的车道它的情况，另外一个就是在可以看到路上有多少车道，我们现在的位置在那里？我们在车道的当中。

    还有，我们可以看到这个车道上前面有哪些东西和障碍物，这里就是一个视频，看一下它现实生活中的应用。

    大安：基本上就是在这个多车道上来行进的时候可以利用这样的探测技术来探测出可行进的路径，其他使用的探测语意的技术，我们可以看一下前线的车它在踩刹车，我们可以看到我们要做出一些举措，前面有一个指示灯还有行人警示，我们再决定一下车应该怎么进行相应的回应，这是非常复杂的情况。最后就是地图测绘和定位的问题。开始我的介绍之前，我想先讲一下地图或者这个道路手册，我们叫“路书”，什么叫“路书”呢？

    它基于高精度地图还有因为的“路书”，前面三位嘉宾也讲到了地图测绘的重要性，我们需要让地图能够非常精确才能实现自动驾驶，首先我们要持续更新地图接近于实时，对于车的路况实时信息获得是非常重要的，我们知道不仅仅是说当天还有过几个月都要知道，还有每台车的数据非常小，如果你做一个众包，你必须有一个及时信息的更新和传输，所以信息的大小必须非常小，我们现在有4G网络可以支持海量信息的传输，可以看到它的数量非常小，每千米只有10KB。

    另外我们希望不要再去引进更多的硬件，我们的技术能够完全涵盖GPS或者所有的ADAS技术，还有前置的摄像头还有云端的连接等等，比如说10KB是非常小的，可以在手机和车辆上进行传输，可以完全覆盖自动驾驶车辆的活动，在道路体验管理REM有什么技术管理呢？我们是基于激光雷达的系统，它是非常的精确，它可以做很好的测试给我们的车辆进行定位，我们使用激光雷达的传感器给我们提供非常及时的信息，也可以很好帮助你自己进行定位，当然这个是不可以扩展的，它非常的贵，来创建这样的APP。

    也不是非常及时的，我们现在到底要怎么样达成同样的效果？怎么达成十厘米的定位精确度？用不同的方式，现在我们用的是一个前置摄像头来去探测路面上的静止路标，我们也看它相对的位置是用GPS系统看一下附近区域里有哪些不同的东西，在车载系统里可以进行匹配，当你获得一定数据之后可以传输获得更新，因为传感器非常的廉价，很多汽车已经有了前置摄像头，你也可以使用前置摄像头进行地图的测绘和数据的累计，这个地图不仅是高端的车型，其他的车型都是可以的，要针对实施这样的技术，并且有非常经济性的效益，激光雷达它可能会造成很多的问题。

    我们可以看到这边有很多不同的点，仅仅有激光雷达是不能完全构建地图的，如果你真的要去扩展，融合很多东西，你必须要和OEM进行合作，这有些事情是很难做的，但是我们现在有了很多的进步。现在我们来看一下它的演示，首先我们用到了这些静态的路标，来测试为我们提供定位服务，我们也可以看到不同的涂层，这里也要强调一点，我们其实并不是和其他相关的整车厂是竞争关系，我们是和他们合作的，我们和地图厂商合作，比如说这里或者在日本的话，我们其实都有和地图厂商有联合开发。

    并且，我们希望投入200万做多主体的技术，到2018年10月份的时候，我们会结束在日本高速上的工作，我们会和相关的OEM合作，希望用我们的技术在日本进行全范围的应用。这个是我们整个概况，大家其实可以自己看一下，这里看一下跟道路指南相关的东西，也就是我们刚才说的“路书”，在整个美国的地图范围，就是它占到文件大小是64GB的，对于一部分我们很轻而易举得到地图的信息，所以它数据占的内存实际上是很小的，很容易获取，下面我会给大家看一下我们在CES，也就是亚洲消费电子展上做的展示。

    这个是在拉斯维加斯做的展示，首先大家在路上看到的东西是这样的，这不是摄像头检测的工具，这是OEM得出的数据，我们可以看到他们做的监测是非常准确的，可以看到静态的路标，在地图上面也是可以看到的，这只是其中的一个例子，可以看到黄色是表示路颜。姿色的是车道，蓝色中间这个是车道线。所以我们可以用这些标识用于定位，我们也可以帮助我们的驾驶员实现更安全的驾驶行为，这个其实还是不完善的，我们还在不断完善它经过处理，经过我们和不同的OEM厂商的合作，我们希望我们的技术有更大的提升，这个就是它大致的情况。

    现在我们来讲下一个主要的议题就是“驾驶策略”，这个其实上是属于谷歌的，这里想讨论一下我们遇到的问题，在自动驾驶开发方面遇到的难题。其实现在自动驾驶技术更像是机器人做的行为，有的时候它也会遇到一些状况，在自动驾驶技术不完全好用的时候我们就需要人为的干预，目前还需要人为的控制保持安全性，我们要实现完全自动驾驶的话，在第一个阶段时候还会有人类驾驶员在车上，他们需要做认为的干预。

    在很多不同情景下面，比如说这个情景下，我们需要一些人机的协商机制，这个时候可能要跟车你的车速要放缓，有的时候你在很大的车流里面，你要跟其他的车流打招呼，需要车与车之间的沟通。我们希望可以简化车与车之间沟通的技术，所以这里给大家举这样的例子。下面一个例子是我们和宝马所合作的项目，这个实际上叫做双车道并线，这个理念告诉我们说有的时候很多车流的是不容易挤进去的，这个时候怎么办呢？我们需要有更好的驾驶策略，所以红色的车只能像左拐超车挤进去，其实红色的车是需要向左边开的，一会儿我会给大家做一个演示。

    在这个过程之中有的时候技术还不够完善这个目前还是无法避免的，现在会介绍一下机器学习方面的限制，在整个规划路径的驾驶上面不完全是要取决于机器学习，机器学习是有一些优点的，因为它比较易用，它能够帮助我们实现一些东西，你其实不需要有一些具体的原则，你只要去采集到你需要的信息运用这些技术就行了，我们只需要有效的数据。但是我们会遇到很多杂的状况，在交通的过程当中会发生很多无法预见的状况，对于机器学习来说，如果我们想应对很多杂的状况其实是比较难的，有的时候会有交通事故、撞车、肇事，不同的条件和状况都在学习当中发生，这也是我们未来遇到的问题。

    我们这里想探讨一下传感和策划的区别，传感方面是涉及到深度学习和机器学习，我们只是建立传感周边的目标，你会采集数据，放到特定的情景之下，所以你其实在不断训练这种算法，如果你可以监测到周边行人状况，你就可以做到顺畅的同行，但是这个是非常复杂的。对于驾驶规划实际上我们对于未来的交通做一个规划，基于规划我们才可以为交通做决策，你要先建立一个数据的目录，这时候如果遇到交通状况的话，车辆之间要做良好的沟通再做决策。

    那它的问题在于，实际上它是和环境相关的，每一次更新我软件的时候，我们对于这些数据会有一些影响，我们不断的要采集这些数据，这对于相关的公司来说是比较困难的，因为有的时候并不是什么时候都能看见车祸，所以你重新采集数据的时候不能遇到所有不确定性状况。我们不会具体的讨论如何来解决这个问题，但是我建议大家可以上一下我们的网站，看一下相关的信息，试着找一下其中的专家，他在这方面有很高的造诣，他已经发布相关的论文来探讨我们如何解决这个问题，如何能够让用户更好的运用机器学习技术来提升道路信息沟通的技术。

    这里给大家看一下隶子，有两边的车道，红色的车是想像右边通行，右侧的车向左侧通行，现在可以看到一些复杂的状况，这些车想和其他的车进行沟通超车，或者走到想去的车道。这个是很好的技术，可以通过这些技术避免一些事故，我们公司专家写了很多理论上的论文，解释我们这个技术如何运用到实际的场景之中，其实我们在这个模拟的过程之中是有多个主体，我们进行了十万次的实验，交通的事故率是为零，车距之间都是很近的，他们会随意的改变车距再变道，基于这个技术是能够优化车辆之间的沟通。

    另外运行的时间，对于每个主题来说是一毫秒，他们在IQ4平台上面来运行实验，所以它的成本也比较低，通过我们机器学习的方法，我们可以不需要完全运用传统的路径规划技术，因为传统的技术实际上会涉及到很多不同的场景，它也会比较劳民伤财，通过运用机器学习的算法能够减少计算量，最后我们来探讨一下整个Mobileye发展路径。我们在这个行业发展还是比较好的，并且自动驾驶也会是在未来能够实现的目标，实际上我们现在已经达到了L3、L4的自动驾驶研究水平，我们现在正在为此目标努力，我们知道最多的就是2020年的新闻，我们能够基本实现L3、L4水平的自动驾驶。

    我们也会用一些主要的概念在这个模式上面，我们可以看到首先在高速公路上做一个自动驾驶的技术实现，这些实际上在特斯拉等车型上有运用，未来我们希望实现自动驾驶，在特定的场景上得到应用，也就是我们看到的城市或者共享出行上的运用，未来2023年之后就能实现任何交通道路下的完全自动驾驶，非常感谢大家。

    主持人：感谢大安先生给我们带来的Mobileye技术，接下来有请大家进行问答的环节。

    问1：我对于您刚才提到的这个技术非常感兴趣，我想知道在中国这个技术会不会被定义成测绘方面的技术？并且能不能符合中国的相关监管法规？

    大安：实际上这个技术在中国的应用情况还是比较复杂，我们讨论到如何能够和地图厂商合作，还有相关的问题，我们知道我们其实在中国的几家厂商对我们的技术有需求了，而且我们也意识到它对于国家的道路交通安全也是非常重要的，但是对于中国的发展还是有很长的道路要走，而且还有很多的灰色地带我们没有很完善，比如说GPS方面，像这终技术我们还没有更多的发展，我们希望能够和OEM以及整车厂和地图厂商有更好的合作。

    主持人：我们也希望Mobileye能够尽快把这些事情做成。

    问2：你好，我有一个想要问您，现在我们知道安全性以及功能性是非常重要的，我们希望能够为我们的客户提供相关的解决方案，我知道Mobileye和其他半导体公司有合作，能够保障你们技术的功能性，我想知道您未来是否一个Mobileye芯片技术的发展路线？我知道你们的芯片实际上是在安全性上很出明的。

    大安：二六这个协议是很重要的，我们也有很多的设备，这个我们之前也讨论过，所以这些设备也是可以用到，可以保障安全性、功能性，我们要仔细探究这个问题需要把系统做一个分解，首先要实现这个高标准安全性是很重要的，我们希望能够在芯片上实现这种高安全性，但是很难而且它的造价也比较高，我们首先也要保证产品的性价比，希望能够在好用的同时又能够降低成本。

    对于您的第二个问题，我不是很清楚我们目前的芯片发展路径，我们知道现在我们的芯片还是比较便宜，我们现在向两个软件公司提供我们的芯片产品，我们和他们建立了很好的伙伴关系，在涉及到摄像头方面，实际上对于芯片的要求是比较高的，我们也需要防范一些网络安全，我们希望在未来能够与相关的摄像头以及厂商有更好的合作，谢谢。