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剪輯，記錄了Mobileye的自動駕駛汽車在耶路撒冷街道上連續行駛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，我們為無人機更換了電池。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自動駕駛汽車的發展思考。據我們所知，Mobileye的方案是獨一無二的，在自動駕駛行業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?；y題，而想要真正步入自動駕駛汽車的美好未來，也必須實現規?；Ｎ覀冋J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，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?；媾R的挑戰主要集中在成本、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布了我們對“安全”的定義。首先，我們需要在駕駛策略規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(例如因并道而引發的交通事故)，而這最終將用以實現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，以便讓自動駕駛汽車做出安全的決策。當然，這些參數是我們與管理機構和標準機構聯合制定的。在這之后，RSS模型在可供假設的范圍內假定了最壞的情況，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在全球范圍內得到了推廣。
在2019年末，電氣電子工程師協會(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。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的合作打造一個關鍵里程碑，以此推動全行業的進步，進而帶動我們自身的發展。
我們發表的論文中的第二個觀察對我們的系統架構產生了深遠的影響。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，但我們仍然有可能面臨一種情況，也就是由感知系統故障而導致的交通事故。感知系統通常由攝像頭、雷達和激光雷達構成，并通過軟件將傳感器的原始數據轉換為“環境模型”，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會忽略掉道路使用者和無生命障礙物等在內的相關物體的存在，或是錯誤地計算其尺寸，從而引發事故。
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?；涞?這一數字與網約車廠商提出的數字相符，以這一數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;但從車隊經營者的角度來看，無論從經濟還是從輿論上出發，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?；涞兀敲聪孪蘧褪荕TBF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而收集這么大的數據量也是很麻煩的，更不用說開發出能夠滿足這種MTBF的感知系統了。
以上就是我們首選系統架構的背景。為了讓感知系統實現如此雄心勃勃的MTBF，就需要引入冗余——特別是系統冗余，而不是系統內部的傳感器冗余。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。這就像隨身攜帶兩個不同系統的智能手機一樣，兩個系統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其他廠商專注于“傳感器融合的處理感知系統”的方式非常不同。
然而，與構建一個同時融合所有傳感器數據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的。
讓我們回到今天發布的視頻上，這段視頻很好地展示了我們Vision Only子系統的性能。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。眾所周知，耶路撒冷的街道極具挑戰性，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。
