本文来源：焉知自动驾驶

/ 导读 /

Mobileye的自动驾驶解决方案，总得来说分为四种：

Visual perception and sensor fusion（视觉感知和感知融合）

Compute platform（计算平台）

Driving policy and RSS（驾驶策略和责任敏感安全模型）

Dynamic mapping（动态地图）

视觉感知和感知融合与传感器和数据相关，数据由摄像头、雷达、激光雷达等传感器收集，进入计算系统，创造360度环境模型，模型包括道路、交通灯、路标等。

同时，还需要计算平台来支持如此庞大的数据计算，这个平台需要非常强大，因为计算量相当巨大；同时考虑到成本问题，它还要十分高效。

此外，还需要驾驶策略和 RSS，这样才能保证驾驶的安全，同时还能在安全在合法的范围内取得一个平衡。

最后，需要动态地图，三年前创造了这个技术，说到地图，便会谈到它的升级，稍后会提到它。

Mobileye 目前正在努力的五个方面:

Open EyeQ5(开放架构的 EyeQ5)：英特尔有自己的硅光子生产线，可以生产雷达所需的芯片，同时，它是开放架构的，客户可以在芯片上编写自己的代码，自己来做融合。

Closed EyeQ5(封闭 EyeQ5) ：它不仅仅包含 EyeQ5，还包含的旧代芯片 EyeQ4、EyeQ3，它正是目前辅助驾驶用的芯片。

Surround Vision（环视视觉）：不仅用在辅助驾驶中，还用在自动驾驶中。

AV Series（自动驾驶汽车系列）：包括 360 度视觉、地图、驾驶策略、传感器等等。

AV Series Maas platform（自动驾驶系列和 Maas 平台）：除了 AV Series，它还包括 Maas 软件系统。

请大家记住，所有与自动驾驶相关的东西，都与这五个方面有关。

视觉识别（Visual Perception）

视觉识别是个复杂的东西，关注点在摄像头上，摄像头在自动驾驶车辆中起了非常重要的作用，目标是用摄像头实现自动驾驶。

但是，仅仅依靠摄像头实现自动驾驶，是相当困难的，因为摄像头提供的，并不是直接的 3D 信息，它就像的双眼，提供的数据很有限。

要实现自动驾驶功能，需要的是 3D 信息。虽然摄像头拥有高分辨率，但在开发者看来，摄像头提供的是一种“懒惰”的视觉。因此，还需要其他的传感器，比如雷达、激光雷达等，来给直接的3D信息。

但这样以来，便会出现一个问题：传感器太多了，会造成冗余。因此，需要让摄像头的功能更加强大，让它具有完整的、端对端的操作功能，这样其他的传感器加进来才是真正的锦上添花，才能实现真正的冗余。

不是说摄像头能解决所有问题，也不否认雷达、激光雷达等传感器的必要性。

mobileye正在做两件事：第一，要找到一个正确的方式，实现真正而非没有必要的冗余。此外，一个更重要的事，就是将自动驾驶技术迁移到辅助驾驶中来，减少辅助驾驶的成本。

现在的传感器是几万美元，乐观估计一下，将来也许会下降到几千美元，但是它的成本还是太高了，无法实现大规模运用。那么，如何减少成本，实现大规模的自动驾驶呢？

答案是摄像头。雷达和激光雷达都相当昂贵，但摄像头很便宜，它是所能想象到的最便宜的传感器。20 美元就能买到一个质量很好的摄像头。

因此，要想减少成本，需要将重点放在摄像头上。想要影响辅助驾驶的变革，先要走通较为困难的路：利用摄像头实现自动驾驶。在这条路走通了之后，再让它影响辅助驾驶的发展。这是一种战略性的思维，首先用真正的冗余实现自动驾驶，然后让自动驾驶促进辅助驾驶。

Mobileye 的自动驾驶策略

下面来说说自动驾驶策略。如果去到的展位，可以用 VR 体验到的自动驾驶汽车。汽车上一共有 12 个摄像头（前方有 3 个摄像头，角落里有 2 个摄像头，朝前方2 个，朝后2 个，朝侧方3 个，用作停车），没有其他的传感器，没有 GPS。

图示上方是摄像头所拍到的景象，右边显示的是道路状况 3D 图。重点看看右边，蓝色车代表自动驾驶汽车，可以看到它越过了一个十字路口，给一辆红色的车让路，同时停下车等待突然进入道路的路人。这个 3D 图也是靠摄像头实现的。

谈谈计算平台

首先回顾下的芯片。EyeQ4 于 2018 年发布，EyeQ5 在2018 年 12 月推出，它比 EyeQ4 强大 10 倍。

目前，EyeQ5 已经有了订单量，将从 2021 年 3 月开始 EyeQ5 的批量生产。

总体来说，EyeQ5 是一个非常强大的芯片，低耗能，它是仅限硅的“开放式”芯片（允许第三方代码运行）——不仅能造福自动驾驶，还能造福辅助驾驶。

与安波福合作，为宝马打造2021年的自动驾驶汽车量产，这也是搭载了 EyeQ5 芯片。

驾驶策略 和 RSS

安全可以分为功能安全（Functional safety）和名义性安全（Nominal safety），大部分人关注的是功能安全，而关注的是常规安全，也就是说如何让的设计避免事故，即在系统设计之初就要确保不会给社会带来安全事故隐患，实现安全驾驶。

去年，与监管部门合作，提出了RSS （Responsibility Sensitive Safety，责任敏感安全模型）模型，它是一整套数学公式，将人类对于安全驾驶的理念和概念转化成为数学公式和计算方式，用来界定什么样的驾驶行为才是安全的驾驶。

RSS 模型提出安全驾驶需要满足以下三点：

1、合理性。即要满足人们对“保持注意”的理解和判定，而不是天方夜谭地随意去定义。

2、有效性。一个合理的定义也有可能是完全无用的。

譬如这样一个听起来还不错的定义：在一车变道时，其他车道上行驶的车辆都不允许改变速度，不应该受到该车变道的影响。但是这个听起来挺“谨慎”的定义，在很多时候都不奏效，比如在碰到恐怖分子的时候，甚至在加州繁忙的道路上，它都不可能实现。因为实际在变道的时候，其他车辆必须要减速才能让变道车辆实现换道。因此，安全驾驶不仅要合理，有效性也很重要。

3、可验证性，即该定义是可以进行验证的。也就意味着，必须要把所下的定义与机器进行实际结合，以验证该定义是否正确和有效，同时要证明没有蝴蝶效应。

这里的蝴蝶效应是指，开始时一个很小的无心之举，通过系统中其他动作的作用，最后导致了一场车祸。

下面来看看在 RSS 模型框架下的驾驶策略。

将驾驶策略分为四种：策略（strategy）、战术（tactics）、路径规划（path planning）以及控制（control）。

举个例子，策略表示“想变道”，下面到战术策略，也就是说已经决定了要变道，那么需要决定需要给哪辆车让道，要哪辆车给让道，这两辆车之间的距离就是变道行驶的距离。

这种决策是实时变化的，比如已经决定了需要哪辆车给让道，但这辆车不给让道，那么如果还是坚持的想法，可能就会发生事故，所以改变了主意。因此， 战术策略是一种“瞬间性”的决策，它会随着情况的变化而变化。

在以上两种决策中，机器学习起了很重要的作用。

接下来，是路径规划，它正是 RSS 运用的地方。它为执行战术策略而计划车辆行驶轨迹，这个轨迹必须是安全的。那么，什么才是安全轨迹？这个时候，RSS 就派上用场了。

最后是控制，已经计划好轨迹之后，就需要汽车进行控制，比如什么时候刹车。

所有这些策略，都是为了实现安全驾驶。

下面给大家看一些例子，想说明的一点是，给大家看的所有例子，车内视角都是靠摄像头实现，不依靠任何其他的传感器。当然，这张是无人机视角鸟瞰拍摄。图中道路上有一辆车停在了路中间，因此道路上的车纷纷开始变道，中间那两带着 Logo 的蓝色车辆为自动驾驶汽车，可以发现，它的驾驶行为非常像人类，成功变道。

以上是车内视角。看到右边，带着 Logo 的蓝色车辆为自动驾驶汽车，前方红色车辆为自动驾驶汽车决定让道的车，绿色车辆为自动驾驶汽车决定“抢道”的汽车，这个决定，是战术决策，是一个瞬间的决定。

自动驾驶汽车的变道距离，正是红色车辆和绿色车辆之间的距离，如果绿色车辆不让自动驾驶汽车抢道，那么自动驾驶汽车将会改变决定。

这并不是一个简单的操作，但自动驾驶汽车处理地相当优秀。

下面还是类似的道路设定，唯一的不同是多了一位行人。虽然道路情况复杂，但蓝色的自动驾驶汽车还是成功地避开车辆和行人完成了变道。

下面的道路设定是城市道路。可以看到自动驾驶汽车一路前行，周围有正在行驶的汽车，也有停下来的汽车。

当它行驶到了一条交叉路口，一位行人正在穿过道路。这时候，自动驾驶汽车停下来等待行人穿过，等行人过了马路，自动驾驶汽车继续行驶。接下来，自动驾驶汽车给右边过来的汽车让路，然后再成功左转。

这是车内视角。

下面来看看部分道路被堵住时，自动驾驶汽车的处理方式。左边停下来的卡车堵住了道路左侧，自动驾驶汽车顺利地从卡车旁边驶过。

其实，这是一个比较困难的决策，因为自动驾驶汽车需要判断这道路是一个交通堵塞状况，还是卡车停在了路旁。但是，基于道路上其他车辆的处理方法，自动驾驶汽车做出了正确的决策。

最后一个例子。自动驾驶汽车穿过十字路口直行，左侧一辆公共汽车左转进入前方道路，自动驾驶汽车给公共汽车让路，同时左侧过来的另一辆小汽车给自动驾驶汽车让了路。

因此自动驾驶汽车的处理方式与人类非常相似，它在 RSS 模型框架下，实现了安全驾驶。

Mobileye与多方都成功进行了合作，其中比较大型的合作包括法雷奥、百度和中国 ITS。

法雷奥是最近的的 Tier 1 合作伙伴，法雷奥和 Mobileye 签署协议，表示未来会将 RSS 加入其自动驾驶研发项目并联合其他工业标准一起使用并同意共同制定行业标准。

与百度签署了合作协议。百度计划在其 Apollo 开源项目及 Apollo Pilot 商用项目中部署 RSS 模型，Apollo 项目是 RSS 模型的首个开源应用。

最大的合作是与中国 ITS (Intelligent Transport System, 中国交通部下属的标准制定团体—中国综合智能交通产业与服务联盟 ）签订的合作，ITS 已经提议将 RSS 模型作为即将出台的自动驾驶安全规范的框架。不仅仅与中国政府合作，还与包括蔚来、高德地图、华为在内的多家中国科技公司进行了合作。

同时合作伙伴还在不断扩大之中。与中国智能交通系统的合作，是与监管部门合作的绝佳例证。

其实，这些合作与 Mobleye 的技术无关，它与技术分离开来，它并不是说与合作的公司开发自动驾驶汽车需要安装 Mobleye 摄像头，也并不是说需要 Mobleye 的策略来实现自动驾驶，而是说在 RSS 这个安全框架之下，成功实现安全的自动驾驶。

地图与 REM

下面来说说地图和 REM（道路经验管理）技术。

REM 是通过众包的形式为自动驾驶汽车提供高精度地图服务，也就是俗称的“全球路书（Global Roadbook）”。

首先，说说 REM 数据处理过程。目前，所有的自动驾驶汽车都在前侧安装摄像头，而大部分摄像头是由 Mobileye 的芯片驱动。

如果自动驾驶汽车安装的 EyeQ4 芯片，那么首先它需要实现信息收集，也就是通过芯片驱动的摄像头收集道路和路标信息。

第二步，收集的信息被匿名化并被加密。

第三步，加密的信息储存到云空间中，生成自动驾驶。

第四步，地图信息分配到自动驾驶汽车中。

最后是定位，在10厘米的精确度范围内，自动驾驶汽车在路书中进行定位。

目前，已经与宝马、Nissan等汽车公司进行了合作，在自动驾驶汽车行驶过程收集信息并传送到云端，让路书更加强大。

看到这个视频，左边黄色长方形表示路标，白色表示道路边缘、车道标识线、中心车道，摄像头可以收集信息，传送到云端，然后进行高精确度的实时定位。右边是相同数据在谷歌地图上的成像。

目前的传输数据量是 1000 米 1000 字节，这个量是非常重要的。需要将数据传输到云端，它是需要低成本的，目前的成本是一辆车一年仅花费 1 美元。

如果成本较高，那么没有汽车制造商将会采用这个系统。数据从云端传输到汽车的过程中，如果产生十亿字节的数据，那么也将会造成成本过高的问题。

因此系统是低成本的系统。

目前，已经和日产等企业合作，完成了在日本的高精度地图采集，并计划在不久的将来合作发行日产L3 自动驾驶汽车。24 小时之内一键自动生成地图，这与当今的手动地图相比，是一个巨大的进步。

每公里 10 KB 压缩收获数据、最后的地图压缩至 400MB，每个紫色地图图块代表 1 平方公里、平均瓦片大小仅为 30KB。数据精确度小于 10 厘米、整体收集超过 110 万地图特征，覆盖 32 万个信号、30 万个信号灯、25 万车道线、19 万路障等。

还与宝马合作，大部分宝马自动驾驶汽车安装了 EyeQ4 芯片，它们都将收集数据传输到云端。

REM 的商业应用主要分为三方面：第一个为自动驾驶地图，第二个是 L2 /3/4 自动驾驶，这也是自动驾驶反哺辅助驾驶的表现，第三个是非机动领域应用。

REM 在二级市场上也得到了应用，首先与政府合作，签订了三个地图协议；其次，启动了三个智能城市项目；同时，还在欧洲和美国成立了自动驾驶车队，覆盖到 2 万辆自动驾驶汽车。

其中，值得一提的是与英国国家测绘机构——英国地形测量局（Ordnance Survey）达成了一项合作协议，旨在为英国组织机构和企业提供高精度定位数据。使用地图改善企业与城市之间的协作有助于提升城市的智能化水平，让城市道路更安全。

英国地形测量局领先的地理空间和技术专长将与 Mobileye 基于汽车摄像机的测绘能力相结合，为能源、基础设施和其他领域的客户提供全新、准确和可定制的位置信息服务。

相关测绘车辆将收集大量关于公路网和路边基础设施的位置数据，然后将收集的数据与现有的地理空间数据库相互参照对比，从而以惊人的细节和精度绘制英国道路和周围地区的精确地图。

依靠双方的合作，英国测绘局可以和一起提供基于位置情报数据的定制解决方案，使现有行业和发展中行业的公司能够运营更智能、联系更紧密的业务。例如，公用事业公司可以利用这项服务，获取其资产在地面上的准确位置，如沙井盖、灯柱、电线杆等。通过加强对地上和地下资产的了解，这些公司可以更有效地规划和管理维护需求、支持其他必要的工作。

除了未来的自动驾驶汽车外，测绘创新还可以被应用于其他领域。双方的此次合作说明 Mobileye 独有的测绘能力可以将位置数据的价值延伸到包括智慧城市在内的新的细分市场。此外，本次合作的关键在于以匿名的方式向企业和政府提供此类数据以保护隐私，而 Mobileye 独有的测绘方法就能实现该需求。

还与大众和 Champion Motors 合作，计划于明年初推出首款自动驾驶打车服务，分工如下：Champion Motors 负责运营车队，大众将提供车辆，而 Mobileye 将提供自动驾驶系统。这个项目将于 2019 年初开始运行，并逐步于 2022 年实现商业化。

同时，与北京公交集团进行了合作，北京公交集团是全球最大的城市公共交通公司，开展地面公共交通客运业务、公共交通投融资和资产管理、汽车服务贸易等业务。

此次三方合作将通过利用北京公交集团丰富的运营经验和 Mobileye 的自动驾驶工具——即一套具备第四级无人驾驶能力的、体系完整的自动驾驶系统，为中国公共交通的发展和部署提供可商务化的自动驾驶解决方案。

ADAS 的进化之路

Mobileye 已经将 RSS 模型重新针对 ADAS 产品进行了开发，提议将其作为 AEB 技术的一种预防性补充和增强。

目前这项技术内部代号为「APB 自动预防性刹车」，即「Automatic Preventative Braking」的简称。由于 RSS 模型的公式能够判断出车辆进入危险环境的时刻，因此 APB 技术能够通过主动施加轻微、幅度很小的预防性刹车来引导车辆回到安全位置。

APB 系统是自动紧急制动系统的增强版，可使用公式来确定汽车何时会发生危险状况。并且在潜在危险发生时，可通过让汽车减速、逐渐停止，来防止发生碰撞事故。

APB 通过采用几乎不会让人注意的预防性制动而不是突然制动，帮助车辆恢复到更安全的位置，从而防止碰撞事故发生。APB 不会理会阻碍交通的障碍物，而是主动调整车辆速度，以便在必要时保证安全，从而可在不影响交通的情况下提高安全性。

如果 APB 能够应用至任何一辆安装有前置摄像头的汽车上，它将能够大幅降低因驾驶策略错误引发的追尾事故。而一旦给这些车辆增加环视感知的能力并将 REM 地图应用至该模型中，那么 APB 将有机会应用至更多场景，这意味着几乎所有因策略不当引发的碰撞事故都可能被扼杀在摇篮里。

同时，配备环视摄像头传感和定位感知功能的 APB 系统可以消除「几乎所有」的追尾事故。希望通过采用此类技术，可将因错误驾驶决策而导致的道路交通事故伤亡人数接近零。

近期发表了名为《Vision Zero: Can roadway accidents be eliminated without sacrificing traffic throughput?（零伤亡愿景：能否在不牺牲道路吞吐量的前提下消除道路交通事故？）》，提出了 APB 这样的技术对 Mobileye「零伤亡愿景」的实现十分关键。

希望通过 APB 的大规模应用来降低道路交通事故伤亡率。此外，APB 的使用也能够降低类似限速带等道路基础设施的投入成本，因为它在必要时能够主动调整车速保证安全，但并不会破坏正常交通流速造成拥堵。因此，「零伤亡愿景」是可以实现的，在的论文中，用数据证明了它的可能性。

在自动驾驶领域，可以进行两种变革：第一种交通变革，它是显而易见的，是有价值的；另一种，是道路安全变革，也就是拯救生命的变革。它是可以依靠技术实现的，而这个技术，其实并不昂贵，不需要成千上万美元，它只需要几百美元，却能拯救生命。因此，可以实现道路安全变革。

附①：Mobileye_EyeQ4功能和性能

一．硬件平台

图丨 Mobileye EyeQ4 架构（Mobileye EyeQ4使用了多MIPS处理器）

为确保 L3 级别以上的自动驾驶汽车市场，Mobileye在 2018 年正式推出支持 L3 的 EyeQ4 方案，其基本架构与 EyeQ3 相当类似，都是以 MIPS 的 CPU 核心搭配矢量加速单元的组合，但架构上采用了更新更好的版本，整体计算效能也较 EyeQ3 增强了将近 10 倍，功耗仅微幅增加 0.5W。也就是说，功耗仍是 EyeQ4 最强调、也是最明显的应用优势，但即便如此，整体计算能力仍远不如 NVIDIA 的方案。

二． Mobileye六大关键技术

1. 前碰撞预警：

在系统开启状态下，车速在0-200km/h时起效，与前方车辆发生碰撞前2.7秒以内发出警报。

2. 行人探测与防撞警示：

在车速为1km/h至50km/h时处于工作状态，当可能与行人发生碰撞时发出警报。

3. 车道偏离预警：

在速度高于55km/h时处于激活状态，当驾驶员无意中偏离车道时发出警报。如果在换道时使用方向灯，则不发出警报。

4. 车道保持与危险预警：

HMW以秒为单位测量与前方车辆的车距。如果正在接近设定车距，则发出危险警报。

5. 前碰撞警告：

在车速为1km/h至50km/h时处于工作状态，当物体与前保险杆距离小于1.6到2.0米时，系统对于即将发生的危险发出警报。

6. 智能远光控制：

黑暗的道路上，在附近没有车辆的情况下可对车辆的前大灯进行控制，将其由近光灯自动切换成远光灯。

三．Mobileye EyeQ4智能防撞预警ADAS相机

除具有Mobileye 标准６大标准碰撞预警功能外，Mobileye EyeQ4智能前视摄像头通过CAN 接口，可以将车辆前方车道上的各种目标相对于本车辆的坐标位置，相对距离，相对速度，相对角速度，目标大小等实时输出，应用于自动紧急刹车（AEBS）,车道保持（LKA）,自适应巡航（ACC）,盲点探测（BSD），主动限速等主动安全功能，主要应用于**辅助驾驶功能ADAS和自动驾驶 (Auto-Driving)的研究，以及道路探测方面应用。

Mobileye EyeQ4智能前视摄像头主要能识别并输入以下目标信息：

1.车道线检测

1）4条车道线（含路沿）2）车道线类型(含双车道线)3）车道线颜色4）车道线ID5）车道线可信度6）车道线宽度7）绘制车道线模型的几何参数8）视野范围内车道线纵向长度9）Crossing10）虚线平均线长度及间隙长度11）车道宽度。

2. 目标（行人、车辆）

1）10个目标信息（行人、车辆）2）目标ID3）目标类型(pedestrian、bike、bicycle、car、truck)4）目标运动分类5）目标运动状态（移动的、静止的等等）6）目标横向7）纵向速度8）目标相对的横向，纵向距离9）目标的长度，宽度10）目标角速度11）目标的测量状态12）目标的生命周期13）目标的存在概率14）目标的转向灯15）刹车灯状态16）目标所在的车道17）目标的纵向加速度。

3. 交通标识（TSR）

1）红绿灯2）标识牌信号类型(限速牌等)3）可靠性4）两个补充标识及可靠性（ 雨天，下雪等）5）标识牌相对位置（X、Y、Z）。

4. 刹车状态信号

1）踩下、没踩下2）前进、倒挡3）方向盘转向角度4）INACTIVE5）左转、右转6）双闪7）实际车速8）车辆横摆角度9）关、低速、中速、高速、单次。

5. 测距

测量精度是用裸摄像头测试的

1） Mobileye EyeQ2是25%的误差；2） Mobileye EyeQ3是15-20%误差；3） Mobileye EyeQ4精度是10-15%之间。4） 如果车厂零部件厂他们叠加了毫米波雷达做融合精度高于5%。

四．Mobileye EyeQ4智能前视摄像头参数

摄像头像素：彩色 150w；分辨率：1280*960；测量距离：>150m；水平视角：52°；垂直视角：43.4°；车道线数量：4；目标个数：10；目标纵向速度误差：<0.2m/s；目标横向速度误差：<0.2m/s；目标纵向距离误差：< 10m/100m；横向 C0 误差：<0.1m；车道线识别长度：>60m；CAN 通道：2 路。

附②：关于自动驾驶， Mobileye 的 14 个最新观点

说明：下文来自新智驾，作者苏珊珊；

纷争、合作、挑战、趋势，Mobileye基本回答了一切。

Q 1：目前越来越多的汽车厂商都在开始自研芯片，包括像特斯拉、蔚来、比亚迪等等。现在也有传闻说苹果也要做汽车芯片。假设汽车厂都自研芯片了，未来像Mobileye这样的第三方芯片厂商的机会在哪里？

Erez Dagan：关于OEM（原始设备制造商）正在开发他们自己的感知系统集成芯片（SoC），除了特斯拉，我不知道还有谁在开发自己的SoC。他们所做的开发尝试当中，很少有尝试开发自己的软件堆栈的。

而Mobileye的价值主张是独一无二的。我们做的不是一个科学项目，或是过度的资源开发之后再考虑缩减经济成本的问题。我们做的是经过数百万车辆长期测试的项目。我们的核心解决方案已经在路上运行了十年。

事实上，我们看到的行业趋势是除了那些资金充足的公司能够承担风险和失败，整个市场都是在通过收购策略进行整合。大部分公司都没有资金，他们现在已经明白了开发整个堆栈的方案是一场高成本、高风险的游戏。

市场对全栈解决方案的需求越来越大。比如我们的SuperVision™系统，对市场的吸引力就非常巨大。我们非常乐观地认为，最大、最著名的主机厂的整合会采用久经测试的具有灵活性的全栈解决方案。

当然，我们还为SuperVision™配置了OTA差异化功能，这一层掌握在我们自己的手上。

EyeQ®5和EyeQ®6芯片以及相关平台都能支持SuperVision™。此外，我们还留下了联合开发和添加差异化价值的空间——这些SoC是可编程的。

我们给客户提供了两个最好的东西：固态强大的核心堆栈，以及灵活度和开发差异化价值的空间。所以我们对这一战略非常有信心。

Q2：您认为未来自动驾驶汽车的芯片会朝什么方向发展？会有什么样的趋势？

Erez Dagan：曾经有一个用于评估芯片性能的非常不准确的衡量标准——TOPS。作为评估SoC能力的一个数字指标，它显得太过简单。

现在就有事实证明，使用两个EyeQ®5或一个EyeQ®6就可以提供一个非常强大的方案，能够在任何地方提供流畅的驾驶体验。这都是以我们的安全模型和强有力的驾驶策略研究为基础的。

当然，这一方案可以向上和向下拓展。

例如，向下可以拓展成更基础的辅助驾驶，只需要关闭某些内容和OTA更新即可；向上拓展，则需要再添加一些硬件单元，实现我们目标的消费级自动驾驶。

这一市场预计将在2025年释放，并达到可接受的经济成本价格。Mobileye已经完全准备好了迎接这一趋势。

我们的SoC以及集成嵌入式软件耦合开发的重要性已经被强调过很多遍了。

有些系统很简单却很关键，比如飞机的起落架，一个非常简单的系统但需要非常安全；也有一些复杂的系统不需要非常安全，比如智能手机。自动驾驶将两者结合在了一起。

任何试图分解或从零开始组合的尝试都会招致很多风险，包括安全、效率和经济性。所以硬件和软件之间的紧密耦合和深度集成是关键，并不是随便一个衡量指标就能说明SoC更强。

在这种情况下，判断一套解决方案是否成功，远不止TOPS这样的衡量标准。

Q3：与蔚来之间的合作能聊聊吗？坊间传闻有些不愉快？可否分享一下。

Erez Dagan：仅去年，我们就给蔚来提供了5万套系统，包括三目系统和消费级自动驾驶市场的高级ADAS。

我们必须做出一个艰难的决定，那就是，选择谁作为领导者来把我们的解决方案引入中国市场。在这方面，随着更先进的功能的引入，我们需要选择比蔚来更强大、更有实力的OEM。正如今年在CES上提到的，我们的选择是与更大、更强的吉利汽车集团合作。

当然，我们跟蔚来的关系还是很好的。我们跟蔚来还有出行即服务（MaaS）运营车队供应的合同和三目方案的延长合同。

Q4：激光雷达的优势包括性价比高、功耗低、体积小，还比较容易上车；缺点就是成本比较高，元件需达到高精度要求，且达到这个高精度元件的厂商较少，Mobileye是如何解决这个问题的？相比传统的激光雷达，这个雷达的成本比较高，那预计在2024年、2025年，雷达上车的时候成本会降低吗？大概能降多少？

Erez Dagan：我先谈性能，然后再谈成本。

在对市场进行了仔细研究之后，我们发现，在性能方面，我们引入市场的激光雷达与市场上其他解决方案相比没有任何劣势。

在性能方面，我们的激光雷达的设计原则有四条：

第一条是从距离、方位角、仰角的三维采样转变为包括FMCW（调频连续波）多普勒测量在内的4D采样。这是我们正在做的方向。

这么做的目的是希望使激光雷达系统做到独立、完整。视觉是一个系统，激光雷达是第二个系统，雷达将是第三个系统。我们在努力提升包络效果，以确保激光雷达可以进行多普勒测量。这可以让我们获得实时的航向测量，保证所有扫描的点都有充分的接触时间。当目标相邻时，简化基于多普勒信号的聚类和跟踪。这是无多普勒测量的激光雷达会存在的一个问题。

第二条增强激光雷达的功率效率，使我们能够以更低的发射能量达到相同的测距。

功率效率是可以调整的，可以针对高级驾驶辅助系统（ADAS）市场与Robotaxi业务指定解决方案或衍生解决方案。这会增强我们的ODD（运行设计域）。因为FMCW的灵敏度更高，或者说信噪比更高，让我们可以获得更高的有效动态范围，这意味着我们有更多的原始测量数据。然后，我们就可以对全球进行高精地图绘制，进而对来自激光雷达的更多信息进行后续处理。所以，我们有更高的灵敏度，并将利用这一点来提高ODD和实现更高的有效动态范围。

我们的设备绝对支持高分辨率采样——这是另一个我们想要领先世界的领域——每秒两百万点，每度立体角六百点。这将使我们获得对所处环境的准确感知。这些都是性能方面的情况。我们激光雷达的性能预计会超过市场上任何已知的解决方案，能够使激光雷达本身成为一个单一的、完整的、独立的感知系统。

至于这些设备的成本。确实，如果没有相应的的资产和能力，这个项目耗资巨大。幸运的是，我们在英特尔有足够的知识产权、专业知识和晶圆厂，知道如何将有源器件、无源器件和波导放到芯片上。借此，我们可以把这些都集成到SoC上，并交给英特尔硅光子部门在新墨西哥州的一家工厂制造。这是全球独一无二的资产。

从这个意义上说，这将使我们能够实现非常激进的成本目标，并进一步实现第二个目标——将解决方案引入消费级别的自动驾驶汽车。

Q5：现在Mobileye已经在以色列、德国等地方开展了自动驾驶汽车路测，想知道接下来在上海或是中国Mobileye是否有相关布局呢？是要自建运营车队？还是把解决方案提供给其他出行运营商？

Erez Dagan：正如Shashua教授之前介绍的那样，我们的市场参与模式是非常多样化的，有出行即服务（MaaS）、车辆即服务（VaaS）和驾乘即服务（RaaS）。这一多样性让我们能够在不同地区以不同模式进行合作。我们现在尚未公开在中国的具体合作方案，但是我们有支持各种模式的灵活度。

VaaS模式意味着我们会向当地的运营商出售集成好的汽车。汽车上会搭载被称为移动智能的软件堆栈。这样一来，运营商就可以优化车辆的使用和利用。

第二种模式叫“驾乘即服务（RaaS）”，意味着我们的车辆会响应他人发出的乘车服务需求并给出报价。比如像Uber这样的交通网络公司（TNC）可以将订单发给我们进行竞价，使顾客可以从中获得更低的报价，而不是直接将乘车需求发送给报价更贵的人类驾驶员。

当然我们也能提供消费者需要的MaaS。但是具体到中国，我们的选择还有待公开。

Q6：怎么去定义SuperVision这款新产品？是可以把它定义成Mobileye全栈式自动驾驶产品的过渡？还是说是之前ADAS产品的升级？

Erez Dagan：我们认为L2 级别ADAS和L4是一个连续体，两者之间的区别在于平均故障间隔时间（MTBF）。在L2级别，因为驾驶员仍然保持专注，系统的性能不必超过人类的性能或人类的故障频率；但在L4级别，驾驶员不再担责，所以系统的性能必须远远优于人类的性能。

我们不认为这是个过渡方案。相反，我们坚信L2 的市场会很大、很稳定。驾驶员既可以继续保持专注，同时也能从一个高性价比的系统和准自动驾驶的方案中受益。

当然，到了2025年，那些能负担得起每辆车额外增加数千美元的经济成本的人可以体验到全自动驾驶。但L2 ，也就是我们所说的有条件下的自动驾驶，仍然会持续很长一段时间。

Q7：由于疫情，消费市场对自动驾驶的期待比较高。在这种比较特殊的环境下，自动驾驶能够商业化的话，对于疫情防控或者是出行是有很大帮助的。想问一下Mobileye怎么看待2020年自动驾驶在全球市场发展的进程？以及，2021年您预期这种技术或者是这种模式会有突破性的进展吗？

Erez Dagan：到2022年，Mobileye将在以色列部署自动驾驶服务，我们这一计划将维持不变。五年来，我们一直致力于将这些车辆投放到道路上提供商业服务。到2022年，我们将提供真正的服务，而不是一个实验，或仅仅只是展示。

为了完善堆栈的不同层，我们在有战略性地、积极地搭建或收购完整的堆栈。

特别值得一提的是我们对Moovit的收购。

Moovit是全球最大的城市旅行规划平台，有着数亿乃至近十亿的乘客群体，拥有独特的全球乘客资产，并且对不同地区的交通环境有非常好的了解。这样一来，我们就可以叠加以需求数据为基础的移动智能层。

Moovit还对全球多个地区的需求模式有非常清晰的认识。他们在全球多个地区拥有活跃用户，并且还与全球各地的运输运营商建立了合作关系，能为我们提供更多样化的服务，比如车辆即服务（VaaS）和驾乘即服务（RaaS）。

Q8：蔚来刚发布的计算平台甚至达到1016TOPS，您是怎么看行业都在往大的算力平台发展的？您认为算力和需求之间应该怎么匹配？

Erez Dagan：Mobileye从事汽车产品制造已经有20年历史了，我们对成本敏感度有非常清晰的认识。同时，我们也非常清楚要推出一款安全关键的汽车产品需要满足哪些高性能要求。这种专业知识是一种资产。它使我们能够从一个经过实战测试的驾驶辅助系统中获得模块，以打造非常高效的解决方案。在性能和成本方面，这些都是固定的解决方案。

算力的消耗会有多大呢？我想再次说明一下，TOPS数字不过是过去的数值竞赛。如果你需要一个非常强大的电脑，那就意味着你其实并不知道自己想要什么，不过是还在探索的阶段。一旦你需要满足经济性的要求，就要在处理速度、客户需求、解决方案成本等各个方面找寻平衡。这些都是至关重要的。

这才是真正的汽车产品业务的区别所在，而不是所谓的广告、作秀或仅仅是处在研究的阶段。

Q9：过去一年自动驾驶这个领域的投资非常活跃，尤其在Robotaxi领域，您认为今年这样的投资收购趋势还会继续吗？

Erez Dagan：我们很早就预测到了这一趋势——市场上会出现一种联合企业，并且只有少数的联合企业或公司能够到达终点线。幸运的是，我们是唯一一家完全靠驾驶辅助业务自筹资金的自动驾驶汽车解决方案供应商。我们不是烧钱，我们是为这场马拉松而生的。

我完全理解那些无法通过收入实现自动驾驶的长期发展或是无法变现的公司。他们被迫做出妥协，只能通过抱团来共同承担风险和回报。

而我们的地位更强大、稳固，并一直在向着终点线积极迈进。

今天Shashua教授在演讲中阐述的Mobileye的三位一体战略让我们脱颖而出、与众不同。

三位一体战略的首要因素就是我们为驾驶决策保驾护航的安全模型——责任敏感安全模型（RSS）。

视觉系统内的真正冗余™（TrueRedundancy™）则让整个系统更强大，更易完成MTBF和相关验证。

最后，我们提供了一个真正的众包解决方案。它具有非常高水平的性能，比标准高精地图更有价值。它是为自动驾驶汽车的需求量身定制的，或者说，是带有大量语义层的高级别ADAS功能。

Q10：从行业的角度看，您觉得接下来Robotaxi的大规模落地，目前还存在哪些技术问题或是商业领域的挑战？

Erez Dagan：就技术而言，我们已经完全准备好了。我们已经用两种不同的感知堆栈证明了这一点。

我们在耶路撒冷展示了基于雷达和激光雷达的一种自动驾驶解决方案。还有，在耶路撒冷、慕尼黑和底特律展示的一种基于摄像头的方案。就技术层面，我们完全做到了。

经济层面，正如我之前提到的，我们的方案是为量产市场设计的。虽然一开始Robotaxi的市场规模不会特别大，但我们的自动驾驶系统方案具有成本优势，再加上出行智能这些差异化功能，每公里的成本可以控制得很好。我们也预见到了，Robotaxi市场的竞争点在于系统成本。

如何更好、更有效地利用车辆？这是我们出行智能会出彩的地方。

通过在汽车装配更便宜的硬件的方案，有收益的里程数的比例会更高。因此，我们在每公里的成本方面会非常有竞争力。这就是我们在该领域的强大战略。

剩下的主要障碍就是规则。

从2015年开始，我们一直积极推动这一领域的工作。我们推广了责任敏感安全模型（RSS），这是一种用于自动驾驶汽车决策的开放安全模型。我们整个系统设计都考虑到了这一点，并在经济和性能方面有所受益。

我们还加入了IEEE委员会，里面有25家自动驾驶汽车公司，全都是众所周知的行业大拿。在这个委员会里，我们一起把透明、明确的决策合同概念标准化，从而使自动驾驶汽车可以清楚地知道“小心驾驶”和“危险驾驶”之间的区别。

通过使用RSS这种基于模型的安全决策，我们的自动驾驶汽车永远不会因为判断失误而导致事故。

Q11：现在半导体产能的紧张对汽车行业的影响也有一段时间了。Mobileye对此是否受影响？您预计这种现象大概什么时候能够得到缓解呢？

Erez Dagan：我们是完全稳定的。因为我们有扎实的合约和强大的业务流，能够抵御这些波动。2020年我们系统的销售额仍然在增长，我们将之转化为了对供应商的需求，这实际上使我们的定位更高、更强健。

疫情期间，我们的业务也在稳定增长，没有受到影响，外界关于我们的传闻都是谣言。而且，我预计反弹很快就会到来，可能在几个月到一年之内。

Q12：从这个月开始，中国一些领先的自动驾驶提供商开始跟中国主机厂、汽车厂合作创立新的汽车品牌。他们的一大特征是试图把整个全栈的自研能力掌握在自己的手中，Mobileye如何看待中国汽车行业的独有趋势对于整个自动驾驶领域的影响？

Erez Dagan：我们进军中国市场的动力是很强劲的。很多主机厂，包括你提到的那些公司，都对SuperVision™系统很感兴趣。

市场的总体趋势其实跟你刚刚描述的不同，绝大部分的OEM都认识到开发堆栈方案是一场马拉松，会耗费大量资源，而且风险很高。虽然资金可以缓解这种风险，但不是所有公司都有这种承担风险的能力。只有极少数的公司拥有雄厚的资金实力，可以承担数十亿美元的支出。

所以我们发现，目前的市场趋势就是OEM开始采购安全和久经验证的方案，就像我们跟吉利汽车的合作。

另外，中国的主机厂等企业也很关注SuperVision™堆栈系统。我们在中国有着很好的发展势头。

Q13：想问下Mobileye EyeQ6芯片进展情况怎么样？

Erez Dagan：我们的EyeQ®芯片已经到第六代了，是一个支持广义L2 级别的单SoC。目前SuperVision™系统内使用的是2个EyeQ®5芯片。

而1个EyeQ®6的算力比2个EyeQ®5的要高很多，这样我们就能够用内部冗余或者额外的计算机视觉引擎来优化MTBF。

另外，我们还可以在自己的SoC上集成其他的SoC来满足环绕式视觉系统、自动泊车功能和集成MCU部件。这样我们就可以剔除很多组件，为高级别ADAS提供一个简化集成的、经济高效的单SoC方案。预计该方案会成为L2 量产方案。

当然了，该SoC是可堆栈的，我们可以叠加其他的SoC升级到消费级自动驾驶。

Q14：我注意到目前EyeQ系列芯片都是由意法半导体来制造的，未来这一系列的芯片会不会可能由英特尔的技术来制造？

ErezDagan：一切皆有可能。但是下一代的芯片尚未移到英特尔工厂。

我们的路线图很灵活。市场告诉我们，随着激光雷达或RF SoC的加入，硅光子可以创造差异化或更高的价值。英特尔将支持我们的激光雷达开发业务。我们完全了解并全力与英特尔合作。

在此之外，EyeQ®6还没有交由英特尔工厂制造，目前也没有转移到英特尔工厂的具体计划。

- End -