新聞動態

NEWS CENTER

首頁

2019

無人駕駛、深度學習、人工智能與社會……Mobileye的CTO在CVPR上的演講還說了些啥？

在美國時間6月27日下午舉行的CVPR2016大會上，作為僅有的三個受邀公開演講的嘉賓之一的Mobileye的聯合創始人及CTO Amnon Shashua發表了其基于自動駕駛主題的演講。Mobileye占據了ADAS市場90%的市場份額，連Tesla也搭載了其開發的系統。Amnon Shashua作為著名的希伯來大學的計算機科學教授，在無人駕駛和人工智能領域也是積累了豐富的經驗。雷鋒網聽譯了Amnon Shashua在CVPR上進行的公開演講，選取了其中的重點部分發布出來同大家分享。讓我們一起看看這位ADAS領域的領袖級人物對自動駕駛、深度學習、汽車市場等都有怎樣的理解。

演講中的Amnon Shashua

Amnon Shashua：

大家好，我想起了不久前我們公司只有500人的時候，參加了CVPR會議，我們那時已經把取得的成就視為了一個巨大的成功。而現在我們已經有3600人了，真是讓我感慨萬分。我今天要講的是從Mobileye出發，談談現在的自動駕駛，這也是你們在PPT的左下角看到Mobileye的logo的原因。今天的演講不是那種告訴大家怎么做到這件事的演講，我更傾向于跟大家聊聊，要完成這樣一件事我們該做什么。我總是跟我的學生說，世界上的研究其實有80%是在尋找到底該做什么的過程，一旦找到了，剩下的那20%你不做也總有人會去做完的。知道該向什么方向努力才是最重要的事。

我會跟大家講講自動駕駛、機器學習等等這些東西和他們已經造成或即將造成的沖擊和震撼。

為什么要發展自動駕駛？

我們為什么覺得自動駕駛是必要的呢？在這里我會講兩個方面的原因。其中一個是很明顯的，如果你是一個新入行的，想知道為什么要發展自動駕駛汽車的從業人員，那你去谷歌就能搜到這些信息。比如：我們的汽車有96%的時間是閑置的，只有4%的時間在使用，利用率非常低。

并且車上各式各樣的傳感器可以讓乘客獲得更多定制化服務。

不過我也可以在這里跟大家說一些不那么明顯的原因?，F在科技界普遍有一個共識：未來將由人工智能和機器人驅動，只是最后的社會和商業結構尚不清楚。

很多公司做出了很不錯的聊天機器人，但是實際上我們還不知道它們能用來做什么，這些東西真的值得投入那么多錢去研發嗎？又比如看看波士頓動力，他們做出了很多很厲害的機器人，我是說，真的很厲害，但實際上我們確實還不清楚它們能用來做什么。我們確實還不知道AI和機器人在我們未來的社會結構中會扮演一個什么樣的角色。

但是看看汽車，汽車絕對是一個非常適合用來發展AI的平臺。因為它需要有各種各樣的傳感器和計算平臺、要讓它能夠自動駕駛，它需要在駕駛方面有接近人類的認知能力。所以我們需要幫助車輛駕駛的傳感器，也需要能理解乘客在做什么，想做什么的傳感器。這些都需要AI的幫助。而通過獲取這些信息我們也能開發出新的服務乘客的方式。所以汽車很適合用來發展成熟的AI技術和相關的商業模式，一旦我們在這個領域將AI發展成熟了，我們就可以把它應用到其他領域去。

支撐自動駕駛的三個支柱

我認為自動駕駛系統的完善需要三個方面技術的支持。它們分別是：

傳感技術（Sensing）：傳感器得到環境數據，將其傳達到計算設備，再由其中的環境模型決定車輛行為，這是目前定義最明晰和成熟的一個領域。

地圖繪制（Mapping）：自動駕駛汽車需要建立非常精確的地圖，方便應對路況。這個領域的定義就沒有傳感技術那么明晰了。

駕駛策略/路線規劃（Driving policy）：機器不是路上唯一的個體。就像人類需要去駕校一樣，機器也需要學習如何遵守交通規則、何時該走，何時該停，等等，均需要訓練和規定。而我們需要將這些翻譯成技術信息，讓機器能夠理解。

這三項需求必須要同時發展，作為一個整體來考慮，因為如果不這樣，就會陷入過度需求（unreasonable demands）的誤區。

早年我們曾有一款產品，可以幫車輛測量跟各種障礙物的距離，以避免與其相撞。但是當時行業并不相信他們能做到這一點，又一次我自己去和客戶溝通，客戶表示我們不可能做到，但實際上我們真的是可以的。我跟他們說，這個產品并不需要精確到這種程度。因為我們自己開車的時候也不可能對物體的距離有多精確的測量。比如說，你開車的時候能精確的看出前面那個東西離你有99.8米嗎？不可能，也不需要，我們只要能大概估計出它的距離就可以了。這就是過度需求。只有將這三項放在一起綜合考慮，才能避免它的發生。

傳感技術

傳感器是關于自動駕駛定義最精確的技術

關于傳感器的選擇和使用有兩點比較常見的疑問。第一點是，為什么一定要用相機？（而不是雷達、紅外傳感器這樣的東西來作為主要測量依據）

第一是因為分辨率，相機的分辨率遠遠高于其他類型的傳感器。那為什么分辨率這么重要呢？因為你需要細節，細節越多越好。可能你能通過某些手段減少對細節的需求。但是那解決的就是另外一個問題了。

第二，相機是唯一一個除了物體的“形狀”，還能告訴你物體的“外觀”的技術。很多信息是只能通過對外觀的掃描來讀取的，比如路標、紅綠燈等。

一個“環境模型”需要的東西

我們要建立一個完美的環境模型，首先需要多個傳感器，精確的判斷周圍的所有物體，錯誤率需要降至0%——不過其實這些是ADAS（高級輔助駕駛系統）繼續發展就會自然完成的進步，不是什么飛躍性進展。

我們需要對行進路線上可用的駕駛空間做出精確的判斷，算法要知道自己能開去哪里，不能開去哪里?！@是一項小的飛躍，但仍與自動駕駛沒有太大關系，只要輔助駕駛系統繼續發展，要不了幾年就能擁有這樣的技術。

最難的一點是偵測出所有駕駛路線。需要綜合路上所有的信息，計算出自己應該如何駕駛到自己想去的地方，這是最大的挑戰，也是最大的飛躍

物體偵測

為什么需要多個面向不同方向的相機？

因為在城市中的環境遠比高速路上復雜，如下圖所示，必須要有足夠多的傳感器才能收集到能確保順利和安全行車的信息。

我們可以看到，自動駕駛系統在所有車輛邊上都加上了立體邊框。為其與車輛的關系標上了不同的顏色

無人駕駛、深度學習、人工智能與社會……Mobileye的CTO在CVPR上的演講還說了些啥？

位置關系的標記是有必要的，比如如果一輛車停在了你的右邊（假設你的國家交通規則是靠右行駛），你需要知道車門隨時可能打開，而司機會走出來，所以需要和它保持一定距離。

只是在車上加上邊框是不夠的，因為城市的環境太復雜了。這個邊框必須是3D的，才能給你提供足夠的參考數據。所以下次大家如果看見了一個關于怎么在車上加邊框的論文，就可以直接跳過去看下一篇了，因為這東西實在是沒有什么意義。（笑）

可用空間判斷

在說這點之前我想提一下深度學習。

深度學習現在的研究有點繞遠路了

深度學習真正的突破會體現在什么地方？我想應該是在特征提取上。

我們不應該再手動去提取特征，不要再考慮什么LDP啊，貪婪算法啊，這樣亂七八糟的我們現在需要考慮的問題。算法應該要自動去學會這些才對。

這不是什么很震撼的消息，因為這是常理：我們如果在工作中被指派來解決一些問題，只要我們有足夠的時間，我們肯定能發現一種解決它的方法。發現問題的特征，尋找到它的解決方法?，F在的深度學習算法可能運算速度比人更快，比人更精確，但它不是什么革命性的東西，不算是什么突破。它現在只能解決那些我們已經深入了解的東西，而真正有用的算法，應該要能解決那些我們現在解決不了的問題。

不過深度神經網絡取得的進步仍然很值得高興，我們也在我們的行車算法中應用了深度學習，它的表現很好，能幫助我們區分環境特征，這是非常重要的。

這是一個示例，上圖中的綠色區域就是算法標記出來的可活動的空間。

2025-04-15

2025-04-15

2019-08-16