Будущее компьютерного зрения и беспилотного вождения: технологии Mobileye
Профессор Амнон Шашуа, сооснователь и технический директор компании Mobileye, представляет видение развития систем помощи водителю (ADAS) и перехода к полностью автономному управлению. Основной акцент сделан на использовании камер как ключевого сенсора, применении глубокого обучения для моделирования среды и разработке специализированных микропроцессоров EyeQ, способных конкурировать с решениями суперкомпьютерного класса при значительно меньшем энергопотреблении.
🚗 Эволюция и революция в системах безопасности 1:11
Амнон Шашуа выделяет два основных направления в индустрии вождения: эволюционное и революционное . Эволюционный путь связан с активной безопасностью и системами предотвращения столкновений, такими как автономное экстренное торможение (AEB) . Благодаря регуляторным мерам и рейтингам безопасности, к 2018–2019 годам практически каждый новый автомобиль будет оснащен подобными датчиками, где камера играет критическую роль .
Революционный путь — это переход к полностью автоматизированному вождению, который трансформирует сам процесс передвижения . Текущие возможности систем Mobileye уже позволяют детально интерпретировать визуальное поле:
- Детектирование транспортных средств, пешеходов и велосипедистов .
- Распознавание дорожных знаков и сигналов светофора .
- Отслеживание разметки полос движения .
Эти данные обрабатываются с частотой 36 кадров в секунду на чипах EyeQ3 . С 2007 года Mobileye последовательно выводила на рынок инновации: от первого распознавания знаков в BMW 7 серии до систем обнаружения пешеходов в Volvo . В текущем периоде (на момент выступления) компания запускает системы полного экстренного торможения на базе одной камеры совместно с Audi и систему обнаружения крупных животных (лосей, оленей) с Volvo .
👁️ Камера как доминирующий сенсор 6:20
По мнению Шашуа, происходит «вытеснение камерами» (camera disruption) традиционных радаров. Если раньше такие функции, как адаптивный круиз-контроль (ACC) или предупреждение о столкновении, были прерогативой радаров, то теперь они успешно реализуются с помощью монокулярных камер .
Профессор приводит три ключевых аргумента в пользу камер:
- Информативность: Камера — это самый богатый источник необработанных данных, способный отразить истинную сложность сцены .
- Стоимость: Сам сенсор (imager) стоит всего несколько долларов, что недостижимо для других типов датчиков .
- Технологический прогресс: Постоянно растет динамический диапазон и разрешение матриц .
Особое внимание Шашуа уделяет проблеме «ложных срабатываний» (false positive). В то время как «ложные пропуски» (false negative) вредят рейтингу безопасности, ложное торможение на пустой трассе — это катастрофа, ведущая к отзыву автомобилей . Для борьбы с этим Mobileye использует базу данных из более чем 10 миллионов миль записанных поездок, собранных в ходе сотрудничества с 21 автопроизводителем .
🧠 Глубокое обучение и моделирование среды 13:52
Для перехода к автоматизированному вождению недостаточно просто улучшать текущие функции. Шашуа утверждает, что требуются технологические скачки в понимании визуальной информации . Существует две крайности: подход Google (запись огромных массивов 3D-данных перед поездкой) и подход Mobileye — «чувствуй и понимай» (sense and understand) .
Mobileye придерживается идеи минимального использования карт (всего 1 МБ данных на 1 час поездки) и максимальной интерпретации сцены в реальном времени . Это необходимо, так как во многих регионах (например, в Детройте или Израиле) дорожная разметка может быть плохой или отсутствовать вовсе .
Ключевые задачи «завтрашнего дня» по версии Шашуа:
- Планирование пути (Path Planning): Определение траектории на основе холистических признаков (барьеры, края дорог, движение других авто), а не только разметки .
- Экологическое моделирование (Environmental Modeling): Маркировка каждого пикселя изображения. Система должна понимать, является ли пиксель частью дороги, бордюра, ограждения или транспортного средства .
Для решения этих задач компания последние два года интегрирует технологии глубокого обучения (Deep Learning) в архитектуру EyeQ . В отличие от академических моделей (таких как AlexNet), требующих огромных вычислительных мощностей, Mobileye адаптировала сети так, чтобы они занимали всего 5% ресурсов чипа EyeQ3 и 0,3% будущего EyeQ4 .
💻 Аппаратная битва: EyeQ против NVIDIA 28:49
Шашуа вступил в заочную полемику с компанией NVIDIA. Он упомянул демонстрацию платы zFAS от Audi, где использовался чип Tegra X1 . По словам профессора, публика не знала, что на той же плате находится чип EyeQ3, который и выполнял все задачи по компьютерному зрению, показанные в презентации .
Анализируя производительность, Шашуа приводит следующие сравнения:
- NVIDIA Tegra X1 позиционируется как суперкомпьютер с производительностью 1 терафлопс, в то время как EyeQ3 «на бумаге» имеет в четыре раза меньше .
- Эффективность (Utilization): Утилизация специализированного EyeQ3 при работе с нейросетями составляет 80% (0.8), тогда как у универсального графического процессора Tegra — всего 28% (0.28) .
- Энергопотребление: EyeQ3 потребляет 2,5 Вт, что критично для автомобилей, в то время как Tegra X1 требует 10 Вт .
- Размер кристалла: При производстве по одинаковому техпроцессу чип Mobileye был бы в 6 раз меньше по площади, что напрямую влияет на стоимость .
Следующее поколение, EyeQ4 (образцы ожидаются в октябре текущего года), будет обладать производительностью 2,5 терафлопса. С учетом высокой эффективности использования ресурсов, Шашуа считает, что этот чип превзойдет конкурентов в задачах компьютерного зрения более чем в 10 раз .
🛣️ Будущее: Дорожная карта автоматизации 36:31
Профессор предлагает концепцию «трифокальной» системы камер для беспилотников:
- Широкоугольная (150°): Для обнаружения пешеходов и велосипедистов в городе, а также светофоров .
- Основная: Стандартное поле зрения для текущих задач ADAS.
- Узкоугольная: Для обнаружения мелких объектов (мусора, обломков, ям размером 10 см) на расстоянии 80 метров и более, что необходимо для безопасного движения на высокой скорости без участия рук .
Прогноз развития индустрии от Mobileye:
- 2015–2016: Автопилот для движения по шоссе (Highway Autopilot) .
- 2017–2018: Автоматизация движения в городском трафике .
- Дальнейшая перспектива: Полностью автономное вождение (Driver out of the loop) при появлении развитой V2V-коммуникации (связь между автомобилями) и детальных карт .
Шашуа заключает, что камеры станут доминирующим сенсором, а радары и лидары (Lidar) будут использоваться для избыточности и повышения надежности в тех случаях, когда это позволяет стоимость системы .
