# Mobileye против «научных проектов»: как вывести автономное вождение на массовый рынок

Источник: https://www.youtube.com/watch?v=yOJXA3Cs6hY
Канал: Mobileye
Опубликовано: 15.05.2018

---

Это подробная аналитическая статья, основанная на выступлении профессора Амнона Шашуа (Amnon Shashua), генерального директора и технического директора компании Mobileye, на саммите Intel Capital Global Summit в Калифорнии.

## 🚀 Путь от «научного проекта» к массовому производству
[[JUMP:02:03]]

Современная индустрия беспилотных автомобилей находится на стадии, которую профессор Амнон Шашуа называет «научным проектом» [02:30]. Несмотря на наличие сотен прототипов на дорогах, технология всё еще не масштабирована для массового производства миллионов машин. По мнению Шашуа, главная проблема заключается не в отсутствии технологий как таковых, а в отсутствии экономической эффективности и четких моделей безопасности [04:03].

Чтобы вывести автономное вождение на новый уровень, необходимо решить два фундаментальных вопроса:

*   **Безопасность:** Как гарантировать отсутствие аварий и как подтвердить эту безопасность математически, а не просто статистически [05:52]?
*   **Экономическая масштабируемость:** Как снизить стоимость датчиков, вычислительных мощностей и создания карт высокого разрешения (HD-карт) до уровня, приемлемого для массового рынка [08:30]?

## 🧠 Проблема «излишней осторожности» и израильский тест
[[JUMP:03:09]]

Шашуа подчеркивает, что современные беспилотники слишком «робкие» и оборонительные. На примере реального движения в Иерусалиме он демонстрирует, что в плотном потоке водителю необходимо проявлять напор (ассертивность), чтобы перестроиться или выехать со второстепенной дороги [03:36]. Если автономный автомобиль будет ждать идеального момента, когда его пропустят, он просто заблокирует трафик и станет бесполезным [04:59].

По словам профессора, излишняя осторожность — это следствие отсутствия формальной модели безопасности. Когда разработчики не знают точно, где проходит грань между безопасным и опасным маневром, они программируют машину на максимально пассивное поведение. Mobileye же стремится создать систему, которая может «проталкиваться» в поток так же естественно, как человек, но с математической гарантией безопасности [09:35].

## 🛡️ Математическая модель безопасности (RSS)
[[JUMP:14:38]]

Одной из центральных идей выступления является модель **Responsibility-Sensitive Safety (RSS)**. Шашуа утверждает, что полагаться исключительно на сбор данных (проезд миллионов миль) для доказательства безопасности невозможно [11:21].

Его аргументы:

1.  Вероятность аварии со смертельным исходом у человека составляет примерно $1$ на $1$ млн часов вождения ($10^{-6}$) [10:28].
2.  Общество примет роботов, только если они будут в $1000$ раз надежнее людей ($10^{-9}$) [11:07].
3.  Для статистического подтверждения такой надежности нужно наездить $30$ миллиардов миль [11:51]. Каждый раз при обновлении софта этот цикл пришлось бы повторять, что нереально.

Вместо статистики Mobileye предлагает формальную модель, которая четко определяет [15:44]:

*   Что такое опасная ситуация.
*   Какова надлежащая реакция для выхода из неё.
*   Кто является виновником аварии в спорных ситуациях.

RSS позволяет автомобилю быть ассертивным, так как система точно знает границы дозволенного и может быстро анализировать «худший сценарий» действий окружающих водителей [16:36].

## 👁️ Истинная избыточность: Камеры против Радаров
[[JUMP:12:30]]

Шашуа критикует подход «сенсорного слияния» (fusion), когда данные со всех датчиков перемешиваются на раннем этапе. Вместо этого Mobileye продвигает концепцию «истинной избыточности» (true redundancy) [12:40].

Система строится как два независимых канала:

1.  **Полная система на базе только камер.** Она должна уметь распознавать объекты, определять их 3D-координаты и строить траекторию движения самостоятельно [13:45].
2.  **Независимая система на базе радаров и лидаров.**

Если вероятность ошибки системы камер — $P$, а системы радаров — тоже $P$, то их независимая работа дает вероятность ошибки $P \times P$. Это позволяет сократить объем необходимых тестовых миль с миллиардов до миллионов, делая валидацию системы возможной [12:53]. Шашуа продемонстрировал видео работы тестового автомобиля Mobileye, использующего **только 8–12 камер** (без лидаров), который успешно справлялся со сложными слияниями потоков и объездом дорожной техники в Израиле [31:05].

## 🗺️ REM: Картография через краудсорсинг
[[JUMP:17:31]]

Традиционное создание HD-карт требует использования специальных автомобилей со сложным оборудованием и ручной разметки, что крайне дорого и медленно [18:10]. Mobileye предложила технологию **Road Experience Management (REM)**.

Суть технологии:

*   Использование существующих серийных автомобилей, оснащенных чипами Mobileye (в 2017 году компания отгрузила около $26$ млн чипов) [20:51].
*   Автомобили собирают данные о разметке и ориентирах в фоновом режиме.
*   Передается всего около $10$ Кб данных на километр пути, что обходится всего в $1$ доллар в год на одну машину [22:12].
*   В облаке эти данные автоматически «сшиваются» в актуальную карту высокого разрешения [22:38].

В 2018 году проект запускается с участием Volkswagen, BMW и Nissan, что обеспечит приток данных от миллионов машин уже в ближайшие годы [23:57]. Профессор отметил, что с помощью этой технологии уже ведется картографирование всей Японии для запуска беспилотников Nissan в 2019 году [24:26].

## 💻 Экономия вычислительных мощностей
[[JUMP:21:03]]

Mobileye идет вразрез с отраслевым трендом «бесконечных вычислений» на этапе разработки. Большинство компаний используют массивные серверы в багажниках прототипов, планируя оптимизировать их позже. Mobileye сразу разрабатывает алгоритмы под свои чипы серии **EyeQ** [29:31].

Для принятия решений используется дискриминативный подход вместо генеративного. Шашуа цитирует Владимира Вапника, отца машинного обучения: «Не пытайся решить более сложную задачу как промежуточный этап» [25:55]. Предсказать поведение каждого человека на дороге (генеративный подход) невозможно и избыточно; достаточно решить, как действовать самому на основе текущего состояния (семантическое пространство действий) [26:14].

Результат: алгоритмы планирования пути Mobileye занимают всего около **1%** вычислительной мощности, необходимой для распознавания образов, что делает систему коммерчески жизнеспособной даже на недорогом железе [28:27].