自动驾驶的三个部分

首先，Shashua 博士将自动驾驶分为了三个主要组成部分：Sensing, Mapping, Driving Policy。

1. Sensing：指车辆所搭载的一切感知设备，包括摄像头，激光雷达，毫米波雷达等等。所有这些传感器所收集到的信息，都将被传输到高性能电脑当中并加以分析，从而帮助车辆了解其所处的周边环境。

2. Mapping：指高精度地图，其意义在于帮助车辆在整个路径规划中精确定位。由于自动驾驶所要求的定位精度极高（10cm），GPS 系统已完全无法满足，且完全自动驾驶需要高精度地图覆盖尽可能多的地域并可以做到实时更新。所以，地图数据的收集与扩展就变得尤为重要。

3. Driving Policy：指驾驶逻辑或策略，此概念来源于机器人学，具体是指计算机在获得了周边环境的感知信息之后，如何对其做出应对。在驾驶环境中就是如何能够让计算机像人一样在面对不同路况时能够做出相应的判断。目前大热的人工智能与深度学习也是为了要更好地解决这个问题。

详解 Mobileye 自动驾驶路线：合作、结盟是必经之路

在这三个部分当中，Mobileye 目前都已经有所涉及。传感器方面，Mobileye 的 EyeQ 系统已经是摄像头领域的视觉处理标杆。截止目前，EyeQ 芯片的出货量已经达到了 1,500 万。

在地图方面，去年 CES 上，Mobileye 发布了其基于摄像头的地图定位技术 REM（Road Experience Management）——通过摄像头捕捉路面上的标识以辅助定位。由于目前大部分车辆都已经配备了前置摄像头，因此 REM 可以利用这些现有的摄像头辅助定位。

更方便的是，REM 还可以通过这些车辆前置摄像头来获取更多全新的地图信息，并通过上传云端持续对地图数据库做出更新。

由于摄像头所捕捉到的地图数据为 2D，数据尺寸较 3D 高精度地图要小了很多（一般只有 10Kb/km），因此更利于向云端的传输。这就使得高精度地图的收集与普及变得更加便宜高效。在今年德尔福的自动驾驶演示车上，REM 技术也得到了应用，具体请查看我们之前的体验文章。

到 2018 年前，REM 技术将开始陆续通过整合到现有的 EyeQ 芯片当中，届时将会有两百万上路车辆搭载 REM 技术，共同捕捉新的地图数据。

不过在这里，需要特别引入一个「冗余」（Redundancy）的概念：目前对于主机厂和 Tier 1 来说，任何自动驾驶的感知与定位功能都不能够由单一传感器或者技术来完成，因为任何传感器都会有自己的局限性。

当某一个传感器因为天气或者光线等特殊原因无法良好工作时，需要有其他的传感器或者备选方案来保证车辆行驶的安全。

因此尽管 REM 的技术有着成本低，普及容易，数据尺寸小等优点，在主机厂的实际产品中，它也不可能完全独揽定位的任务。出于「冗余」的考虑，激光雷达和 3D 高精度地图还是会被引入到解决方案当中，与 REM 共同配合完成定位。在之前我与 Shashua 博士的交谈当中，他自己也提到了这一点。

可以看出，合作才是推动地图与定位技术发展的关键。于是，Mobileye 也开始和其他图商走到了一起：

Here：将 REM 算法整合到 Here 的 HD Live Map 系统当中，帮助 Here 完善并丰富其高精度地图数据。

Zenrin：共同组建覆盖全日本高速公路的高精度地图数据，在 2018 年之前与亚洲 OEM 合作完成 L3 级自动驾驶的研发。

Mobileye 在地图领域内的最终目标，是联合各大车厂、图商一起构建一个覆盖全球的高精度地图体系。与和单一整车厂的一般合作不同，这个体系需要多个整车厂、供应商、图商组成共同的联盟才能够达成。

目前，Mobileye 正在和各方沟通组建世界地图的具体细节（包括技术，商业，数据归属等等层面）。

Shashua 认为，这个体系一旦达成，将会成为自动驾驶行业发展的转折点，因为这样的联盟能够避免竞争，最大化发挥资源及数据整合的优势。