从辅助驾驶到自动驾驶：Mobileye 的今天和明天
在自动驾驶探索中，Mobileye 无疑是业界先驱之一。
从 2004 年 Mobileye 就开始投入其中，在视觉，地图和芯片等领域优势巨大。
与此同时，Mobileye 有着资本市场最喜欢的故事：Mobileye 的 ADAS 系统有主流车企的背书。
2021 年 Mobileye 的芯片拿到了 30 家车企的订单，订单总量达 5000 万片，将搭载在 188 个新车型上。营收上，2021 年获得超 14 亿美元收入。
截止 2021 年年底，Mobileye 的 EyeQ 芯片累计销量已经突破 1 亿片。未来，EyeQ 芯片将继续进化，支持半自动和全自动驾驶功能。
2024 年，如果 Mobileye 的自动驾驶业务能全面爆发，Mobileye 的「钱景」将不可限量。即使按照现在 40% 的成长率，其未来几年的营收增长将非常迅猛：
2022 - 18 亿美元
2023 - 25 亿美元
2024 - 36 亿美元
2025 - 50 亿美元
2026 - 70 亿美元
去年 12 月，英特尔宣布计划在 2022 年年中推动自动驾驶汽车子公司 Mobileye 在美国上市，估值或超过 500 亿美元。
外界更好奇的是，IPO 之后，Mobileye 能讲好自己的故事，成为一家高增长的自动驾驶公司吗？以及这家辅助驾驶的巨头是否能支撑起 500 亿美元估值？
或许我们可以从 Mobileye CEO Amnon Shashua 的分享中找到问题的答案。
作为 Mobileye 的灵魂人物和技术布道者，Shashua 教授每年在 CES 上的演讲，犹如一场自动驾驶的思想盛宴。他不仅会回顾 Mobileye 过去一年的进展、展望未来，还会对自动驾驶行业走势和判断进行深入的思考。
本文由汽车之心根据 Amnon Shashua 在 CES 的演讲整理而成（略有删减）。在本次主题演讲中，你将了解到：
Mobileye 2021 年的成绩单
Mobileye 2025 年战略是什么？
Mobileye 关注的三大细分市场
如何判断一套自动驾驶解决方案的优劣？
在 L4 自动驾驶当中，Mobileye 的部署是什么？
01
Mobileye 2021 年成绩单：
芯片总销量突破 1 亿
2021 年是 Mobileye 创纪录的一年，Mobileye 用 41 款新产品赢得了 30 多家车企的青睐。
相比 2020 年的 3700 万台装车量，Mobileye 产品在 2021 年装车辆达到了创纪录的 5000 万台。
与 2020 年相比，Mobileye 的营收大涨 40%。2021 年全年，Mobileye 营收达到 14 亿美元，市场上有 188 款车型搭载了 Mobileye 产品。
至于 Mobileye 的主打产品 EyeQ 芯片，销量也是逐年攀高，2020 年这一数字是 1930 万片，2021 年则攀升至 2810 万片。
回顾 EyeQ 芯片历史，自 2007 年问世以来，其总销量已经突破 1 亿片。这也意味着，Mobileye 的技术已经搭载在全球 1 亿台汽车上。
2021 年，Mobileye 也创造了不少业界第一。
比如，Mobileye 打造了一套视觉系统，并联合本田在日本率先推出了 Level 3 车型；Mobileye 的 120 度视场 800 万像素摄像头也用在了宝马车型上；另外，Mobileye 还与大众联合推出了云端增强版的驾驶辅助系统，用到了 Mobileye 的 REM 技术。
当然，如今市场上的主流还是 Level 2，这里就要提到 Mobileye 主打的 SuperVision 系统。辅以定制版的 ECU，两颗 EyeQ 芯片就可配合全车 11 颗摄像头视线驾驶辅助功能。现在，还有数千辆搭载这一系统的车型在中国上路。
2022 年，Mobileye 计划通过 OTA 将 ADAS 功能升级到 NOP 领航辅助功能。
在其他数据上，Mobileye 也亮点颇多。
一是，Mobileye 搭建了 200PB 的超级数据库，一些传送给了预置软件，另一些则直接存在了亚马逊 AWS 云端。作为对比，母公司英特尔现有数据库也不过 238PB。
除此之外，Mobileye 还存储了 1600 万个驾驶片段，相当于在路上驾驶了 25 年。在算力上，Mobileye 有 50 万个峰值 CPU 核心。
每个月，Mobileye 的运算机器会执行 5000 万次计算任务，这就意味着 Mobileye 每个月会处理 100PB 的数据。换算下来，这背后则是 50 万小时的驾驶时间。
02
Mobileye 战略解读
2017 年，Mobileye 制定了三大基础战略。
一是 REM 地图。这是一套基于驾驶辅助系统的众包技术。只要是搭载了 EyeQ 系列芯片的车辆，就能将有用的数据传到云端。在云端，则由 Mobileye 专门研发的算法将这些数据整合，从而搭建出能支撑驾驶辅助与自动驾驶的高精地图。
二是 True Redundancy（真正冗余）。在打造一台自动驾驶汽车时，会用到不同类型的传感器，比如摄像头、毫米波雷达和激光雷达。不过，在 Mobileye 的摄像头和激光雷达最终会被整合进两个不同的子系统。为了打造端对端的驾驶体验，Mobileye 对两个系统同时进行精心打磨和整合，以换取双重冗余。
三是 Mobileye 安全模型 RSS（责任敏感安全模型）。RSS 解答了不少棘手问题，比如「到底如何定义什么是安全驾驶？」，「鲁莽驾驶和谨慎驾驶的界限在哪？」，「自动驾驶汽车如何在保证安全的情况下汇入车流？」。
上述就是 Mobileye 的三大基础战略，驱动着 Mobileye 两大部门不断前进。
首先，是高级辅助驾驶部门，也就是 L2+。这套系统搭载多颗摄像头，拥有完整的运行设计域。
不过，其成本相对低廉，因为系统只需要摄像头和 REM 即可。当然，基于 RSS 的驾驶策略也融入其中，这就让 Mobileye 在路径规划时实现了精益计算。
其次，是 L3/L4 自动驾驶部门，覆盖了有条件的自动驾驶和全自动驾驶领域。REM 能保证其适用范围，而 RSS 则为车辆安全保驾护航。在这一阶段，毫米波雷达和激光雷达也登场了。
2017 年定下目标后，Mobileye 现在走到哪一步了？
在 REM 地图上，Mobileye 已经组建了全球最大的地图测绘众包车队。眼下，Mobileye 每天能累积 2500 万公里的行驶里程。
整个 2021 年，Mobileye 采集了 40 亿公里的数据。2022 年，如果每天累计 2500 万公里，Mobileye 最终能实现 90 亿公里的数据积累。
现在的 Mobileye，不但有了全功能的 L2+ 系统，还在许多城市部署了自动驾驶测试车，比如纽约、底特律、东京、巴黎、慕尼黑及以色列。
在真正冗余上（True Redundancy）上，Mobileye 实现了摄像头子系统的产品化，其结晶就是 SuperVision。
当前，这款产品已经在极氪汽车上搭载，2022 年 Mobileye 将通过一系列 OTA 升级充实其功能。
其次，Mobileye 完成了毫米波雷达/激光雷达子系统的搭建，这就意味着 Mobileye 已经能抛开摄像头提供端到端的驾驶体验。
除此之外，2021 年 9 月，Mobileye 在法兰克福车展推出了 Robotaxi 服务，统一了摄像头与毫米波雷达/激光雷达两大子系统。2022 年年中，Mobileye 的 Robotaxi 就会正式上路。
03
从 ADAS 到自动驾驶：
Mobileye 的今天和明天
在云端增强版的 L2+ 上，REM 地图是一项强力的补充，而首个受益的车企是大众 Travel Assist 2.5 平台，率先搭载在 ID.4 上。
有了 REM 地图数据加持，车辆甚至能在没有道路标线的地方实现车道保持和居中功能。
Mobileye 与福特的合作也结出了硕果，双方共同推出了新一代 BlueCruise，REM 地图将为其提供强大支持。当然，在中国，Mobileye 与极氪合作，后者搭载的 SuperVision 系统也有 REM 地图的辅助。
L3 上，Mobileye 在日本选择与本田和法雷奥合作，Mobileye 承担了计算视觉的工作。
此外，宝马也是客户之一，搭载 L3 系统的 7 系今年将正式问世。未来，Mobileye 还将进一步提升 L 3 系统的运行设计域。
在 L4 方面，Mobileye 去年 9 月就推出了 Robotaxi，其集成了 Mobileye 的摄像头与毫米波雷达/激光雷达双子系统，预计 2022 年年中正式上路，并在年底拿到德国与以色列监管部门的批准，彻底取消安全员。
除此之外，Mobileye 还拿到了 Sixt，RATP，Transdev，Udelv，Willer 等公司的 Robotaxi，自动驾驶汽车，自动驾驶小巴和无人配送车订单。
就在前不久，Mobileye 还拿到了第一个消费级 L4 订单，客户是吉利集团的极氪品牌。
这里所谓的消费级指的是能在市场上买到的自动驾驶汽车，而不是打车服务。这款消费级 L4 平台搭载 6 颗 EyeQ5 芯片，2024 年年初就会进行 SOP。
那么，Mobileye 所做的这些努力会将我们带向何方？
——答案是三大新的细分市场：
第一是辅助驾驶领域的新兴细分市场，也就是更为高级的 ADAS，我们称其为 L2+。
之所以这样定义是因为 Mobileye 已经实现了全向传感。拿极氪 001 来说，其搭载 11 颗摄像头，其中 7 颗 800 万像素长焦摄像头，另外 4 颗则用在泊车上，加上 REM 地图和不断更新的 OTA 固件，车辆性能可不断提升。
除此之外，L2+ 平台还有完整的感应-规划-执行循环，运行设计域也是相当宽泛。当然，这套系统的本质还是 L2+，驾驶员不能开小差。
第二个则是带有地理围栏的 L4 Robotaxi。从成本来看，整套系统得数万美元，Mobileye 2021 年 9 月在法兰克福车展推出的 Robotaxi 就属于这一细分市场。
第三个新兴细分市场将在 2024 或 2025 年崭露头角，它就是消费级 Level 4 自动驾驶汽车。相比 Robotaxi，它有自己独一无二的优势，那就是突破地理围栏，想开到哪就开到哪。
在这里，Mobileye 的 REM 地图就相当关键。当然，其成本控制也更加优秀，预计市场售价也就 1 万美元左右，成本更是会低于 5000 美元。
目前，Mobileye 在三大细分市场都有涉猎。
至于自动驾驶未来的发展方向，Mobileye 认为有两个：
其一是 Robotaxi，既能载人，又能运物。除了 Mobileye，很多公司都在押注这一赛道，比如 Waymo，Argo，Cruise 和 Aurora 等。
另一个方向就是消费级自动驾驶汽车。只需要买一辆车，你就能获得 Level 4 自动驾驶能力，Mobileye 也看好这个方向。除此之外，特斯拉和苹果也是这一市场的重要玩家。
不过有一点需要注意，这两大市场并不是同等体量的。毕竟消费级自动驾驶汽车可以变身 Robotaxi，但 Robotaxi 可不是消费级自动驾驶汽车，而且其成本更高。
Mobileye 还认为，消费级自动驾驶汽车必须是特制的，你不能拿 Robotaxi 技术去硬生生的转化，毕竟其规模和成本都没什么优势。
这也是 Mobileye 正在做的，两条腿走路，但会优先考虑规模和成本。
当然，同时押注两大方向并不只是为了风险对冲，Robotaxi 和消费级自动驾驶系统之间还有强大的协同效应。
在部署 Robotaxi 的过程中，Mobileye 能积累大量关键经验，然后反哺给下一阶段的消费级自动驾驶汽车。
2022 或 2023 年将成为 Robotaxi 大年，而 2025 年将成为消费级自动驾驶汽车元年。
04
如何判断一套自动驾驶解决方案的好坏？
判断一套自动驾驶解决方案的好坏，有没有标准呢？
当然有！Mobileye 归结为三个方面：
第一是能力。我们得有一个广泛的自动驾驶运行设计域。也就是说，无论是高速，城市还是郊区路况都能胜任。当然，在驾驶策略上也得向人类习惯上靠拢。比如汇入交通时要果断，不能犹豫不决。
第二是鲁棒性。系统的平均故障间隔时间（MTBF）必须足够长，至少要大幅高于人类驾驶员，可以是 10 倍，100 倍甚至 1000 倍。
第三则是效能。效能也是成本。如果没有足够高的效能，恐怕很难做好成本控制，同样也无法走出地理围栏。
这就是决定自动驾驶解决方案好坏的三大标准，那么 Mobileye 准备如何达标呢？
在能力上，Mobileye 能支持完整的运行设计域，覆盖 L2 到 L 4。也就是说，Mobileye 认为不同等级的自动驾驶区别不在于运行设计域，而在于平均故障间隔时间。
如果系统表现低于人类驾驶员的平均水平，那么它就是 Level 2 系统。如果系统平均故障数据高于人类平均水平，那么它就算得上是 Level 4 系统。
再说说鲁棒性，Mobileye 遵循两大原则：一是 RSS 模型，另一个则是 True Redundancy 概念。靠着这两大支柱，Mobileye 能大幅提升系统鲁棒性并增加平均故障间隔时间。同时，对于系统的验证也会更容易。
至于效能，Mobileye 认为有四大关键元素。
（1）定制的 EyeQ SoC
Mobileye 的 EyeQ 芯片到现在已经发展到第五代了，其销量是百万级别。比如 Mobileye 与宝马合作项目，其核心就是 EyeQ5 芯片，另一家德国巨头奥迪也是 EyeQ5 的用户。
在今年的 CES 上，Mobileye 带来了三款全新的 EyeQ 家族 SoC：
EyeQ6 Light，它主要为 Level 2 ADAS 功能而生，功耗超低，只有 3W 而已，而且可以装在风挡后。
EyeQ6 High，其性能介于 EyeQ5 的 2-3 倍之间，是下一代 SuperVision 的御用 SoC。
EyeQ ULTRA 则是 Mobileye 自动驾驶探索路上的经验结晶，全新的架构能充分支撑繁重的工作负荷。
简单来说，Mobileye 这次是奔着设计出终极芯片去的，它就是 EyeQ ULTRA。虽然采用单片集成架构，但能实现全自动驾驶。此外，这款芯片还自带内部冗余，配合外置 MCU，能完全进化成 ASLD 系统。
过去，Mobileye 打造了 4 个不同的加速器，其中之一专注于深度学习计算。另一个则类似于 FPGA，我们称其为 CGRA。
第三个名为 Sim D，它与 DSP（数字信号处理器）类似。最后一个加速器则是多线程 CPU。
在工作时，不同类型的核心会负责不同的工作负荷，EyeQ ULTRA 共有 64 个这样的加速核心。
在制程上，EyeQ ULTRA 用上了最新的 5nm 技术，它拥有 12 个 RISC—V 核心，每个核心 24 线程。除此之外，Mobileye 还给它武装了 GPU ISP，专攻视觉任务。火力全开时，它算力可达 176 TOPS，能支持海量的 8-bit 的深度学习工作。与竞争对手相比，176 这个数字并不多，甚至可能只有其十分之一，原因是 EyeQ ULTRA 在乎的可不只是算力（TOPS）。
在 Mobileye 看来，效能来自于对软硬件相互作用真正的理解，比如在工作中到底要用到什么核心，用哪种算法来支持这些核心。
拿 SuperVision 举例，整套系统用到了两颗 EyeQ5 芯片，它不但能完成 11 颗 800 万像素摄像头采集数据的运算工作，还能制定完整的驾驶策略，并完成感知-规划-决策循环的闭环，而单颗 EyeQ5 的算力为 15 TOPS。
显然，Mobileye 对算力的要求并没有想象中那么高。这就意味着，只要能完成软硬件垂直整合，就能实现效能大提升和精益计算。176 TOPS 其实已经是 EyeQ5 算力的十倍了，这也是当下 Mobileye 能够拿出的最强武器。
如今，两颗 EyeQ5 就能驱动 Mobileye 的计算视觉子系统 SuperVision。
在 2024 年，极氪旗下还会有车型用上 6 颗 EyeQ5，实现有限运行设计域的 L4 自动驾驶。
Mobileye 的 Robotaxi 上，则一次性搭载了 8 颗 EyeQ5。从实践经验来看，Robotaxi 至少需要 10 颗 EyeQ5。
显然，EyeQ ULTRA 有能力支撑起完整的 L4 系统，而且其售价最终不会超过 1000 美元。在成本方面，这绝对能改变行业游戏规则。功耗上，EyeQ ULTRA 也很低，整套系统还不到 100 W。
在算力方面，EyeQ6 High 是现有 EyeQ5 芯片的 3 倍，即 34 TOPS，但能耗只增加了 25%。在加速核心上，EyeQ6 High 只有 14 个，而且制程也和 EyeQ5 一样变成了 7nm。
不过，它依然搭载了 GPU ISP，未来可适配下一代 SuperVision（两颗 EyeQ6 High）。
当然，单颗 EyeQ6 High 也能胜任其他类型的工作。如果一切顺利，EyeQ6 High 的工程样片今年年底就能问世，并在 2024 年实现量产。
EyeQ ULTRA 工程样片会在 2023 年年底问世，2025 年实现量产。
EyeQ6 Light，它采用 7nm 制程，拥有 5 TOPS 的算力。
眼下，Mobileye 用在 ADAS 市场的芯片是 EyeQ4 Mid，EyeQ6 Light 的算力是其 5 倍，而且功耗只有 3 W。
虽然还没量产，但 EyeQ6 Light 其实已经订出去了 900 万颗，而且其工程样片半年前就完成了，2023 年将实现量产。
（2）下一代雷达——「软件定义的图像雷达」
为什么 Mobileye 又把目光转向了毫米波雷达？
我想主要说一说这两大子系统，一个是基于摄像头的 SuperVision，由 ToF 激光雷达实现 360 度覆盖，再由毫米波雷达实现 360 度全覆盖子系统。
在工作时，两个子系统会执行独立的感知工作。站在 Mobileye 的角度，不但想要更强的鲁棒性，还想降低成本。
从经验来看，雷达的成本只有激光雷达的五分之一或十分之一。
问题在于，当下的毫米波雷达如果单拎出来使用，确实不太可行，在拥堵的交通中，毫米波雷达根本无法分辨行人和车辆。
好在现在的毫米波雷达也在快速进化。两年前，Mobileye 决定打造一款高精雷达，称其为「软件定义的雷达」，因为这款雷达可通过软件，甚至 OTA 进行升级，甚至对信号的接收/发送和处理进行配置。
此外，借助相应的深度学习算法，Mobileye 还能打造出能独立运行的传感器，让毫米波雷达获得 Mobileye 的功能。如果 Mobileye 实现既定指标，那么 2025 年自动驾驶汽车就只需要搭载一颗前置激光雷达，毫米波雷达和摄像头完全能肩负起周边环境的监测任务了。
软件定义的图像雷达会成为降成本的大杀器，作为能独立运行的传感器，它们还能再次提升系统的鲁棒性，因为前视角度有了三路冗余。
在 2021 年的演讲中，Shashua 已经讲过这款高精雷达的性能指标。
简单来说，Mobileye 的软件定义雷达有 2000 个虚拟信道，信号发射器与接收器各 48 个，其动态范围可达 100db，性能上绝对的强悍无两。眼下，Mobileye 已经完成了整套雷达系统芯片的试生产，雷达的装配试验也在进行中。
如图所示，上图左侧的雷达点阵：其中，绿色代表海拔，蓝色是逐渐远离自身的车辆，红色代表靠近自身的车辆或物体。左侧图像中，许多蓝色小点两侧的绿色点阵是雷达识别的马路牙子，当视频动起来后你就会发现，道路交通十分繁忙。
再举了一个例子，视频中车辆要从桥下经过。从雷达上，甚至能看到被护栏遮挡住的车辆，而且隧道内的车辆也清晰可见。
如果换做是现在的市面上的雷达，根本达不到这样的识别水准。下一段视频里，你会在左侧的雷达点阵中看到摩托车，即使是已经离开了视轴，雷达依然能探测到，整个轨迹清晰可见，要知道这可是繁忙的主干道。
探测能力这么强悍，输出的雷达数据质量怎么样呢？
为什么说这个问题？因为与激光雷达的图像输出不同，想要读取毫米波雷达数据很困难。为此，Mobileye 专门训练了两个神经网络，其中一个是由毫米波雷达输入，激光雷达输出。
Mobileye 专门整合了毫米波雷达和激光雷达，借助神经网络将毫米波雷达的输入转化为激光雷达的输出（做成相同的形式只是为了展示毫米波雷达的功能）。从最终的结果来看，激光雷达和毫米波雷达探测到的场景几乎相同。
再看几个例子，毫米波雷达在探测精度上已经可以比肩激光雷达，其采集到的数据质量相当之高。
Mobileye 还做了另一个试验，即「训练神经网络，把雷达的输出转化成摄像头图像」。这次，Mobileye 整合了毫米波雷达和摄像头，然后用神经网络对其进行训练，结果如视频所示，虽然有些许变形，但护栏和车辆清晰可见。
Mobileye 的目标很简单，用这款成本只有激光雷达五到十分之一的雷达为用户省钱，同时提升整个系统的安全冗余（2 路到 3 路）。
说到激光雷达，Mobileye 也有专门的部门负责开发——Mobileye 做的 FMCW LiDAR，可以实现 4D 点云，额外增加了速率的数据。
眼下，Mobileye 几乎已经完成了 LIPRO SoC 原型产品的开发，未来它将负责激光雷达数据的处理，支撑 90 个垂直信道的扫描。最重要的是，Mobileye 的 FMCW LiDAR 2024 年就能实现量产。
Mobileye 最强悍的 EyeQ ULTRA 自动驾驶芯片将于 2024 年上路，2025 年投入量产。其次是软件定义的雷达，它能独立成军，充当第三级冗余。
这些装备配齐，Mobileye 就有了一套不到 5000 美元的自动驾驶系统。
（3）基于 RSS 的精益驾驶策略——不但要定制 SoC，支持 Level 4 的算力也必须足够「精益」。
精益计算与系统效能高低紧密相关。
首先是感知，即车辆要理解自己周边的道路状况，而且是 360 度全景的。道路参与者的位置及他们的动态，固定的物体，障碍，交通信号灯，马路牙子和道路标线等。
接着是规划，车辆在行驶时需要自行做出决策，比如什么时候并线，如何并线，甚至是如何不那么突兀的并线。最后是执行，执行就是对车辆的控制。为了完成这个循环，需要投入超强的算力。
为什么算力投入巨大，Mobileye 又是如何通过精益计算来节省算力的？
什么是驾驶策略？所谓的驾驶策略其实就是通过引擎将感应状态（即车辆周边的所有事物）的映射转化为动作，实现对车辆行驶状态的控制。
听起来挺简单，但它却是个实实在在的大难题，为什么呢？
首先，与感知不同，驾驶策略没有路面实况支撑，而且任何动作都会产生长期影响。也就是说，现在的一个小动作，可能会在几秒或者几分钟后引发一场事故。因此，每做一个动作都得考虑后续的连锁反应。
况且这还是个闭环，你并非游戏的唯一参与者，必须处理路面上的不确定性，毕竟其他道路参与者也会有自己的动作。
眼下，许多公司都在开发相关技术，试图用新的方式来制定驾驶策略。
左边的图表（如上图），纵轴代表计算量，横轴代表搜索的质量。至于「蛮力」，就很容易定义了，为了推导出未来，我们就必须预测一切客体可能做出的动作，然后循环往复进行这个工作，就像一棵向四周野蛮生长的大树。
显然，靠蛮力太笨拙了，但如果拥有无限算力，最终也能推导出最佳解决方案。可惜的是，算力并不是无限的。
在机器人和自动驾驶行业，有一项技术应用很广泛，它就是 MCTS——蒙特卡洛树搜索算法，即跟着感觉搜索出几种「最可能」的方案，然后再去思考这几种方案对手「最可能」的应对措施，接下来再想自己该如何进行下一步。至于搜索的质量，最终还要看算力强悍与否。
最后则是 MDP——马尔可夫决策过程，它的搜索质量非常高，但你要需要进行强假设，在不考虑各种交互情况下预测其他道路参与者在未来几秒，几十秒甚至 100 秒之后的动作。如果你相信各类假设，那么 MDP 会相当高效。
下面，我们再一起看看右边的图表（如上图），到底什么是最现实的假设。
MDP——马尔可夫决策过程 是最不现实的，因为你已经假定自己能预测其他道路参与者的动作了，无需进行闭环假设。这也就意味着，你的轨迹是完全独立的。
至于 MCTS——蒙特卡洛树搜索算法，则假设知道驾驶策略，然后在其他道路参与者之间穿梭，可能无法符合现实情况。
用蛮力呢？则需要的假设最少。
显然，要想得到最佳解决方案，你还是得耗费大量算力。在 RSS 模型相关论文中，我们也讲到了驾驶策略但却很少强调：Mobileye 更喜欢讲 RSS 赋能的监管框架。
在 RSS 中，我们讲到了下列事物。
首先，我们需要定义什么是其他道路参与者行为的合理边界，因为人类驾驶时，也会做出各种假设。
于是，我们就需要捕捉这些假设，而且是用正式的数学形式，这样我们就能联合业内各参与者与监管实体，制定这些假设的参数。一旦你确定了假设，就能找出最差的情况，无需操心其他道路参与者会干什么了。
在 RSS 中，我们还拟定了一些基于归纳法的形式理论，即在只考虑最差情况的架构下，你能证明自己不会引发事故，这就给了我们一份正式的保证。
这也是 RSS 获得如此多机构和公司青睐的原因，它也是解决一些关键问题的起点。
当然，在这里我想强调的并非 RSS 的监管架构，而是它如何影响驾驶策略。
如果我们运用归纳法和分析计算，你就需要把问题呈现出来，RSS 就能结合所有合理的未来假设并予以呈现。显然，这才是更高效，更现实的方法，而且搜索质量最高，数据有可解释性。
那么，神经网络什么时候插手呢？
神经网络不会出现在安全层级，而应该出现在舒适层级。也就是说，神经网络不用预测其他道路参与者要干什么，而是去发现各种意图。这些意图可以是让路或者插队，也可以是车辆在泊车或者要掉头。掌握了这些意图，神经网络就能控制 RSS 的各项参数了。
总的来说，如果将基于 RSS 的驾驶策略放在这张图表中，我们就能在合理假设的基础上，获得 MDP 的高效，使驾驶策略真正精益起来。
（4）为 ADAS 和自动驾驶打造 REM 高精地图
关于效能，REM 地图也是不能忽视的一环。搭载大众 Travel Assit 2.5 系统的 ID.4 就在使用 Mobileye 的 REM 地图。
拿这几个场景片段来举例：
比如在乡间小路上，你根本看不到车道分割线，但借助 REM 地图，车辆就能激活车道保持功能。
除此之外，交通信号灯，标线和车道之间的相互关系也被囊括在 REM 地图中，它能支撑一些关键的安全功能，比如保证车辆不会闯红灯。
最重要的是，REM 地图的覆盖范围已经非常广，在欧洲就有 250 万公里。除此之外，REM 地图数据还处在不断更新中，光是 2021 年，Mobileye 就拿到了 40 亿公里的道路数据，而且这个数字还在以每天 2500 万公里的速度增长。
至于 REM 地图的丰富性，首先它在精确性上无可挑剔，地图上有行驶路线，道路边界，交通信号灯，人行道，可行驶车道和限速等等信息。
在 2021 年，Mobileye 加入了更多信息，比如建筑工地，在地图上被标为红色。其次就是转弯提示，这也是良好自动驾驶体验的重要环节。
除此之外，Mobileye 还在 REM 地图中加入了减速带的位置和不同路段的限速，想做到这两点并不容易。当然，城市中公共交通的线路也已经包含在地图中。
我们最后来总结一下：首先，我们的构建重新定义了 ADAS 的进化路线，推动了 Level 2+ 的落地。当然，REM 地图和精益计算也是其中非常关键的元素。对 ADAS 市场来说，它就是指引航向的北极星。
其次，我们理解了什么才是正确的工程设计，它需要真正的冗余来不断提升故障间隔时间（MTBF），以此为基础我们才能真正铺开 MaaS 服务。
最后是一些重磅产品，如 EyeQ ULTRA 和软件定义的图像雷达，这是未来全自动驾驶能否下探至消费级市场的重要支柱。