早期做自動駕駛的小夥伴幾乎每個人都自己動手寫過車道線識别程式，opencv寫寫，霍夫變換寫寫，模闆比對寫寫，再複雜一點弄個ransac，或者濾波投票。然而一遇到光線變化就挂了，遇到天氣變化也會挂，車速高了也挂，總之各種挂。體驗了各種挫敗感之後，大部分人都轉而投向雷射和差分的方案，丢下一句“現在視覺還尚未成熟”之類的話。
我之前也一直這麼認為，視覺太難做，直到我有一天看到了mobileye的結果，漂亮得一塌糊塗，比如上圖裡這種，從沒有車道線的地方都能推理出車道線（傳說中的hpp，holistic path planning），隻能說徹底給跪了。
幾周前創新港做過一期專門的微講座，請了mobileye中國區總經理蘇淑萍女士介紹工作，期間她分享了這樣一些數字，截至2015年底，全球超過1000萬裝機量，覆寫超過20家車企的273款車型。內建度極高的解決方案，快速的市場推進速度，無一不讓所有人覺得眼前一亮，而這些成功的背後，則是其多年積累的強大算法支撐。
兩位老夥計
1999年，早在google自動駕駛火起來的十年之前，以色列hebrew大學教授amnon shashua（現任cto）和連續創業成功者ziv aviram（現任ceo）就看到了視覺技術用于汽車安全的可能性，聯合創辦了mobileye，緻力于用單目視覺提供包括行人檢測、車道保持和自适應巡航等輔助駕駛技術。
2014年8月ipo，mobileye被稱為以色列有史以來最成功的ipo，首日漲幅接近50%。時至今日談起這家公司，相信大家都不陌生了，畢竟市值過百億的算法公司不多，而連續十幾年看準一件事情堅持做下來的實屬鳳毛麟角。
成功總是青睐有準備的人，從商業上來講，aviram豐富的經驗赢得了強有力的資金支援，一開始不考慮機構的錢，固執的認為機構都是急于變現的人，他的模式讓我想起網易的丁磊。是以，從開始直到2007年，mobileye的資金支援大部分來自朋友和天使投資人，這群人充分的信任給了mobileye充分的發展空間，使其早期基于視覺的方案在業界不看好的情況下頑強生存了下來，并證明了自己的價值所在（當年bmw，gm和volvo成為首批配裝mobileye的車企）。在此之後，aviram開始引進機構投資，此時的機構已經認識到了mobileye的潛力，支援力度很大，使得哪怕在2008-2010年經濟衰退期，mobileye的賬面上都餘糧很多，從技術上可以比較激進發展。
從技術上來講，早在2000年左右，比較了毫米波、雷射雷達和攝像頭傳感器之後，考慮到可靠性、易用性和成本效益，shashua就堅定地走上了單目視覺這條路。一直以來，shashua緻力将mobileye打造成當今adas的核心部件。遠在大多數車企意識到adas重要性之前，他們已經設計出一套完整的、可提供多種安全功能的內建視覺系統，以至于後來2010年率先推出行人碰撞預警系統，2013年推出自動緊急刹車系統，2013年推出純視覺acc系統等，都充分展現了shashua對此有非常超前的認識。
在一次接受哈佛商學院的采訪中，shashua還提到mobileye發展過程中最重要的兩個戰略決定：一是将各類安全功能全部內建到一款産品中，而不是拆分銷售，很大程度上提高了産品的競争力和可維護性；二是決定自主研發片上系統（soc），這為後來量産化時降低成本、掌握更多設計自主權打下了基礎。
自動駕駛線路圖
在輔助安全産品上的成功，讓兩位創始人開始展望未來，而輔助功能的進一步更新就是自動駕駛。随着城市交通擁堵的日益嚴重，以及不靠譜司機的日益增多，nhsta開始着手推動自動駕駛功能上車，具體的是在其評分标準中，達到4-5星評級的産品，應具備一定程度的自動駕駛能力，例如acc和aeb。
對此，在過去的一年中，mobileye比較側重地向自動駕駛方向做了一些調整，在2016年的ces上，shashua給了一個很偏技術的keynote演講，闡述了在自動駕駛方面的路線圖：以目前的感覺産品為基礎，為自動駕駛系統提供可行區域和障礙物資訊；通過已經配裝在車上的mobileye進行地圖的收集，以及開發駕駛決策控制算法。
長久以來，自動駕駛技術被劃分為兩個陣營，一個是源自darpa，由一群機器人學家構成的“特定區域全自動駕駛派”，以google為首，試圖通過大資料和人工智能技術來革新駕駛體驗。另一個則是源自車企，由一群汽車電子工程師構成的“全區域部分自動駕駛派”，試圖将該技術以新功能的形式添加到汽車進而盈利。mobileye偏向後者，希望能夠以一種遞進的方式，逐漸推進自動駕駛技術，而shashua的計算機科學背景讓他們同時兼顧了人工智能技術，并将其大量運用于産品當中。
總體來講，mobileye在自動駕駛的布局分為三個部分，也可以認為是三個階段：感覺、高精地圖和駕駛決策。
目前比較成熟的，是它的感覺技術，已經大量運用在已有産品中，主要提供一個環境模型（environmental model），包括運動和靜止的物體、車道線、可行駛區域和交通标志等。
多年的積累，讓mobileye在環境模型方面能夠提供的内容遠超競争對手，在别人還在嘗試提高單一車道線的檢測精度時，mobileye已經可以提供道路的語義級特征描述，例如目前行駛車道的左右車道線、左右車道的左右線以及道路分叉等等，均通過深度神經網絡識别。
談到深度學習，就需要提一下現在很火的end-to-end方法。智駕深談第一期的時候，我們曾經介紹了獨行俠geohot和他的comma.ai，shashua對于端到端方法也有自己的看法，簡單來說是不看好的。他認為端到端不考慮專家經驗，不考慮領域知識，不考慮人工監督，對極端情況（corner cases）的應變能力比較差。相比來講，mobileye将感覺任務劃分成多個子產品，每個對應一個人工監督的神經網絡，所得出的效果已經可以産品化。
第二個方面，是高精度地圖技術（稱作rem，road experience management），該技術是自動駕駛不可或缺的支撐，差別是是否使用複雜的3d雷射雷達來采集和制作地圖，shashua認為并不需要，而是通過圖像中豐富的紋理和色彩特征來生成地圖。mobileye采取的政策是三維上稀疏，地面一維稠密的結構，三維元素不會包括原始圖像資料，而是經過識别後的語義資訊。
地面一維的資訊則包括的比較多，建立了一個道路模型，包括車道線的精确位置、連接配接關系等。
值得一提的是，目前高精度地圖供應商，在生産和維護地圖方面成本很高，而mobileye則采取群體智能的方式來解決這個問題，通過大量裝配在量産車上的mobileye現有産品來分布式收集和更新資料。
第三個方面，也是自動駕駛技術公認的難點，即決策與規劃技術。目前mobileye也在利用深度學習進行初步的嘗試，跟deepmind采用的dqn網絡不同，他們還考慮了駕駛過程中的時序性。
結語
總體上來看，mobileye依托單目視覺技術，正在逐漸鋪平通向全自動駕駛的道路，在此過程中不斷收集駕駛資料，優化駕駛模型，更新駕駛産品。今天的mobileye adas系統，在未來會逐漸完成高速自動、環路自動和城區自動等功能，最終達到a點到b點的全自動駕駛，讓我們拭目以待。
（本文圖檔來自shashua教授近年公開演講）