过去十年，我们开始从辅助驾驶逐步过渡到自动驾驶，一路经过了数个重大的抉择关头，然而当时传统的行业方法忽略了一个不愿面对的现实，限制了提升自动驾驶汽车安全性和普及性的潜力，导致无法实现行业的共同目标。

也就是说，阻力最小的选择往往当下看似可行，但未来却不切实际或无法扩展。

比如，当时常见的方法是使用配备激光雷达的专用车辆人工绘制自动驾驶汽车行驶区域的地图。但这种方法速度慢、成本高、地理位置受限，而且生成的地图很快就会过时。因此，我们认识到自动驾驶汽车需要的是普通导航地图无法企及的高精地图，并萌生了利用搭载ADAS的车辆上的摄像头绘制众源地图的想法。

比如，当时业界达成共识，认为摄像头、雷达和激光雷达都是自动驾驶汽车实现冗余感知的必要条件时，却忽略了为车辆配备如此多的传感器将使其变得非常昂贵，进而极大地限制了其盈利性。因此，我们投资开发具有类似激光雷达输出的成像雷达，以减少激光雷达的数量，从而大幅降低每辆车的硬件成本。

再比如，我们在2000年初做出的设计自有芯片，并将硬件与软件紧密结合的超前决定，如今看来已成为实现经济高效的高性能交付的核心，而其他公司现在才开始考虑这一路线。

来到现在，汽车行业又处在另一个十字路口，尽管不愿面对或很难克服，我们绝不能忽视一个重要的现实，就是汽车制造商的产品定制愿望与从零开始全面开发自动驾驶系统所涉及的上市时间和性能风险之间存在着内在的矛盾。

差异化-可扩展性-风险的权衡

要想普及自动驾驶，汽车制造商就必须针对特定消费者的期望定制驾驶体验。为了以最佳方式实现这一目标，必须考虑三大关键因素：

1.汽车制造商在其他品牌中脱颖而出的能力;

2.供应商向众多汽车制造商扩展的能力;

3.最大限度降低无法按预期性能、成本和时间表执行的风险。

鉴于近年来有许多雄心勃勃的项目宣布后从未实现或尚未实现，这种执行风险不容忽视。

如何划分感知、规划和执行之间的界限？

所有机器人技术的基础都是“感知-规划-执行”：即感知环境、制定规划、执行规划。

如果希望实现差异化，汽车制造商就必须控制这个堆栈的某些部分，但难点在于如何划分供应商控制的部分和汽车制造商控制的部分之间的界限，同时对所有三个方面进行权衡。

如果由供应商提供部分感知，汽车制造商开发其余部分，虽然可以实现差异化，但汽车制造商面临的风险就会非常高：开发难度大、耗时长、成本高。另外，将一切整合成一个完整而强鲁棒性系统也会极其困难。

另一方面，如果供应商提供所有的驾驶策略，而汽车制造商只负责处理车辆采取的行动，那么要么汽车制造商无法实现足够的差异化，要么供应商需要处理汽车制造商的所有驾驶体验要求（这对可扩展性又是一个挑战）。

因此，答案似乎很简单——在感知和规划之间划清界限。供应商提供所有的感知，汽车制造商就可以建立自己的驾驶策略和执行堆栈。

虽然听起来很有诱惑力，但这种划分方法也存在很大问题，而且忽视了自动驾驶汽车开发中的一个关键现实：感知永远不会完美，而驾驶策略必须足够强大，能够预见这些不完美之处。

这就要求感知和规划紧密地结合在一起。而由于所谓的“低估困扰”——一种严重低估驾驶策略实际难度的倾向性，将感知与规划结合的方法虽然已经进行了诸多尝试，但都处于不同的失败阶段。

驾驶策略必须处理预测、意图、不确定性和决策失误风险，因此非常复杂。因此，对于汽车制造商来说，这种方法也不具备可扩展性，因为驾驶策略与判断紧密结合，必须随着感知的变化而不断调整和重新验证。

区分通用和专用

有鉴于此，要实现差异化，同时最大限度地降低执行风险并实现可扩展性，更好的办法是在策略堆栈的中间划出一条线，以保持认知和感知的整合，并为汽车制造商定义车辆的行为元素提供空间。

为此，我们必须定义所有系统都应相同的通用部分，以及可以而且应该实现差异化的专用部分。

感知显然属于通用部分，而车辆执行动作的方式显然属于专用部分。驾驶策略则部分属于通用部分，部分数据专用部分。这是因为一方面，驾驶策略必须与感知相适应，另一方面，驾驶策略又涉及整个驾驶体验。其中的诀窍在于找到合适的抽象层级，以便将通用内容（希望将其标准化）和专用内容（希望围绕其进行定制）区分开来。

Mobileye DXP：何时做、做什么、如何做

Mobileye驾驶体验平台（简称DXP）是一种编程语言，可根据“何时做”、“做什么”和“如何做”来组织决策，从而将通用部分和专用部分区分开来。“何时做”和“做什么”属于通用部分，而“如何做”则属于专用部分。

例如，在接近停车标志时（“何时做”），车辆必须制动停车（“做什么”）。但每种车型的刹车方法（“如何做”）是独一无二的，例如，可以晚一点、猛一点，也可以早一点、轻一点。

或者，在驶近环岛时，车辆必须决策是让行还是超车。假设让行和超车都很安全，那么车辆应该怎么做？这就是“如何做”要解决的问题，而不同的汽车制造商将对系统进行不同的调整，不同的汽车就会有不同的方法（“如何做”）。

DXP内部工作原理

首先，在给定的场景（“做什么”和“何时做”）中，汽车制造商基于平台提供的多种“如何做”的方式中构建实例包（例如，如何实现各种制动停车）。

其中，平台提供在线和离线工具创建这些实例包。平台还为所需实例包提供参考设计，以降低执行风险。因此，汽车制造商不需要从头构建所有实例包，只要专注于其特别希望提供差异化的方面即可。

然后，汽车制造商创建代码，从而在在线驾驶过程中根据应用参数（如地理位置、道路类型、法规、驾驶模式和天气条件）选择适当的实例包。

这就解决了差异化-可扩展性-风险的权衡问题，即通过使用正确的抽象概念，在提供差异化的同时不破坏感知与策略之间的紧密结合，并相应地降低执行风险，因为平台能够基于开箱即用的产品，集中精力专注于差异化。而汽车制造商还可以根据消费者的反馈对驾驶体验进行后期调整。

DXP拥有巨大的潜力，自我们在CES推出该平台以来，短短时间内已有多家汽车制造商表示出了兴趣。我们认为，自动驾驶系统的切实优势必然有助于汽车制造商进一步塑造其品牌，而DXP为走向这一未来提供了更好的途径。

本文作者：

Shai Shalev-Shwartz 教授

Amnon Shashua 教授