Mobileye和特斯拉差距在哪?

對比Mobileye和特斯拉，兩者做事風格截然不同。Mobileye有著十幾年的積累，可靠性經(jīng)過了市場和時間的驗證，傳統(tǒng)大廠無一例外都會選擇Mobileye，但同時意味著有資產(chǎn)包袱，不舍得放棄以前的研究成果，難接受新的研究方向與潮流變化，對學(xué)術(shù)界的東西似乎完全不在意。特斯拉則是博采各家所長，時刻關(guān)注著學(xué)術(shù)界的最新動向，發(fā)現(xiàn)有好的技術(shù)點就努力將其落地，始終走在技術(shù)最前沿。

Mobileye在L2領(lǐng)域占據(jù)絕對霸主地位，市場占有率超過70%，特斯拉則是智能駕駛技術(shù)的引領(lǐng)者。對于感知任務(wù)，核心就是建立一個3D的周邊環(huán)境模型，即3D場景重建，這也是L2與L2+系統(tǒng)的本質(zhì)區(qū)別。L2的目的是避免碰撞，遇到可能發(fā)生的碰撞就剎車或減速，而L2+系統(tǒng)是自主駕駛，遇到可能發(fā)生的碰撞時，通過對周邊3D場景重建，找到可行駛空間Freespace繞開障礙物，而不是減速或剎車。3D場景重建的最佳表征形式是BEV即鳥瞰，很多時候BEV幾乎等于3D場景重建。

3D場景重建最佳解決辦法是立體雙目，即基于Depth Map的3D重建。立體雙目可以準確測量出深度信息，但除了博世、奔馳、豐田這些大廠外，雙目的標定和立體匹配是無法跨越的難關(guān)，包括特斯拉和Mobileye。還有一個原因是新興造車在單目上累積了豐富的知識產(chǎn)權(quán)，跳到立體雙目領(lǐng)域意味著這些累積都作廢了，這是最核心資產(chǎn)的嚴重流失。

特斯拉和Mobileye的思路都是用單目做3D重建，常見方法有SfM和Transformer。此外3D場景重建還可以基于點云、VOXEL和MESH。

SfM（Structure From Motion）是最經(jīng)典技術(shù)路線，通過使用諸如多視圖幾何優(yōu)化之類的數(shù)學(xué)理論從2D圖像序列中確定目標的空間幾何關(guān)系，以通過相機移動恢復(fù)3D結(jié)構(gòu)。SFM方便靈活，但在圖像序列采集中遇到場景和運動退化問題。根據(jù)圖像添加順序的拓撲結(jié)構(gòu)，可以將其分為增量/順序SFM、全局SFM、混合SFM和分層SFM。此外，還有語義SFM和基于深度學(xué)習的SFM。步驟包括1.特征提取（SIFT、SURF、FAST等方法）；2.配準（主流是RANSAC和它的改進版；3.全局優(yōu)化bundleadjustment用來估計相機參數(shù)；4.數(shù)據(jù)融合。

Mobileye的SuperVision

Mobileye的multi-view stereo實際就是SFM的另一種說法，Mobileye還給它取了另一個名字Vidar或者叫偽激光雷達，這就是SuperVision的核心。

Mobileye的SuperVision，7個800萬像素攝像頭

7個攝像頭聯(lián)合得到的3D場景重建

偽激光雷達

VIDAR就是multi-view stereo

Mobileye的SFM還混合了REM和視覺道路模型

SuperVision也可以得到BEV視角，不過不像特斯拉那樣高精細度，特斯拉的所謂OccupancyGrid，Mobileye也有使用。當然，大部分情況下還是非BEV視角。

SFM的優(yōu)點是設(shè)計簡單，有些類型的SFM可以用非深度學(xué)習算法，對算力需求很低，即使深度學(xué)習算法，因為還是參數(shù)量不到千萬的CNN，對算力需求還是很低。不過SFM精度不高，特別是大范圍場景或者說遠距離使用困難，因為一個大場景環(huán)境是很復(fù)雜的，如各種物體、多樣的光照、反光表面，還有不同焦距、畸變和傳感器噪聲的多樣攝像機。許多先前的方法采用多視角深度估計（MVS）來重建場景，預(yù)測每一幀圖像的稠密深度圖，這種depth-based方法可以估計準確的局部幾何形狀，但需要額外的步驟來融合這些深度圖，例如解決不同視角之間的不一致性，這相當困難。Mobileye的解決辦法是使用高像素攝像頭，7個攝像頭都是8百萬像素，像素越高，有效距離越遠。

再有就是SFM準確度有限，為了從多個輸入視圖中學(xué)習有效的3D表示，大多數(shù)基于CNN的方法遵循分而治之的設(shè)計原則，其中通常的做法是引入CNN進行特征提取和融合模塊來集成多個視圖的特征或重建得到。盡管這兩個模塊之間有很強的關(guān)聯(lián)，但它們的方法設(shè)計是分開研究的。另外，在CNN特征提取階段，很少研究不同視圖中的目標關(guān)系。雖然最近的一些方法引入了遞歸神經(jīng)網(wǎng)絡(luò)(RNN)來學(xué)習不同視圖之間的目標關(guān)系，但這種設(shè)計缺乏計算效率，而且RNN模型的輸入視圖是對順序變化敏感的，難以與一組無序的輸入視圖兼容。

輪到特斯拉的BEVFormer閃亮登場了，BEV一直存在，BEV視角下的物體，不會出現(xiàn)圖像視角下的尺度（scale）和遮擋（occlusion）問題。由于視覺的透視效應(yīng)，物理世界物體在2D圖像中很容易受到其他物體遮擋，2D感知只能感知可見的目標，而在BEV空間內(nèi)，算法可以基于先驗知識，對被遮擋的區(qū)域進行預(yù)測。再有就是BEV視角下，感知和決策規(guī)劃有機地融為一體，依靠Freespace或者說Occupancy Grid提供直接路徑規(guī)劃，無需中間計算環(huán)節(jié)，速度和準確度都大幅提升。

BEV可以分為基于深度/幾何信息的和基于深度學(xué)習的兩大類。

基于深度/幾何信息的 BEV 是正向思維，采用自底向上、從2D 到3D 的方式，先在2D視角預(yù)測每個像素的深度再通過內(nèi)外參投影到 BEV空間通過多視角的融合生成BEV特征,但對深度的估計一直都是難點。不過激光雷達和雙目都可以提供準確的深度信息完全不是難點。純單目的方式典型代表就是SFM，用SFM 推測深度信息。Mobileye 可以用SFM 做出BEV，但目前來看還似乎是沒有使用，還是2D 平視。

基于深度學(xué)習的 BEV是逆向思維，采用自頂向下、從3D到2D 的方式，先在 BEV 空間初始化特征，再通過多層transformer 與每個圖像特征進行交互融合，最終再得到 BEV特征。這就是特斯拉的BEVFormer。

早期自動駕駛研究階段都是頭頂64線或128線360度Velodyne機械激光雷達，就是為了制造BEV視角，但是要到落地階段，Velodyne的64線或128線激光雷達顯然無法商業(yè)化。

激光雷達制造的BEV

于是才有了純攝像頭的BEV。BEV是連接時空的理想橋梁。對于人類視覺感知系統(tǒng)來說，時間信息在推斷目標的運動狀態(tài)和識別遮擋目標方面起著至關(guān)重要的作用，視覺領(lǐng)域的許多工作已經(jīng)證明了視頻數(shù)據(jù)的有效性。然而，現(xiàn)有最先進的多攝像頭3D檢測方法很少利用時間信息。應(yīng)用Transformer（空域）結(jié)構(gòu)和Temporal結(jié)構(gòu)（時域）從多攝像頭輸入生成鳥瞰圖（BEV）特征。BEVFormer利用查詢查找空域和時域，并相應(yīng)地聚合時-空信息，有利于實現(xiàn)感知任務(wù)的更強表征。

Transformer是一種基于注意力機制（Attention）的神經(jīng)網(wǎng)絡(luò)模型，由Google在2017年提出。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)RNN和CNN不同，Transformer不會按照串行順序來處理數(shù)據(jù)，而是通過注意力機制，去挖掘序列中不同元素的聯(lián)系及相關(guān)性，這種機制背后，使得Transformer可以適應(yīng)不同長度和不同結(jié)構(gòu)的輸入。利用多個無序輸入之間的自注意力來探索視圖到視圖的關(guān)系。將多視圖3D重建問題重新表述為一個序列到序列的預(yù)測問題，并將特征提取和視圖融合統(tǒng)一在單個transformer網(wǎng)絡(luò)中。

另一方面，在Transformer模型中，自注意力機制在任意數(shù)量的輸入標記內(nèi)顯示出其學(xué)習復(fù)雜語義抽象的強大能力，并且自然地適合于探索3D目標不同語義部分的視圖到視圖關(guān)系。鑒于此，transformer的結(jié)構(gòu)成為多視圖3D重建最吸引人的解決方案，transformer配合語義分割有更好的效果，傳統(tǒng)的CNN也有不錯的3D重建。

BEVFormer整體架構(gòu)

需要指出BEVFormer有兩個概念，一個是南京大學(xué)、上海AI實驗室和香港大學(xué)提出的，見論文《BEVFormer: Learning Bird’s-Eye-View Representation from Multi-CameraImages via Spatiotemporal Transformers》，另一個是人們根據(jù)特斯拉AI日中的介紹，認為特斯拉的感知結(jié)合了BEV和Transformer，因此稱其為BEVFormer。特斯拉不會公布自己的源代碼，而《BEVFormer: Learning Bird’s-Eye-ViewRepresentation from Multi-Camera Images via Spatiotemporal Transformers》內(nèi)附源代碼。

特斯拉自己對BEV + Transformer的叫法應(yīng)該是Multi-CamVector Space Predictions。

其內(nèi)部構(gòu)造可以參考FACEBOOK的論文《End-to-End Object Detection with Transformers》

特斯拉圖像到BEV的Transformer

特斯拉視覺系統(tǒng)整體架構(gòu)，BEV+Transformer也就是第二層的Multi-camFusion+矢量空間。

特斯拉的第一層的BiFPN也值得一提。BiFPN當然也不是特斯拉創(chuàng)造的，它的詳細理論參見論文《EfficientDet: Scalable and Efficient Object Detection》，作者是谷歌大腦研究小組。

BiFPN準確率很高，消耗算力比傳統(tǒng)的ResNet要低很多。

Mobileye的算力不高，不是AI算力不高，CPU算力也不高，GPU幾乎為零，因此Mobileye將環(huán)境模型分成4部分，降低計算密度。

針對4個子目錄有不同的處理技術(shù)

這其中的語義分割和特斯拉的Occupancy Grid基本一致，只是特斯拉是基于BEV視角的。

Mobileye的語義分割，Mobileye早在2018年就提出此項技術(shù)并于2019年商業(yè)化落地，技術(shù)實力還是很不錯的。

表面上看，特斯拉和Mobileye的SuperVision的思路一致，但Transformer的使用讓特斯拉明顯遠比Mobileye要強大，不過一代FSD或者說HW3.0能跑BEVFormer嗎？典型的NLP用Transformer參數(shù)是10億個，針對視頻的可能會有20億個，按照汽車行業(yè)慣用的INT8格式，意味著Transformer模型大小是2GB。特斯拉初代 FSD 使用的 LPDDR4，型號是MT53D512M32D2DS-046 AAT，容量為16Gb，總共 8 片，I/O 頻率 2133MHz，其帶寬為 2.133*64/8，即 17.064GB/s，由于DDR是雙通道，所以帶寬是34.12GB/s，這里非常抱歉，以前的算法有錯誤（錯誤照搬了英偉達的張量并行模式），嚴重高估了內(nèi)存帶寬。

順便指出像ChatGPT這種大模型，英偉達是采用張量并行的方式計算，因此如果是8張H100顯卡，英偉達是將權(quán)重模型一分為8，等同于內(nèi)存帶寬增加了8倍，但是張量并行是針對多張顯卡服務(wù)器設(shè)計的，對于車載領(lǐng)域，Transformer還未聽說用張量并行的，張量并行也是英偉達獨創(chuàng)的。內(nèi)存帶寬僅有34.12GB/s是無法流暢運行Transformer的，因為每分鐘單單讀入權(quán)重模型的次數(shù)最高也不過17次，還未包括處理數(shù)據(jù)的時間和路徑規(guī)劃所需要的時間，而智能駕駛需要幀率至少是每秒30幀，也就是每秒30次以上計算，那么內(nèi)存帶寬至少要能支持每秒60次讀入，也就是帶寬要增加3倍以上。

不僅是內(nèi)存帶寬，Transformer不僅對AI算力需求大，對CPU的標量算力需求也大，初代FSD僅有12個ARM Cortex-A72，這是不夠的。二代FSD或者說HW4.0用了昂貴的GDDR6，帶寬大幅增加，CPU核心也從12個增加到20個，勉強可以跑Transformer。不過GDDR6雖然帶寬高，但速度低，用在CPU領(lǐng)域并不合適。

服務(wù)器領(lǐng)域內(nèi)存是分開的，CPU用強調(diào)速度的DDR5，GPU用強調(diào)帶寬的HBM3。但汽車領(lǐng)域是CPU+GPU（AI），一般廠家都選擇LPDDR5（LP是低功耗的意思），照顧CPU更多，特斯拉為了強調(diào)AI算力，用了GDDR6。

初代FSD可能還上不了BEVFormer，與Mobileye的SuperVision效果相比，Mobileye的像素遠高于初代FSD，有效距離更遠，安全系數(shù)更高。但二代FSD就目前來看，是可以全面勝過SuperVision的，不過即使是美國市場，二代FSD估計也要等到2024年才會上市，中國市場估計要到2025年甚至2026年，屆時Mobileye或許也有技術(shù)升級。