對(duì)比Mobileye和特斯拉，兩者做事風(fēng)格截然不同。Mobileye有著十幾年的積累，可靠性經(jīng)過了市場(chǎng)和時(shí)間的驗(yàn)證，傳統(tǒng)大廠無一例外都會(huì)選擇Mobileye，但同時(shí)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(duì)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(zhǎng)，時(shí)刻關(guān)注著學(xué)術(shù)界的最新動(dòng)向，發(fā)現(xiàn)有好的技術(shù)點(diǎn)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(duì)霸主地位，市場(chǎng)占有率超過70%，特斯拉則是智能駕駛技術(shù)的引領(lǐng)者。對(duì)于感知任務(wù)，核心就是建立一個(gè)3D的周邊環(huán)境模型，即3D場(chǎng)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(shí)，通過對(duì)周邊3D場(chǎng)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(chǎng)景重建的最佳表征形式是BEV即鳥瞰，很多時(shí)候BEV幾乎等于3D場(chǎng)景重建。

3D場(chǎng)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(zhǔn)確測(cè)量出深度信息，但除了博世、奔馳、豐田這些大廠外，雙目的標(biāo)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(gè)原因是新興造車在單目上累積了豐富的知識(shí)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(yán)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(chǎng)景重建還可以基于點(diǎn)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(biāo)的空間幾何關(guān)系，以通過相機(jī)移動(dòng)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(chǎng)景和運(yùn)動(dòng)退化問題。根據(jù)圖像添加順序的拓?fù)浣Y(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(yǔ)義SFM和基于深度學(xué)習(xí)的SFM。步驟包括1.特征提?。⊿IFT、SURF、FAST等方法）；2.配準(zhǔn)（主流是RANSAC和它的改進(jìn)版；3.全局優(yōu)化bundleadjustment用來估計(jì)相機(jī)參數(shù)；4.數(shù)據(jù)融合。

Mobileye的SuperVision

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

Mobileye的SuperVision，7個(gè)800萬像素?cái)z像頭

7個(gè)攝像頭聯(lián)合得到的3D場(chǎng)景重建

偽激光雷達(dá)

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(xì)度，特斯拉的所謂OccupancyGrid，Mobileye也有使用。當(dāng)然，大部分情況下還是非BEV視角。

SFM的優(yōu)點(diǎn)是設(shè)計(jì)簡(jiǎn)單，有些類型的SFM可以用非深度學(xué)習(xí)算法，對(duì)算力需求很低，即使深度學(xué)習(xí)算法，因?yàn)檫€是參數(shù)量不到千萬的CNN，對(duì)算力需求還是很低。不過SFM精度不高，特別是大范圍場(chǎng)景或者說遠(yuǎn)距離使用困難，因?yàn)橐粋€(gè)大場(chǎng)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(jī)。許多先前的方法采用多視角深度估計(jì)（MVS）來重建場(chǎng)景，預(yù)測(cè)每一幀圖像的稠密深度圖，這種depth-based方法可以估計(jì)準(zhǔn)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(dāng)困難。Mobileye的解決辦法是使用高像素?cái)z像頭，7個(gè)攝像頭都是8百萬像素，像素越高，有效距離越遠(yuǎn)。

再有就是SFM準(zhǔn)確度有限，為了從多個(gè)輸入視圖中學(xué)習(xí)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(jì)原則，其中通常的做法是引入CNN進(jìn)行特征提取和融合模塊來集成多個(gè)視圖的特征或重建得到。盡管這兩個(gè)模塊之間有很強(qiáng)的關(guān)聯(lián)，但它們的方法設(shè)計(jì)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(biāo)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(xí)不同視圖之間的目標(biāo)關(guān)系，但這種設(shè)計(jì)缺乏計(jì)算效率，而且RNN模型的輸入視圖是對(duì)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(chǎng)了，BEV一直存在，BEV視角下的物體，不會(huì)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(biāo)，而在BEV空間內(nèi)，算法可以基于先驗(yàn)知識(shí)，對(duì)被遮擋的區(qū)域進(jìn)行預(yù)測(cè)。再有就是BEV視角下，感知和決策規(guī)劃有機(jī)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(jì)算環(huán)節(jié)，速度和準(zhǔn)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(xí)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(cè)每個(gè)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(duì)深度的估計(jì)一直都是難點(diǎn)。不過激光雷達(dá)和雙目都可以提供準(zhǔn)確的深度信息完全不是難點(diǎn)。純單目的方式典型代表就是SFM，用SFM 推測(cè)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(xí)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(gè)圖像特征進(jìn)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(dòng)駕駛研究階段都是頭頂64線或128線360度Velodyne機(jī)械激光雷達(dá)，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(dá)顯然無法商業(yè)化。

激光雷達(dá)制造的BEV

于是才有了純攝像頭的BEV。BEV是連接時(shí)空的理想橋梁。對(duì)于人類視覺感知系統(tǒng)來說，時(shí)間信息在推斷目標(biāo)的運(yùn)動(dòng)狀態(tài)和識(shí)別遮擋目標(biāo)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(jìn)的多攝像頭3D檢測(cè)方法很少利用時(shí)間信息。應(yīng)用Transformer（空域）結(jié)構(gòu)和Temporal結(jié)構(gòu)（時(shí)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(shí)域，并相應(yīng)地聚合時(shí)-空信息，有利于實(shí)現(xiàn)感知任務(wù)的更強(qiáng)表征。

Transformer是一種基于注意力機(jī)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(huì)按照串行順序來處理數(shù)據(jù)，而是通過注意力機(jī)制，去挖掘序列中不同元素的聯(lián)系及相關(guān)性，這種機(jī)制背后，使得Transformer可以適應(yīng)不同長(zhǎng)度和不同結(jié)構(gòu)的輸入。利用多個(gè)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(gè)序列到序列的預(yù)測(cè)問題，并將特征提取和視圖融合統(tǒng)一在單個(gè)transformer網(wǎng)絡(luò)中。

另一方面，在Transformer模型中，自注意力機(jī)制在任意數(shù)量的輸入標(biāo)記內(nèi)顯示出其學(xué)習(xí)復(fù)雜語(yǔ)義抽象的強(qiáng)大能力，并且自然地適合于探索3D目標(biāo)不同語(yǔ)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(yǔ)義分割有更好的效果，傳統(tǒng)的CNN也有不錯(cuò)的3D重建。

BEVFormer整體架構(gòu)

需要指出BEVFormer有兩個(gè)概念，一個(gè)是南京大學(xué)、上海AI實(shí)驗(yàn)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(gè)是人們根據(jù)特斯拉AI日中的介紹，認(rèn)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(huì)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(duì)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(dāng)然也不是特斯拉創(chuàng)造的，它的詳細(xì)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(zhǔn)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(jì)算密度。

針對(duì)4個(gè)子目錄有不同的處理技術(shù)

這其中的語(yǔ)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(yǔ)義分割，Mobileye早在2018年就提出此項(xiàng)技術(shù)并于2019年商業(yè)化落地，技術(shù)實(shí)力還是很不錯(cuò)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(yuǎn)比Mobileye要強(qiáng)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(gè)，針對(duì)視頻的可能會(huì)有20億個(gè)，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(hào)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(cuò)誤（錯(cuò)誤照搬了英偉達(dá)的張量并行模式），嚴(yán)重高估了內(nèi)存帶寬。

順便指出像ChatGPT這種大模型，英偉達(dá)是采用張量并行的方式計(jì)算，因此如果是8張H100顯卡，英偉達(dá)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(duì)多張顯卡服務(wù)器設(shè)計(jì)的，對(duì)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(dá)獨(dú)創(chuàng)的。內(nèi)存帶寬僅有34.12GB/s是無法流暢運(yùn)行Transformer的，因?yàn)槊糠昼妴螁巫x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(shí)間和路徑規(guī)劃所需要的時(shí)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(jì)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(duì)AI算力需求大，對(duì)CPU的標(biāo)量算力需求也大，初代FSD僅有12個(gè)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(gè)增加到20個(gè)，勉強(qiáng)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(qiáng)調(diào)速度的DDR5，GPU用強(qiáng)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C(jī)PU更多，特斯拉為了強(qiáng)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(yuǎn)高于初代FSD，有效距離更遠(yuǎn)，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(guó)市場(chǎng)，二代FSD估計(jì)也要等到2024年才會(huì)上市，中國(guó)市場(chǎng)估計(jì)要到2025年甚至2026年，屆時(shí)Mobileye或許也有技術(shù)升級(jí)。