为什么说光靠模拟玩不转自动驾驶？

自动驾驶汽车仍然面临一个尴尬的问题：这些汽车什么时候不由人类驾驶？这个问题的最终解释权在于道路交通管理部门。抛开各种法律法规不谈，汽车和科技巨头仍未能在技术层面实现全自动驾驶。因此，除了在道路上进行持续测试外，自动驾驶公司还采用模拟，试图在虚拟环境中测试各种情况，并解决现实世界中不常见的变量。一般来说，通过考试，我们可以获得驾照并在全国各地旅行。但当涉及到自动驾驶汽车时，它是行不通的。这些车辆获取相关能力需要“特定城市的策略”，需要更详细的场景测试，甚至在某个十字路口精确到一定程度。为了进入这家价值7万亿美元的超市，业内公司竭尽全力进行测试，以赢得公众和监管机构的信任，而模拟测试显然是他们证明自己的最佳示范平台。AutoHeart以模拟为起点，组织和总结包括汽车制造商、科技巨头和初创公司在内的公司专家的意见。这些业内顶尖专家正在花费巨额资金来回答这个问题，我们到底应该测试什么？

图1：模拟和现实之间的交叉点1。如果没有模拟，就不会有自动驾驶汽车。以通用汽车自动驾驶团队Cruise为例，其虚拟测试车每天在模拟器中运行20万小时。至于公认的行业领导者Waymo，它已经在模拟器中积累了超过100亿英里的测试里程。

自动驾驶汽车在模拟场景中的训练图片来自51VR自动驾驶模拟平台。对于自动驾驶公司来说，尤其是在训练神经网络时，模拟器的重要性越来越大。为什么我们转向模拟而不是使用真实世界的数据？原因有三：1。在现实世界中收集数据可能是危险的；实车测试无法满足自动驾驶的测试里程和场景覆盖要求。仿真是保证自动驾驶汽车安全性必不可少的测试方法。业内专家学者认为，验证自动驾驶汽车的安全性需要数亿公里的测试里程积累。例如，兰德公司认为，自动驾驶需要数亿公里的里程测试数据来确保安全，宝马公司认为自动驾驶研发至少需要2.5亿公里的测试。2.许多假设和反事实的情况在现实中是无法实现的；

与实车测试相比，模拟测试可以在短时间内多次重复罕见案例，加快自动驾驶汽车的生产周期，节省研发成本，积累测试里程。3.收集更丰富数据的要求。这是因为在现实世界中数据收集的速度是有限的。可以说，现在没有一家自动驾驶公司不使用模拟器。对于测试软件来说，模拟器是一个绝对的杀手级工具，在某些情况下，它们还可以训练神经网络。

如果这些公司的自动驾驶技术达不到标准，其后果可能是汽车损坏和人员死亡，那么他们如何使用自动驾驶模拟测试来反馈到真实场景中？与Waymo类似，Zoox也存在“在没有保护的情况下难以左转”的问题。因此，Zoox团队开发了一种人工左转向信号灯，并将其注入模拟环境中。Zoox的联合创始人杰西·莱文森透露，在Zoox的自动驾驶系统识别出现实世界中的左转向信号灯后不久，它就变得更加流畅了。今年早些时候，Lyft注意到，一旦她的测试车被其他车堵塞，它就会急刹车。因此，Lyft的工程师将这个场景应用到了模拟器中。据Lyft自动驾驶仪负责人Luc Vincent介绍，这种方法不仅速度快、成本低，而且自动驾驶系统的“惊喜和惊喜”问题也得到了改善。Aurora还非常依赖模拟，记录人类驾驶员的驾驶习惯，然后在模拟器中与自动驾驶系统进行比较。Aurora联合创始人Sterling Anderson表示，在路试之前，将特别提醒驾驶员必须像专业驾驶员一样驾驶。和其他公司一样，特斯拉不敢低估模拟器。特斯拉首席执行官埃隆·马斯克表示，“世界太复杂了，无法确定何时会出现极端情况。”好消息是模拟器中的场景几乎是无限的。但大多数公司不想透露他们测试了多少场景。安博福是一个特例，据Automind报道，安博福已经在模拟器中构建了40000多个场景。业内人士表示，实现100%的完美是不可能的。但在使自动驾驶系统更安全的过程中，我们必须确保一切安全可靠。模拟也有缺点。既然自动驾驶模拟测试可以反馈到真实场景中，那么模拟能否取代现实世界中的大规模数据采集工作？答案是：不。原因是模拟不可能拥有与现实世界相同的经验知识，其中一些知识对驾驶至关重要。例如，在模拟器中没有其他道路参与者（如车辆、行人和自行车）的行为习惯的经验知识。这个问题可以分为两部分：行为预测：在道路参与者采取下一步行动之前预测他们的行为。沟通与互动：了解道路参与者对自动驾驶汽车的行为会有什么反应，并知道如何做出相应的反应，以实现双赢。人类行为是一个经验问题，需要经验数据来回答。也就是说，类似于游戏中的简化人类行为模型可以处理有限的驾驶环境，但随着场景变得更加密集，叠加城市拥堵、混乱、复杂、互动等一系列条件，建模人类行为的难度将呈几何级数增加，简化模型的预测能力也将直线下降。自动驾驶汽车需要一个准确的经验现象模型。例如，如果自动驾驶汽车在十字路口左转，面对迎面而来的车辆，它必须判断对方是否会减速？减速多少？这类知识不能从纸质分析中获得，它完全是实证的。这也是为什么驭势科技的一位工程师向汽车的心脏解释说，模拟的技术难点之一在于“真相”。如果不够逼真，基于仿真的自动驾驶系统的开发也会失真，无法应用于现实世界。

作为“无差异数据”的领先公司，Waymo选择使用手头积累的测试数据来训练人工智能系统，以更好地模拟真实的司机和行人。在模拟测试中，Waymo甚至测试模拟的人类驾驶员和行人是否会发生碰撞，以确定模拟场景是否真实……

够疯狂的了。Waymo首席科学家Drago Anguelov解释说，这个领域实际上才刚刚萌芽。如果你看到太多模拟器，你会发现其中许多模拟器模拟的世界都不是真实的，这会影响测试效果。以优步为例，最近优步正在测试一辆停着的汽车站在一个人身后的场景，结果显示模拟器中的汽车并没有像现实中那样减速。当工程师校准模拟器的精度时，发现车辆只注意到前方红绿灯的颜色。当绿灯亮起时，车辆将自然加速。优步很快调整了这个问题，以确保车辆的行为与现实世界中的一样。收集用于训练行为预测的真实世界数据可以被动地从现实世界收集数据，只要车辆配备了摄像头、计算机和互联网。然后，可以完成观察、预测、标记错误和上传。训练通信和交互数据也可以被动收集，只要我们记录驾驶员在驾驶过程中的输入，如转向、加速、制动和灯光信号。在这个行业，我们称之为模仿学习。人类驾驶员将用手向神经网络演示如何与现实世界的道路参与者进行通信和互动，而神经网络只需要在相同的上下文变量中执行先前学习的动作。理论上，我们也可以积极收集这些有用的数据。例如，如果人类驾驶员否定了自动驾驶汽车或驾驶员辅助系统做出的判断，那么校正将成为模仿学习的重要材料。当然，在强化学习的背景下，系统可以等待奖励，同时不断减少人为干预。如果任何一家自动驾驶公司能够使神经网络准确地模仿人类驾驶员的行为，那么它在模拟中就会更加准确。完成这一步骤后，他们可以使用模拟方法训练神经网络如何执行驾驶强化学习模式。然而，要实现这一目标，我们仍然需要首先从现实世界中收集大量数据（603138，股票）。模拟器中没有驾驶洞察力来学习驾驶。自动驾驶汽车需要准确预测其他道路参与者的一举一动，也可以与他们交流和互动，尤其是其他车辆上的人类驾驶员。要做出好的预测，必须根据经验观察其他道路参与者，而成功的沟通和互动需要彻底了解他们的一举一动，这也需要经验。因此，模拟器中没有驾驶洞察力，除非它是根据经验数据训练的神经网络。如果你想借鉴模仿学习和强化学习，自动驾驶汽车可能需要在路上行驶数百年，因为该系统需要太多的经验，而数百辆汽车的测试车队只是杯水车薪。当然，即使自动驾驶公司手中有数百万辆新车，他们也可能无法完美实现完全自动驾驶，但他们带来的数据肯定要可靠得多。

标签：合创发现特斯拉宝马

汽车资讯热门资讯