自動駕駛汽車依然面臨一個尷尬的問題：

號稱自動駕駛，這些汽車到底什么時候不用人類駕駛？

這個問題的最終解釋權(quán)在道路交通管理部門。

放下各種法律法規(guī)不談，汽車和科技巨頭們在技術(shù)端依然沒能實現(xiàn)全自動駕駛。

因此，除了在公路上持續(xù)測試，自動駕駛公司還求助于模擬，試圖在虛擬環(huán)境中試遍各種情況，將現(xiàn)實世界中不常出現(xiàn)的變量也一一化解。

通常來說，我們通過考試，就能拿到駕照通行全國。但換到自動駕駛汽車上，這一套就行不通了。

這些車輛的獲得相關(guān)能力時需要「因城施策」，而且必須進行更為詳盡的場景測試，甚至精確到某個十字路口。

為了進入這個價值 7 萬億美元的超級市場，業(yè)內(nèi)各家公司在測試上卯足力氣，以便贏得公眾和監(jiān)管者的信任，而模擬測試顯然是他們證明自己的最佳展示平臺。

汽車之心（微信 ID：Auto-bit）以模擬為切入點，整理總結(jié)了來自包括汽車廠商、科技巨頭、新創(chuàng)企業(yè)在內(nèi)的公司專家的觀點。

這些業(yè)內(nèi)頂級的專家正花費巨額資金回答一個問題，即我們到底該測試些什么？

圖 1：模擬與現(xiàn)實中的十字路口

1、沒有模擬，就沒有自動駕駛汽車

拿通用自動駕駛團隊 Cruise 來說，Cruise 的虛擬測試車每天要在模擬器中運行 20 萬個小時。

至于公認(rèn)的行業(yè)領(lǐng)頭羊 Waymo，在模擬器里已經(jīng)累積了超過 100 億英里的測試?yán)锍獭?/p>

自動駕駛汽車在模擬場景中訓(xùn)練圖片來自51VR自動駕駛仿真平臺

對自動駕駛公司來說，尤其是訓(xùn)練神經(jīng)網(wǎng)絡(luò)時，模擬器的重要性越來越強了。

為什么放著現(xiàn)實世界的數(shù)據(jù)不用而求助于模擬？原因有三：

1. 在現(xiàn)實世界采集數(shù)據(jù)是有危險的；

實車測試無法滿足自動駕駛的測試?yán)锍桃蠛蛨鼍案采w度要求。模擬是保障自動駕駛汽車安全不可或缺的測試手段。

行業(yè)內(nèi)專家學(xué)者認(rèn)為，驗證自動駕駛汽車的安全性需經(jīng)過上億公里的測試?yán)锍谭e累，如蘭德公司認(rèn)為自動駕駛需要幾億公里的里程測試數(shù)據(jù)來確保安全性，寶馬認(rèn)為自動駕駛研發(fā)至少需要達到 2.5 億公里的測試。

2. 許多假設(shè)和反事實情況在現(xiàn)實中是無法企及的；

與實車測試相比，仿真模擬測試可以在短時間內(nèi)對罕見案例進行多次復(fù)現(xiàn)，加速自動駕駛汽車的生產(chǎn)周期，節(jié)約研發(fā)成本，積累測試?yán)锍獭?/p>

3. 采集更為豐富數(shù)據(jù)的要求。

這是因為現(xiàn)實世界中數(shù)據(jù)采集的速度有限。

可以這么說，現(xiàn)在沒有哪家自動駕駛公司不用模擬器。

對測試軟件來說，模擬器是絕對的殺手級工具，在某些情況下它還能訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

自動駕駛技術(shù)不過關(guān)，后果可能是車毀人亡

那么，這些公司是如何利用自動駕駛模擬測試反哺到真實的場景中去的？

與 Waymo 類似，Zoox 也有「無保護左轉(zhuǎn)困難」的煩惱。

于是，Zoox 團隊開發(fā)了一個人工左轉(zhuǎn)信號燈，然后灌入模擬環(huán)境。

Zoox 聯(lián)合創(chuàng)始人 Jesse Levinson 透露稱，不久之后 Zoox 的自動駕駛系統(tǒng)識別起現(xiàn)實世界的左轉(zhuǎn)信號燈就順暢多了。

今年早些時候，Lyft 注意到自己的測試車一旦被其他車加塞，就會急剎車。

于是，Lyft 的工程師將這一場景放入模擬器。據(jù) Lyft 自動駕駛負(fù)責(zé)人 Luc Vincent 介紹，這樣的方法不但速度快，成本低，自動駕駛系統(tǒng)「一驚一乍」的毛病也得到了改善。

Aurora 也非常依賴模擬，通過記錄人類駕駛員的駕駛習(xí)慣，然后在模擬器中與自動駕駛系統(tǒng)進行對比。

Aurora 聯(lián)合創(chuàng)始人 Sterling Anderson 說，在路測前會專門提醒司機，必須像專業(yè)司機那樣去駕駛。

與其他公司一樣，特斯拉也不敢輕視模擬器。特斯拉 CEO Elon Musk 表示，「世界太復(fù)雜，說不清什么時候就會有極端情況登門造訪。」

好消息是，模擬器里場景幾乎是無限的。但大多數(shù)公司并不愿透露自己到底測試了多少場景。

安波福是個特例，據(jù)汽車之心了解，安波福已經(jīng)在模擬器中構(gòu)建了超過 4 萬個場景。

有行業(yè)人士表示，想要實現(xiàn) 100% 的完美是不可能的。但在讓自動駕駛系統(tǒng)更安全的過程中，我們得保證一切安全可靠。

模擬也有短板

既然自動駕駛模擬測試可以反哺到真實場景中去，那么模擬能替代現(xiàn)實世界中大規(guī)模的數(shù)據(jù)采集工作嗎？

答案是：不能。

原因在于，模擬無法擁有與現(xiàn)實世界相同的經(jīng)驗知識，而其中一些經(jīng)驗知識對駕駛來說又必不可少。

舉例來說，模擬器中沒有其他道路參與者如：車輛、行人與自行車等行為習(xí)慣的經(jīng)驗知識。

這個問題可以分為兩部分：

行為預(yù)測：在道路參與者做出下一步動作前預(yù)知他們的行為。

溝通與互動：了解道路參與者對自動駕駛汽車的行為會作何反應(yīng)，同時知曉該如何做出相應(yīng)反應(yīng)，以實現(xiàn)雙贏的結(jié)果。

人類的行為表現(xiàn)是一個經(jīng)驗問題，需要經(jīng)驗數(shù)據(jù)來解答。

也就是說，類似游戲中那樣簡單化的人類行為模型，對付一些有限的駕駛環(huán)境還行，但隨著場景變得更密集，城市擁擠、混亂、復(fù)雜、交互等一系列條件疊加時，為人類行為建模的難度會幾何級增長，簡化模型的預(yù)測能力也會直線下降。

而自動駕駛汽車需要精確的經(jīng)驗現(xiàn)象模型。

舉例來說，如果一輛自動駕駛汽車在路口左轉(zhuǎn)，面對迎面駛來的車輛，它必須判斷到底對方會不會減速？減多少速？

這類知識從紙上談兵般的分析中得不出來，這完全是經(jīng)驗。

這也是為什么馭勢科技的一位工程師向汽車之心解釋：模擬的技術(shù)難點之一在于「真」。如果做得不夠逼真、不夠貼近現(xiàn)實，那么依托于模擬之上的自動駕駛系統(tǒng)開發(fā)也會變得失真，最終無法應(yīng)用于現(xiàn)實世界。

作為「不差數(shù)據(jù)」的頭部公司，Waymo 選擇用手上積累的測試數(shù)據(jù)訓(xùn)練人工智能系統(tǒng)，以更好地模仿真實司機與行人。

在模擬測試中，Waymo 甚至?xí)y試模擬的人類駕駛員與行人是否會撞向?qū)Ψ?，以此來判斷模擬的場景是否足夠真實。

Waymo 首席科學(xué)家 Drago Anguelov 解釋，這個領(lǐng)域其實才剛剛萌芽。如果你見的模擬器多了，就會發(fā)現(xiàn)它們中許多模擬出的世界并不真實，因而會影響測試效果。

就拿 Uber 來說，最近 Uber 在測試停著的車后站人的場景，結(jié)果顯示模擬器中的車根本不會像現(xiàn)實中一樣減速。

工程師對模擬器精度進行校準(zhǔn)時發(fā)現(xiàn)，原來車輛只注意到了前方交通信號燈的顏色。綠燈亮起，車輛自然會加速行駛。

Uber 趕緊對這一問題進行了調(diào)整，以保證車輛表現(xiàn)得像現(xiàn)實世界中一樣（靠近紅綠燈才開始識別）。

采集現(xiàn)實世界的數(shù)據(jù)

訓(xùn)練行為預(yù)測的數(shù)據(jù)可以被動地從現(xiàn)實世界中采集，只要車輛配好攝像頭、計算機和互聯(lián)網(wǎng)就行。此后，觀察、預(yù)測、標(biāo)記錯誤并上傳等就可以完成。

訓(xùn)練溝通與互動的數(shù)據(jù)也能被動采集，只要我們記錄下駕駛員駕駛時的輸入，如轉(zhuǎn)向、加速、剎車和燈光信號等。

在業(yè)內(nèi)，我們稱之為模仿學(xué)習(xí)。

人類駕駛員會手把手向神經(jīng)網(wǎng)絡(luò)展示如何與現(xiàn)實世界的道路參與者進行溝通與互動，而神經(jīng)網(wǎng)絡(luò)只需要在情境變量相同時執(zhí)行此前學(xué)到的動作即可。

從理論上來講，這些有用的數(shù)據(jù)我們也可主動進行采集。

例如，自動駕駛汽車或駕駛員輔助系統(tǒng)做出某一判斷后，如果人類駕駛員給予否定（接管方向盤），那么這次糾正就會成為模仿學(xué)習(xí)的重要材料。

當(dāng)然，如果換到強化學(xué)習(xí)的語境下，系統(tǒng)就能在不斷減少人類干預(yù)的情況下等到獎勵。

如果哪家自動駕駛公司能讓神經(jīng)網(wǎng)絡(luò)精確模仿人類駕駛員的行為，在模擬時就能精確很多。

完成這一步后，他們就能利用模擬的方法訓(xùn)練神經(jīng)網(wǎng)絡(luò)如何進行駕駛強化學(xué)習(xí)模式。

不過想要實現(xiàn)這一目標(biāo)，還是得先從現(xiàn)實世界采集海量數(shù)據(jù)。

模擬器里并沒有駕駛的真知灼見

想學(xué)會駕駛，自動駕駛汽車需要準(zhǔn)確預(yù)測其他道路參與者的一舉一動，同時還能與他們進行溝通和互動，特別是其他車上的人類駕駛員。

想做好預(yù)測工作，就得從經(jīng)驗出發(fā)觀察其他道路參與者，而成功的溝通與互動則需要對其他道路參與者的一舉一動了如指掌，這同樣需要經(jīng)驗。

所以說，模擬器里并沒有駕駛的真知灼見，除非它是由經(jīng)驗數(shù)據(jù)訓(xùn)練出來的神經(jīng)網(wǎng)絡(luò)。

想向模仿學(xué)習(xí)與強化學(xué)習(xí)借力，自動駕駛汽車可能得在路上行駛上百年，因為系統(tǒng)對經(jīng)驗的需求量實在太過龐大，一個幾百輛車的測試車隊只能算杯水車薪。

當(dāng)然，即使自動駕駛公司手上有數(shù)百萬輛新車，也不一定能完美實現(xiàn)全自動駕駛，但它們帶來的數(shù)據(jù)肯定可靠性要強得多。

返回第一電動網(wǎng)首頁 >