剖析自動駕駛的模擬場景駕駛技術

無論是人類駕駛還是計算機駕駛，在開發任何車輛時，安全性都是最重要的因素！

模擬場景之于自動駕駛的必要性

在自動駕駛車輛的開發過程中，必須在各種駕駛條件下反復評估自動駕駛技術，以確保其安全性要優于人類駕駛。有時，這意味著我們需要在實際道路上進行真實場景測試，與此同時，也體現了使用模擬場景來增加實際行駛里程數的必要性。

特別需要注意的是，在測試不同以往的危險駕駛條件時，模擬會發揮很大的效用。模擬的靈活性和多功能性使其顯得尤其有價值。

如果不使用模擬，在確定自動駕駛汽車如何應對某些實際場景時會非常危險，比如一個小孩突然從停泊的車輛后面沖到街上，抑或是另一輛車闖紅燈。

先進的圖形技術可以復制現有場景并對其進行修改。舉個例子，即使您住在沙漠里，模擬也可以根據場景需要制造一場暴風雪?；蛘?，它可以調整太陽的位置，使其看起來像日出或日落時的場景，從而讓車輛“看不見東西”。模擬可以提供一種可控的方式，針對一些有可能會將測試駕駛員置于危險當中的各種情況來進行建模，例如在高速路面上放塊黑冰。

此外，模擬還支持在短時間內測試眾多場景。在慕尼黑舉辦的 GTC 歐洲大會的開幕主題演講中，黃仁勛先生告訴聽眾，通過借助NVIDIA DGX和新型TensorRT 3進行超實時模擬，工程師可以在5小時內模擬駕駛300,000英里。這意味著基本上可以在兩天的時間內模擬美國境內所有已鋪設好的道路。

NVIDIA 創始人兼首席執行官黃仁勛在 GTC 歐洲大會的舞臺上介紹 GPU 技術的超凡模擬性能

要想讓模擬能夠有效地訓練和測試自動駕駛汽車，數字世界必須像真實世界一樣運作。由 GPU 提供支持的精細圖形和強大物理引擎可以提供必要的真實性。

創建模擬后，它必須與自動駕駛系統相連。NVIDIA 的統一 GPU 架構使得自動駕駛技術能夠在研究實驗室或數據中心的模擬環境與真實車輛上搭載的 NVIDIA DRIVE PX 之間輕松切換。

GTC 大會上展示的模擬技術

DRIVE PX是一臺人工智能 (AI) 車載計算機，它可以融合來自各種自動駕駛傳感器的數據，運行自動駕駛所需的復雜軟件算法，然后向汽車發送自動駕駛指令。

DRIVE PX 還可以配置成收集模擬傳感器數據并輸出模擬駕駛命令的模式。在 GTC 歐洲大會上，有多家公司發表了演講并做出了演示，介紹他們如何通過這種方式利用 DRIVE PX。

IPG 在模擬環境中使用 DRIVE PX 來測試行人檢測能力

IPG Automotive的 Dominik D?rr 介紹了虛擬原型和傳感器模型。他們公司的自動駕駛解決方案為自動駕駛工程師提供了一種方法，來整合各種開發成果進行整體測試。D?rr 稱，這樣可以在完成整個原型之前對各個功能或網絡執行早期測試。

這些虛擬原型在 DRIVE PX 上運行，而 DRIVE PX 被配置為在模擬環境中導航。DRIVE PX 會像在真實世界中那樣評估模擬環境，并適時的指明駕駛方向。通過這一流程，工程師可以評估他們新開發的自動駕駛解決方案是否能夠正常工作。

來自 VI-grade 的 Roberto De Vecchi 駕駛著一臺物理模擬器，該模擬器可用于測試較低水平的自動化，在這種自動化水平下，人類駕駛員在某些條件下仍需要掌握方向盤

來自VI-grade的 Roberto De Vecchi 與來自合作伙伴 AddFor 的 Enrico Busto 一起討論如何對駕駛軟件的準確性以及這一軟件對車內人員的影響進行測試。為此，他們使用的駕駛模擬器將人類駕駛員的操作與運行在 DRIVE PX 上的自動駕駛軟件相結合。在進行此類測試后，可以確定軟件是否可以正常工作，并且評估車輛中乘客的體驗。

海量數據助力自動駕駛

Rodolphe Tchalekian 介紹了ESI Group的模擬軟件 Pro-SiVIC 如何為機器學習算法的測試與訓練而創造逼真的實時 3D 虛擬環境。

想為自動駕駛創建新的機器學習算法，就需要大量的訓練數據集。如果從真實世界中收集這些數據，就必須先為這些數據加上標簽，然后自動駕駛算法才能進行消化并從中學習。然而，模擬數據可以在創建時自動加上標簽，這樣可以節省大量時間。

利用合成數據集訓練新算法之后，ESI 會使用 DRIVE PX 驗證它能否正常工作。

TASS 利用 DRIVE PX 在模擬駕駛環境中測試車道保持能力

來自TASS International的 Martijn Tideman 在 GTC 歐洲大會的一場分會上重點介紹了他們 PreScan 模擬平臺。PreScan 是一個基于物理性質的模擬平臺，用于評估自動駕駛和其他汽車應用程序。

過去，PreScan 一直用于測試駕駛員輔助功能以及車輛與車輛之間的通信功能。最近，TASS 已使用 PreScan 數據來訓練和驗證自動駕駛所需的深度學習算法。

Tideman 分享了與德國人工智能研究中心及西門子公司合作完成的項目的成果，展示了合成數據對于深度學習的價值。該項目得出的結論是，在訓練深度學習駕駛算法時，向真實數據中增加合成數據比單獨使用真實數據更有效。

繼在慕尼黑舉辦的大會之后，NVIDIA 主持召開了 GPU 技術大會以色列場開幕式。模擬初創公司 Cognata 向由五個裁判組成的評審團介紹了其業務戰略，最終贏得NVIDIA人工智能初創公司挑戰賽。

Cognata利用獲得專利的算法，打造具有逼真車輛以及行人行為的模擬城市。該公司還在模擬環境中重現傳感器數據，應用深度學習以確保模擬傳感器的運作方式與在真實世界中完全相同。

從訓練到測試，模擬都在改善自動駕駛成果。它不僅節省了訓練過程所用的時間，而且提高了性能，并且有助于真實世界中相對不安全或不可行的測試場景。

人類駕駛員在實際道路上評估新自動駕駛技術的效果依然是必要的。但我們同樣可以通過模擬來補充真實世界的駕駛時數，讓道路對所有駕駛者來說都更加安全。