浅谈无人驾驶发展的下一突破口

无人驾驶汽车是通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标的智能汽车。

 

它是利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。集自动控制、体系结构、人工智能、视觉计算等众多技术于一体，是计算机科学、模式识别和智能控制技术高度发展的产物，也是衡量一个国家科研实力和工业水平的一个重要标志，在国防和国民经济领域具有广阔的应用前景。

在无人驾驶车领域，技术的每一步发展都必须以保障个人安全为丈量，由是它的发展除了将带给人们欢喜鼓舞的便利之外，也引发了对其安全性的担忧。

谷歌、特拉斯、Zoox……还有更多公司借助模拟的方法力图使无人驾驶车的行驶里程尽快达到十亿英里。目前，无人驾驶车的发展存在两个瓶颈：一是官方对于车辆最低里程数的要求。二是实验和测试模型仍待优化。

工程师基于大数据完善无人车辆的行使模型，实验场景从太阳光到传感器，再从不同角度的传感器到汽车前方的飞行障碍以及异常的外界行为等。

而问题在于在重现现实场景并不容易，也不安全。

兰德的一份报告发现，如果要测试无人驾驶的安全性是否达到可以接受的程度，实则需要上万英里甚至数十亿英里的实验里程作证明。

“即使作最合理的打算，现有的无人驾驶车也需要几十年甚至数百年的时间才能完成预定的里程测试。而如果将测试放在现实道路上，则会是一个不可能完成的任务。”

用什么方法才能不断提高无人驾驶车辆的可靠性?

像Uber、Lyft和Zoox这样的公司诞生于大城市，并在一定条件下进行运作以降低自身的技术壁垒。但是这可能适用于世界各地的Uber们，而像传统的原始设备制造商则选择通过不断更新汽车的自动化功能来弥合与共享技术的差距。

因此，我们可以绕过在目前需要大量数据的传统技术方法，而建构起能够进行推理和学习小量数据的模型。公司在去年被Uber收购的加里·马库斯花了几年时间研究这个问题，但此类学习模型至今还没有在无人机中成为现实。

不要忘了仿真模拟

从软件到硬件的仿真模拟被合理建模时，就会为公司实验和测试他们的汽车模式提供可能性。

这包括各种各样的应用场景，包括交通、司机行为、天气以及道路环境等。

还要考虑传感器的使用情形。需要多少个相机和雷达?它们应该被放置在哪里?应该使用哪种模型硬件?

同时，灵活的随机排列也十分重要。基于此，在路上就不需要把车队和可靠的司机紧紧绑在一起。

我们仍未抵达终点

如今，诸如Vires、TaSS PreScan、CarSim、Oktal ScanNer和ROS Gazebo等产品给工程师模拟传感器及其发生机制和机械结构提供了可能。 尽管它们各有所长，但却同时忽视了对于模拟而言至关重要的领域，这包括过分简化现有的传感器输出，以及对环境如何影响自主模型的复杂程度的了解。

然而随着技术的不断发展，我们必须考虑如何以高保真的方式执行、插入和测试硬件与软件的融合之物。

高保真的模拟环境

虽然模拟大多数传感器对于外界的感知存在困难，但是简单的模拟在车辆上的应用越来越普遍。

由于低成本的LiDARs未实现的承诺和高端单元的短缺使得OEMs和Tier 1的可伸缩性变得困难，因此光学相机被报以期待。

模拟相机的模拟数据与输入的数据没有误差，因此为了正确地测试对外界感知程度，工程师需要建构出逼真的模拟环境。但是建造一个复杂的模拟光圈则非常昂贵且存在困难，因此没有人能够为了打造一辆无人汽车而模拟这个环境。

大约在一年前，我遇到了克雷格。当时他正在发布一个他称之为DeepDrive的东西。我后来得知，作为早期的工程师之一，他利用游戏兜售1.37亿美元的开发成本重现现实世界的场景，并通过展示高保真度的景象...来支持无人驾驶汽车。

几个月后，克雷格加入了一家名为Uber的小型初创公司，专注于研究模拟。

普林斯顿大学的一个研究小组详细介绍了使用GTA V的优势。它将世界范围划分为100平方英里、400万人、262种车辆、1167种不同的生物、14种天气条件、以及在城市、农村和林地环境中的7万多条动态路段。

模拟行使里程真的有用吗?

对于模拟里程效用的观点不一

支持一方认为，模拟可以用来模拟罕见情况和基线数据，罕见的情况是指难以重现或足够随机的场景。如果无人驾驶能够提供99%的可靠性，因为大部分场景已经通过模拟得以优化。而AI 或ML的一些未来技术迭代则允许我们在没有事先数据预备的情况下，对极端情况做出反应。

排除特殊情况之外，仿真对于构建基础数据集也非常有用，并且在此基础上不断进行进一步的测试。

反对一方则认为与此相对应的是：模拟环境不够好以至于不能高效地生成模型。通常，这是一个环境与车辆交互的场景，并且很难在现实场景中复现。此外，还存在着图像保真度过低的情景。

从模拟虚拟到在现实情形下的强化学习

为了帮助解决有关数据质量的一些问题，研究人员正在测试将虚拟图像输入转化为现实模型的可能性，以改进模拟实验。

谷歌曾放出消息，虽然许多政府机构还不愿意将模拟英里数作为规定中的自主驾驶测试所需里程的一部分，但随着对模拟的监管变得更加明确，这种情况可能会发生变化。

模拟是必要的

如果精确度足够高，那么模拟是有价值的。诚然，模拟可能不会解决的最后1%的自主驾驶问题。但如果技术可靠，那么在未来可以让模型完成更好的场景识别或应对更大范围的场景。

许多公司对此表示赞同。包括特斯拉，Zoox，Comma.ai，Drive .ai和极光创新公司都在积极招聘模拟工程师。

在无人驾驶领域之外

模拟技术的使用能够扩展到无人驾驶领域之外。虽然我们可以借此理解无人机如何感知周围的世界，但除此之外我们也能更好地明白交通、驾驶行为，甚至是行人行为的潜在逻辑。

退一步讲，一个模拟环境中存在足够多的特定模型和动态生命，因此我们也可以更好地理解机器人，它们将与我们的真实世界和数字世界发生交互。

像Improbable这样的公司已经瞄准了这个潜在市场。投资者们也已经认识到，该技术作为未来模拟世界的建筑师其所隐藏的价值。

我们才刚刚触及这项技术的表明。许多公司正在大力发展该项技术，一些初创公司也已经开始开发独立的软件。随着研究深入，预计会有各种各样的新选手进入市场。那些最早成功人有机会成为早期的领导者，或能带领其他人更好地进行阶段式的发展。