为什么仿真测试能让自动驾驶变得更安全？

从训练到测试，虚拟环境正在让自动驾驶变得越来越完善。

在打造交通工具的时候，无论它是由人类还是计算机驾驶，安全都是首要考虑的因素。

在自动驾驶开发过程中，需要在各种行驶条件下，对无人驾驶技术进行不断的验证测试，从而确保其安全程度能够高于人类驾驶员的操作。这意味着，在一些时候我们要在实际道路上对其进行测试。然而同样重要的，是在虚拟道路上的仿真测试，虚拟测试也是积累无人驾驶汽车测试里程的重要手段之一。

具体说来，虚拟道路测试，能够有效对危险或不常见的驾驶场景进行测试。虚拟道路测试的灵活性和多用性，使其在自动驾驶技术开发中发挥着重要作用。

如果没有仿真道路测试，要观察车辆应对真实交通场景的反应，有可能会产生各种危险。譬如说，当一个孩子从一辆停着的车辆后方突然冲到了马路中央，或是有另一辆车在闯红灯。

而现在得益于高级图形处理技术的发展，工程师可以模拟出各种实际生活中的交通场景，并且根据需求对其进行调整。例如，在需要的时候，我们可以仿真出暴风雪的场景，即使你现在身处的是沙漠环境；另外，我们还可以在日出和日落时分模拟出正午晃眼的阳光，测试无人驾驶汽车在这种天气条件下的反应。其次，一些有可能使人类测试员处于危险当中的场景，我们也可以让其在虚拟测试中再现，例如仿真出一条布满薄冰的高速公路。

仿真测试还有另一个优势，那就是在短时间内对多种路况进行再现。在今年英伟达GPU开发者大会欧洲站的主题演讲环节，英伟达CEO 黄仁勋介绍称，使用NVIDIA DGX和Tensor RT 3进行仿真，工程师可以在5个小时内，完成约48万公里的道路测试。按照这个速度，仅仅两天之内，可完成全美所有道路的测试。

要想让数字仿真技术在自动驾驶汽车的训练和测试中发挥高效发挥，我们得保证虚拟世界要和真实世界无限接近。在GPU的驱动下，细节逼真的图像以及鲁棒的物理引擎，为工程人员提供给了所需的有利条件。

当模拟环境成功创建之后，它必须要接入一套自动驾驶系统。英伟达的统一GPU架构，使得自动驾驶技术在实车装载的Drive PX平台和实验室或大数据中心的仿真环境之间能够相对容易地进行迁移。

各家公司给出的解决方案

DRIVE PX是一个人工智能车载计算平台，它负责将多个传感器获取的数据进行融合，运行自动驾驶所需的复杂软件算法，然后将决策指令发送给车辆执行。

在经过配置之后， DRIVE PX也可以将模拟传感器的数据进行融合，然后输出模拟驾驶指令。在本届英伟达开发者大会欧洲站的活动现场，一些企业也展示了基于 DRIVE PX进行自动驾驶仿真测试的方法。

IPG使用Drive PX在模拟环境中测试对行人目标物的检测能力

IPG Automotive公司的 Dominik Dörr介绍了虚拟原型车与传感器模型的概念。该公司的自动化驾驶解决方案为无人驾驶工程师提供了一个将多个开发工作进行整合，从而对整体无人驾驶方案进行测试的方式。Dörr表示，这种解决方案，能够在完整无人驾驶原型车完成之前，就让工程师对各个单独的功能或深度神经网络进行早期测试。

这些虚拟原型，就是运行在DRIVE PX上的。该公司对DRIVE PX进行了配置，让它在虚拟环境中进行工作。DRIVE PX在虚拟环境中，会和在真实世界中进行同样的分析，然后根据分析出来的结果发出相应的驾驶指令。在这种过程中，工程师可以对无人驾驶解决方案进行评估，以确定该方案是否运作正常。

VI-grade这套物理模拟器可以对低层级的自动驾驶系统进行虚拟测试，其中需要人类驾驶员在紧急时刻进行操作接管

VI-grade的 Roberto De Vecchi与其合作伙伴AddFor的Enrico Busto一起，讨论了驾驶软件的精准性与汽车软件对人产生的影响。他们使用模拟驾驶装置来进行测试，该装置结合了人类驾驶员和运行在DRIVE PX上的自动驾驶软件的输入。当汽车发出接管指令的时候，人类驾驶员需要接管驾驶。

而这项测试的目的在于，可以对软件是否运行正常进行评判，并且能够评估车内人员的驾乘体验。

用数据驱动的自动驾驶仿真测试

Pro-SiVIC是ESI Group的模拟驾驶软件，该公司的 Rodolphe Tchalekian介绍了这个软件，它能够创建实时、物理现实的3D虚拟环境，该环境可以对机器学习算法进行测试和训练。

如果想要开发新的用于自动驾驶的机器学习算法，企业需要海量的训练数据。如果从真实世界中收集这些数据，在将其用于算法训练之前，工程师需要花费大量时间对这些数据进行标注。而如果是虚拟数据的话，它们在创建时就已经自动添加了标签，这样一来可以为企业节约大量的时间和人力成本。

在使用虚拟数据对新算法进行训练之后，ESI会使用DRIVE PX来对其进行验证，确保软件能够正常运行。

TASS利用Drive PX测试在虚拟环境中车道保持功能的表现

来自TASS International的Martijn Tideman在展示了该公司的PreScan模拟平台。PreScan是一个基于物理世界打造的模拟平台，它的作用是对自动驾驶和其他车辆功能进行评估。

过去PreScan一直被用来测试驾驶员辅助以及V2X功能。而就在最近，TASS开始使用 PreScan数据对自动驾驶深度学习算法进行训练和验证。

TASS与德国人工智能研究中心以及西门子共同合作了一个项目，该项目展示了模拟数据对深度学习算法的训练价值。Tideman表示，在对自动驾驶应用的深度学习算法进行训练的时候，在真实世界数据中加入模拟数据，能够提高训练的效率。

来自以色列的初创企业Cognata在自动驾驶的虚拟测试领域也有自己的见解。这家公司使用自己的专利算法，创建了多个虚拟城市，城市里有着真实的车辆与行人的行为数据。该公司还在虚拟环境中添加了感应器，这些感应器使用的是真实世界中的数据，从而确保它们在虚拟环境中的表现，与在真实世界中别无二致。

从训练到测试，虚拟环境正在让自动驾驶变得越来越完善。在训练过程中，它能够帮我们节省时间，提高效率，并且帮我们规避在真实世界中进行测试时的风险。在无人驾驶的开发中，让人类安全员在世界道路上进行测试是必不可少的一个手段。然而在实际道路测试之余，虚拟测试能为我们提供良好的测试补充，而且不会威胁路上行人和其他车辆的安全。