rFpro “模拟场景库”助力自动驾驶汽车测试

图为在fPro 中为一个缺少道路标记的交叉路口创建训练数据集的复杂案例。

SAE 4 级和 5 级自动驾驶汽车的验证挑战, 一直是驾驶模拟专家 rFpro 公司的主要关注点，fFpro技术总监 Chris Hoyle 表示，网联自动驾驶汽车的出现为汽车行业带来了一系列新的未知数。未来，汽车制造商必将建立包含数千个模拟测试场景的数据库，以应对汽车验证的挑战。

Hoyle 认为，目前必须回答的关键问题包括：我们如何才能确定网联自动驾驶汽车可以在任何条件下都可安全运行？我们该如何保证测试的全面性和严谨性，但又同时满足对测试周期和成本要求？我们是否有方法在进入验证阶段前，加速自动驾驶车辆的开发，但又同时避免给公共道路用户带来危险？

Hoyle 表示自己经常遇到相关讨论。他认为，与现实世界中的真实测试相比，模拟仿真测试具有覆盖范围大、测试周期短等优势，但前提是必须加以正确应用。



rFpro 公司正在巴黎的一个十字路口进行测试，可以看到这个十字路口的道路标记比较模糊。

新的模拟仿真平台

rFpro 公司声称已经推出了世上首款针对自动驾驶汽车模拟仿真、训练及开发的商用平台，可以在“各种可以想象到的环境下”对自动驾驶汽车进行测试。据称，该平台的一个关键特点是“以非常高的精度，精确复制现实世界的测试环境”。通过一项为期 3 年的项目，rFpro 公司已经利用高精度扫描技术（更多信息，请点击这里）将大量真实道路转换为模拟测试场景，并最终创建了一个“模拟测试库”。用户可在库中选择各种不同的模拟测试场景，并控制从“天气”到“行人”等各种变量输入。目前，这项技术已被 2 家大型OEM、3 家自动驾驶汽车开发商及 1 条无人驾驶赛车产品线所采用，但出于商业机密方面的考虑，rFpro 公司并未透露更多细节。

凭借一组全天候工作的计算机，制造商每月可累计数百万英里的模拟测试里程。Hoyle 解释说：“从统计学角度而言，人类驾驶员平均每行驶 1 亿英里，就会发生一起交通致死事故（来源：NHTSA数据），但我们在自动驾驶汽车的模拟测试中很难真正累计到这种级别的测试里程数。事实上，人类驾驶员的“数据”如此优秀是因为：在日常驾驶中，我们的绝大多数里程都是“无事发生”的。正因如此，我们可以消除这部分“无事故”里程，并通过模拟技术让网联自动驾驶汽车每隔几秒钟即遇到一次“千年一遇”的事件，进而大幅缩短模拟测试周期。未来，汽车制造商将建立包含数千个模拟测试场景的数据库，而自动驾驶汽车必须成功通过这些测试场景，才能通过验证。”

每次遇到测试失败的情况，模拟测试场景库中都会新增几项针对这一场景的标准测试。此外，车辆不仅必须成功通过每一项测试，而且还必须保证性能的稳定。

Hoyle 表示，这种采用回归逻辑不断重复运行的测试库，可以确保任何对自动驾驶汽车的新改进均不会影响现有功能。“为了实现这个目的，rFpro 不仅可以在一组设备上并行运行多个实验，而且还可在多个 CPU 和 GPU 上对一项实验进行扩展，从而应对由于自动驾驶汽车数据来源多样（包括多部摄像头、激光雷达、雷达传感器等）而引入的复杂性。”



每一帧用于监控学习的训练数据均包括语义段、实例段、光流算法、深度和标记目标数据，图为一个语义分割的例子。

标准化模拟

程度如此密集的测试需要一定时间才能达到预期的结果。但 Hoyle 预计，未来五年中，新测试场景的增加速度将降至在统计学角度低于人类驾驶员出错率的程度。这时，现实世界中的真实物理验证流程就可以启动了。

Hoyle 认为，如果进展理想，汽车行业将开发一套全球性的标准化测试场景库，任何自动驾驶车型一旦通过该标准库的验证，即可进入下一阶段测试——即从库里抽样选择一部分场景，进行现实世界中的真实测试。

但这就带来了另一个问题：我们如何才能保证这个场景库的全面性和严谨性？ Hoyle 表示，讽刺的是，人类非常善于测试自动驾驶汽车，“因为人类具有随机且不可预知的特点，从来不会重复；人类会犯错，而且表现也会随着情绪和疲劳程度的不同而改变。”目前，单个模拟测试中可以支持的人类驾驶员数量已经增加至 50 个。我们可以测试自动驾驶汽车在人口或道路用户密集的城市中心地区的表现，而且无需承担人员伤亡的风险。

rFpro 公司预计，到今年晚些时候，加入单独测试的人类驾驶员数量将增加至 250 名，负责对一辆或多辆网联自动驾驶汽车的测试。

人工智能 (AI) 系统的高效开发，离不开在启动重新测试前从失败中进行学习、总结、改进的能力。Hoyle 强调说，我们还会将频繁遇到的边缘案例（其中一个参数超过系统限制）或极端案例（其中两个或两个以上参数超过系统限制）反馈至系统中，从而不断丰富系统的知识库。

我们可以建立训练数据库，用以展示失败测试中本应表现出来的正确行为，且每个数据库均应包含来自所有传感器模型的数据，包括虚拟摄像头、激光雷达和雷达。Hoyle 表示，每一帧训练数据均应与“地面实况”数据相关联，包括语义段、实例段、光流算法、深度和标记目标数据，“在这种逻辑下，我们的模型可以通过监控下的学习，针对每一种新的失败模型，进行相应的改进和适应。”

然而Hoyle 也补充道，尽管如此，我们还有一个至关重要的因素必须始终铭记于心， “人类是无偏差输入的最佳来源，因为即使在相同天气条件下的同一条道路上，人类驾驶员也不会以完全相同的方式驾驶。此外，他们可以发现一些异常、激怒或意外事件，并有可能因为其他道路用户的行为而作出不当反应！”