模拟器，会是自动驾驶的下一个刺激战场吗？

编者按：

市场的推动，政策的制定，自动驾驶技术的发展得到了多方的支持和保障。然而，怎样让自动驾驶得到安全可控的发展逐渐成为讨论的焦点。1亿公里（8年）的路试怎样在保证安全的前提下得到有效缩短？

模拟测试正是解决问题的关键，即成为自动驾驶技术发展的加速器。自动驾驶车辆可在模拟测试过程中对其技术的成熟度进行验证，规避路试中的众多风险，并创造路试中难以实现的危险情景。

智行君联合国内外技术伙伴，致力于整车-交通场景在环的研究，搭建用于传感器、控制算法、整车执行机构等系统的仿真测试与验证方案。

VTHILS - 整车级感知验证

（室内测试）

VaHIL - 整车级控制策略

VIL整车级感知试验场

（室外测试）

VxHIL - 集成化解决方案

感兴趣可以通过邮件与智行君取得联系。我们的邮箱：info@iae-tech.com。

在亚利桑那州梅萨的南隆摩街和西南大街的拐角处有一个左转黄灯，自动驾驶行业内的人士习惯戏称它为“死亡之地”，因为这种类型的路口对于人类和无人车来说都是非常棘手的。司机进入五个方向的路口后，要在车流里找到缝隙通过。 过早左转可能会造成危险，太晚转弯可能会阻碍交通。

Waymo花费了大量的功夫训练自家无人车顺利通过此路口。这种训练方式，并非传统意义上的路测，而是自动驾驶模拟测试。

*Waymo 重构的东部山谷

Waymo通过定制传感器套件构建了一个详细的虚拟现实版东部山谷，让无人车在模拟器中一次又一次的训练如何通过路口。这个虚拟路口，拥有与现实相同的尺寸、车道线、路肩和左转黄灯。Waymo无人车可以在这个虚拟版拐角处练习数千次，在复杂的车流中找到合适的时机插入。

上述左转黄灯的例子，经常被Waymo提起，用来阐述自家自动驾驶汽车如何通过模拟测试来升级算法，征服一个个“死亡之地”。

如今，进行模拟测试已经成为Waymo无人车开展公共道路路测前必做的项目。Waymo 高级软件工程师 James Stout近日透露了公司模拟器Carcraft的部分数据：累计50 亿英里模拟测试里程、25000台虚拟的自动驾驶汽车、每天800万英里的行驶里程、年超25亿英里的数据，几十亿级的模拟里程数据的背后，折射着Waymo对模拟测试的重视。

目前行业内逐渐达成共识，模拟成为每一位自动驾驶玩家的技术储备。即使自动驾驶里程已经达到800万英里，拥有10年自动驾驶经验的Waymo依旧非常依赖模拟测试；百度阿波罗也早早将仿真平台作为其主要的核心技术；AutoX创始人肖健雄也将仿真作为无人车量产的4大技术储备之一；Roadstar.ai、Pony.ai等诸多自动驾驶初创公司都在自主研发模拟器。

为什么自动驾驶公司都自主研发模拟器？

模拟测试对自动驾驶系统的积极作用，行业政策的规定，以及市场趋势的变化，促使模拟器成为自动驾驶玩家必备。总观整个自动驾驶行业内，初创公司也好，资深玩家也罢，凡是与自动驾驶有关的公司几乎都开始布局自己的模拟器。

从自动驾驶技术方面讲，随着越来越多的公司将自动驾驶汽车量产提上日程，无人车在公共道路上行驶必须要面对诸多不确定的环境。纵然加州湾区每天有诸多公司的自动驾驶汽车在路测，但这些先进的自动驾驶技术仅局限在极其有限的条件和道路环境下进行测试，而限定环境测试并不能保证相关技术的安全性和稳定性。面对一些突发情况，例如行人闯进马路、汽车逆行、前方发生道路事故等等突发状况时，自动驾驶汽车并不能保证可以做出正确的判定。否则，今年3月份的Uber行人致死事件就不会出现出了……

模拟器为厂商们提供了无风险环境下测试和更新自动驾驶软件算法的工具，加速了自动驾驶汽车的生产周期，公司可以在虚拟环境中提前测试自动驾驶汽车，确保其在现实世界可以安全上路。

虚拟环境中测试算法的功能促使模拟器成为自动驾驶公司基础构架的一部分，它和无人驾驶系统紧密结合，这也“逼迫”与自动驾驶系统有关系的公司把模拟测试提上日程。

虽然业内有英特尔的CARLA、微软的AirSim等开源式自动驾驶平台模拟器，但开源平台需对接诸多合作方，不一样的软硬件设备，耗费精力，进展缓慢。因各家架构不同、传感器方案不同，开源平台很难将传感器模拟做到真正的通用化。有行业人士表示，各家自动驾驶系统的解决方案在硬件、软件、算法上不尽相同，为了更加适配自家自动驾驶系统，大多数公司选择自主研发模拟器。且开源模拟器目前并没有成熟的解决方案，在开源的基础上修改，自动驾驶公司需要耗费更多的精力。

如今，一些地方对模拟驾驶的把控也已经上升到政策上。例如加利福尼亚州，立法机构要求公司在获批公共路测自动驾驶汽车之前，必须证明已在其设计的模拟环境通过测试。

今年3月份Uber无人车造成的行人致死事件，让许多公司开始觉醒，这也成为一部分玩家加码模拟器的导火索。关于这场悲剧，Uber内部透露的一条讯息让人印象深刻：只在意路测，忽略了模拟器上的测试。谷歌相关人士曾表示“如果模拟器能够更好满足自动驾驶汽车的测试需求，那么工程师们就可以转战软件市场了，升级软件，然后在模拟器中跑。”Waymo对模拟器的重视，以及Carcraft的强大，引来业内诸多旁观者重新正视自动驾驶模拟测试。

模拟器的意义及开发难点

模拟测试已经成为保证自动驾驶安全的一剂良药。从理论上来讲，如果图形处理软件、算法、云存储系统足够强大，测试的事也可以完全在研发实验室内完成，并且数据还可能更精准。

模拟器能够重构现实世界，让自动驾驶汽车在进行真实道路验证之前，测试其技术的成熟度。工程师可以在虚拟环境中构建更多更复杂的场景，帮助自动驾驶汽车在不确定的环境中尽情的进行算法测试，不用担心碰撞事故危险。

自动驾驶模拟测试大都离不开这几项流程：搭建场景、搭建传感器、添加算法、仿真测试。

• 模拟场景：即构建道路地图，包括地面类型、车道线、信号灯、地标，并加入交通参与者（人、车、运动路径）
• 模拟传感器：根据实际路测车辆装备的传感器，给模拟车辆添加同样的摄像头、激光雷达等传感器，设置参数使其和现实使用中尽可能保持一致
• 添加算法：开发者将算法导入模拟环境中，控制模拟车辆行驶
• 仿真测试：搭建好场景后，正式开始测试，检测算法的成熟度

其中，模拟场景的搭建包括现实环境再现和人工设计环境。

1，现实环境再现，类似于Waymo的Carcraft重构梅萨路口左转黄灯的场景。测试工程师将现实遇到的场景复制到虚拟环境中，已确保自动驾驶汽车走进现实时，可以安全通过路口。

2，人工设计场景，在测试的过程中，工程师可以利用高级图形处理技术，人工设计场景因素，并进行随时的调整。例如暴风雨、晃眼的阳光、坑洼不平的行驶环境。即通过人工再设环境，增加道路环境的复杂性，来测试算法的最大极限。当然，这些模拟环境要尽可能的接近现实场景，才可保证自动驾驶模拟测试的高效率和可落地性。

环境构建是模拟系统中重要的一步。无论是真实场景再现，还是人工设计环境，对环境构建的合理性、真实性，以及还原真实世界的精确程度方面都有要求。更接近现实、更高的精度可以使得传感器反应更自然，测试结果更有参考性。

虚拟环境的构建要有大量的真实的道路数据支持，这就需要搭载摄像头和传感器的测绘车上路采集信息，这也是自动驾驶模拟中环境构建的难点所在。单从道路信息收集方面讲，Waymo、高德、四维图新、Deepmap等在地图测绘方面有经验的企业更适合推出自动驾驶模拟器。Waymo拥有庞大的高精度地图测绘车队。一位业内人士称，2016年，Waymo构建的模拟场景中，真实环境再现场景约占80%，人工设计环境约占20%。这也折射出真实环境在模拟场景搭建中的重要地位，路测对于自动驾驶模拟器厂商的重要性。

业内熟知的以色列自动驾驶仿真平台公司——Cognata，也是由搭载传感器和摄像头的汽车收集道路数据，通过专利算法，将真实道路数据应用在虚拟环境中，使仿真系统和真实环境情况足够契合。

rFpro的英国初创公司创建的首个商用自动驾驶模拟器在仿制世界精确度上较有优势。利用相位匹配（phase-based）激光扫描调查数据来创建建模，其三维精度已达到1毫米左右。

传感器模拟难也是业内的共识。对于自动驾驶汽车而言，摄像头、激光雷达等传感器仍在不断变化之中，没有完全定型。不断涌现更换的传感器产品，经常迭代更新的软件算法，这也影响着传感器模拟。每当传感器或软件更新时，自动驾驶企业都需要重新模拟传感器并进行算法测试、升级。这就需要模拟器能够适应传感器、软件算法的改变。 

*metamoto的模拟软件

硅谷初创企业metamoto推出的全新自动驾驶模拟服务，可以随需适应自动驾驶产品的迭代升级，通过Jenkins和Jira等工具，可以实现无缝回归测试，灵活的工作流程和版本控制。

模拟器之于自动驾驶的过程正是：测试、升级、再测试。在锻炼提升算法的过程中，自动驾驶企业都会有自己的一套自动化评判标准，系统自动判定车辆是否违规，无需人工干预。

模拟器能不能催生一门生意？

自动驾驶模拟器这一细分市场正在悄然兴起，诸多自动驾驶玩家开始自主研发模拟器，也有一些专门提供自动驾驶模拟服务的公司涌现，并受到投资者的青睐。

除了Waymo，Roadstar.ai、Pony.ai、Drive.ai等诸多自动驾驶初创公司都在布局仿真器，Auto X自主研发的仿真器产品是基于多传感器的三维仿真，并根据仿真数据构建高精度地图，完全模拟无人驾驶的运行环境。AImotive也正在通过实时模拟器来对深度学习算法进行培训。

Drive.ai建立了3D化的“大型场景库”，工程师在虚拟世界中通过自动驾驶模拟器来评估公司的自动驾驶系统。近日，Drive.ai在德克萨斯州的自动驾驶出行服务落地，公司透露其自动驾驶汽车完成了基于Frisco道路的一百万英里模拟路程。Drive.ai收集的模拟数据帮助自动驾驶车辆能够快速适应周围场景。工程师没有为不同形状和大小的灯光编写特定的识别程序，而是让车辆的计算机视觉算法通过在数千个交叉路口的训练，学会独立识别不同的红绿灯信号。

在Uber行人致死事件之后，自动驾驶模拟器的作用凸显，英伟达推出了全新的自动驾驶模拟平台“Drive Constellation”，这套程序由两台服务器组成，第一台服务器运行英伟达DRIVE Sim软件，用来模拟自动驾驶汽车的传感器；第二台服务器则搭载英伟达DRIVE Pegasus计算平台，运行完整的自动驾驶汽车软件堆栈，并快速处理模拟数据。受试车辆可以在5个小时内，完成约48万公里的道路测试。也就是说，两天内，即可完成全美所有道路的测试。

百度将其仿真平台列为阿波罗主要变现途径，通过给阿波罗合作伙伴提供仿真云服务来创收。Cognata也去年募得资金500 万美元，Maniv Mobility、法雷奥、空客集团风投公司（Airbus Ventures）及Emerge都是其背后的投资方，公司也同奥迪达成合作，为后者提供自动驾驶平台。metamoto也在2017年募得了500万美元+的资金。

行业内目前达成的共识是，模拟正在成为自动驾驶的标准之一，成为系统开发周期的一部分。不同于激光雷达、芯片、算法，自动驾驶模拟器因对标公共环境路测，其发展相对较晚，拥有成熟产品形态的公司较少。

不过，可以预见的是，随着自动驾驶汽车开上公共道路的日子临近，模拟器这一细分市场的“战火”也会越烧越旺。