<mark id="oztn4"></mark>
0
雖然業內有英特爾的CARLA、微軟的AirSim等開源式自動駕駛平臺模擬器，但開源平臺需對接諸多合作方，不一樣的軟硬件設備，耗費精力，進展緩慢。因各家架構不同、傳感器方案不同，開源平臺很難將傳感器模擬做到真正的通用化。
站在自動駕駛初創公司角度，“不可否認這些開源仿真平臺可以提供很多很有價值的特性，但是最大的難點是對于現有系統的適配，Drive.ai無法開發最小化可行產品（MVP）”，Drive.ai 技術專家孫慶向雷鋒網新智駕表示。
Drive.ai目前已自建自動駕駛閉環模擬系統與自動駕駛開環模擬系統。孫慶提到，對于決策規劃系統而言，閉環的反饋至關重要，因每一次決策規劃都會改變當前的環境。同時，決策規劃系統的輸出也需要從全局的角度進行驗證。
開環模擬系統最大的優勢在于其可以模擬閉環系統目前實現的極端真實場景輸入。在開環仿真系統中，Drive.ai直接使用真實世界中采集到的傳感器數據用來測試全棧系統（感知以及決策規劃）。
11 月 18 日（周六）上午 10 點，【大咖Live】第 24 期智能駕駛·仿真專場，我們邀請到 Drive.ai 技術專家孫慶詳細解析“如何更有效地利用仿真系統助力自動駕駛研發？”。照例，本次分享對雷鋒網新智駕會員免費開放。
本文對整場分享進行了綜合整理，雷鋒網新智駕會員可進入【新智駕會員計劃】頁面查看全文實錄。
2015年成立的Drive.ai，定位于全棧式自動駕駛方案提供商。2018年，Drive.ai在美國德州弗里斯科和阿靈頓兩城落地自動駕駛車隊試運營。其中，Drive.ai已正式在德州阿靈頓向公眾開放無人駕駛接送服務。
談起自動駕駛模擬仿真系統對于自動駕駛公司的重要性，孫慶引用了美國蘭德公司在2016年做過的一項研究《自動駕駛需要積累多少里程才能被證明是可靠的》：這項研究以手動駕駛的事故及死亡率作為基準，美國每一億英里（1.6億公里）平均有1.09個人死于公路交通事故（2013年），若自動駕駛可以達到上述安全指標，需要積累2.75億英里（4.42億公里）；假設100輛車，每天24小時不停歇路測，平均時速25英里（40公里）每小時，需要花費12.5年的時間。拋開自動駕駛仿真系統，這將是一個絕大多數自動駕駛公司都無法達到的里程。
在環境構建方面，仿真測試對于環境構建的合理性、真實性，以及還原真實世界的精確程度方面都有要求。Drive.ai仿真系統直接使用和車載系統同樣的高精度地圖來保證靜態環境的100%擬真。
孫慶提到，動態仿真環境精度的要求取決于仿真的用途。針對于決策規劃系統的仿真，特別是真實世界中很難遇到的邊角案例，Drive.ai并不需要完全還原真實世界，只需模擬感知系統的輸出，此類輸出往往是較抽象。如此可以通過3D場景編輯器來構建虛擬的計劃路線，障礙物等等。
百度將其仿真平臺列為阿波羅主要變現途徑，通過給阿波羅合作伙伴提供仿真云服務來創收。在孫慶看來，仿真系統支持第三方平臺的最大障礙在于如何適配不同的數據格式，包括地圖，感知認知系統的輸入，控制系統的輸出等等。實現此類功能需耗費較大的工作量。而對于仿真平臺而言，更重要的是它的評價系統，這涉及到對于其他系統更多狀態的采集以及分析。
「2018智能駕駛芯片行業」研報（點擊鏈接進行查看）已出爐，2萬字精華，10家公司參與，芯片行業研究者、創業者、車企、投資者們不可錯過，快去搶讀。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
