拿什么来保证自动驾驶的安全性？

无论是人类驾驶还是计算机驾驶，在开发任何车辆时，安全性都是最重要的因素！

模拟场景之于自动驾驶的必要性

在自动驾驶车辆的开发过程中，必须在各种驾驶条件下反复评估自动驾驶技术，以确保其安全性要优于人类驾驶。有时，这意味着我们需要在实际道路上进行真实场景测试，与此同时，也体现了使用模拟场景来增加实际行驶里程数的必要性。

特别需要注意的是，在测试不同以往的危险驾驶条件时，模拟会发挥很大的效用。模拟的灵活性和多功能性使其显得尤其有价值。

如果不使用模拟，在确定自动驾驶汽车如何应对某些实际场景时会非常危险，比如一个小孩突然从停泊的车辆后面冲到街上，抑或是另一辆车闯红灯。

先进的图形技术可以复制现有场景并对其进行修改。举个例子，即使您住在沙漠里，模拟也可以根据场景需要制造一场暴风雪。或者，它可以调整太阳的位置，使其看起来像日出或日落时的场景，从而让车辆“看不见东西”。模拟可以提供一种可控的方式，针对一些有可能会将测试驾驶员置于危险当中的各种情况来进行建模，例如在高速路面上放块黑冰。

此外，模拟还支持在短时间内测试众多场景。在慕尼黑举办的 GTC 欧洲大会的开幕主题演讲中，黄仁勋先生告诉听众，通过借助 NVIDIA DGX 和新型 TensorRT 3 进行超实时模拟，工程师可以在 5 小时内模拟驾驶 300,000 英里。这意味着基本上可以在两天的时间内模拟美国境内所有已铺设好的道路。

NVIDIA 创始人兼首席执行官黄仁勋在 GTC 欧洲大会的舞台上介绍 GPU 技术的超凡模拟性能

要想让模拟能够有效地训练和测试自动驾驶汽车，数字世界必须像真实世界一样运作。由 GPU 提供支持的精细图形和强大物理引擎可以提供必要的真实性。

创建模拟后，它必须与自动驾驶系统相连。NVIDIA 的统一 GPU 架构使得自动驾驶技术能够在研究实验室或数据中心的模拟环境与真实车辆上搭载的 NVIDIA DRIVE PX 之间轻松切换。

GTC 大会上展示的模拟技术

DRIVE PX 是一台人工智能 (AI) 车载计算机，它可以融合来自各种自动驾驶传感器的数据，运行自动驾驶所需的复杂软件算法，然后向汽车发送自动驾驶指令。

DRIVE PX 还可以配置成收集模拟传感器数据并输出模拟驾驶命令的模式。在 GTC 欧洲大会上，有多家公司发表了演讲并做出了演示，介绍他们如何通过这种方式利用 DRIVE PX。

IPG 在模拟环境中使用 DRIVE PX 来测试行人检测能力

IPG Automotive 的 Dominik D?rr 介绍了虚拟原型和传感器模型。他们公司的自动驾驶解决方案为自动驾驶工程师提供了一种方法，来整合各种开发成果进行整体测试。D?rr 称，这样可以在完成整个原型之前对各个功能或网络执行早期测试。

这些虚拟原型在 DRIVE PX 上运行，而 DRIVE PX 被配置为在模拟环境中导航。DRIVE PX 会像在真实世界中那样评估模拟环境，并适时的指明驾驶方向。通过这一流程，工程师可以评估他们新开发的自动驾驶解决方案是否能够正常工作。

来自 VI-grade 的 Roberto De Vecchi 驾驶着一台物理模拟器，该模拟器可用于测试较低水平的自动化，在这种自动化水平下，人类驾驶员在某些条件下仍需要掌握方向盘

来自 VI-grade 的 Roberto De Vecchi 与来自合作伙伴 AddFor 的 Enrico Busto 一起讨论如何对驾驶软件的准确性以及这一软件对车内人员的影响进行测试。为此，他们使用的驾驶模拟器将人类驾驶员的操作与运行在 DRIVE PX 上的自动驾驶软件相结合。在进行此类测试后，可以确定软件是否可以正常工作，并且评估车辆中乘客的体验。

海量数据助力自动驾驶

Rodolphe Tchalekian 介绍了 ESI Group 的模拟软件 Pro-SiVIC 如何为机器学习算法的测试与训练而创造逼真的实时 3D 虚拟环境。

想为自动驾驶创建新的机器学习算法，就需要大量的训练数据集。如果从真实世界中收集这些数据，就必须先为这些数据加上标签，然后自动驾驶算法才能进行消化并从中学习。然而，模拟数据可以在创建时自动加上标签，这样可以节省大量时间。

利用合成数据集训练新算法之后，ESI 会使用 DRIVE PX 验证它能否正常工作。

TASS 利用 DRIVE PX 在模拟驾驶环境中测试车道保持能力

来自 TASS International 的 Martijn Tideman 在 GTC 欧洲大会的一场分会上重点介绍了他们 PreScan 模拟平台。PreScan 是一个基于物理性质的模拟平台，用于评估自动驾驶和其他汽车应用程序。

过去，PreScan 一直用于测试驾驶员辅助功能以及车辆与车辆之间的通信功能。最近，TASS 已使用 PreScan 数据来训练和验证自动驾驶所需的深度学习算法。

Tideman 分享了与德国人工智能研究中心及西门子公司合作完成的项目的成果，展示了合成数据对于深度学习的价值。该项目得出的结论是，在训练深度学习驾驶算法时，向真实数据中增加合成数据比单独使用真实数据更有效。

继在慕尼黑举办的大会之后，NVIDIA 主持召开了 GPU 技术大会以色列场开幕式。模拟初创公司 Cognata 向由五个裁判组成的评审团介绍了其业务战略，最终赢得NVIDIA人工智能初创公司挑战赛。

Cognata 利用获得专利的算法，打造具有逼真车辆以及行人行为的模拟城市。该公司还在模拟环境中重现传感器数据，应用深度学习以确保模拟传感器的运作方式与在真实世界中完全相同。

从训练到测试，模拟都在改善自动驾驶成果。它不仅节省了训练过程所用的时间，而且提高了性能，并且有助于真实世界中相对不安全或不可行的测试场景。

人类驾驶员在实际道路上评估新自动驾驶技术的效果依然是必要的。但我们同样可以通过模拟来补充真实世界的驾驶时数，让道路对所有驾驶者来说都更加安全。