圖為在fPro 中為一個缺少道路標記的交叉路口創(chuàng)建訓練數(shù)據(jù)集的復雜案例。(圖片來源：rFpro)

SAE 4 級和 5 級自動駕駛汽車的驗證挑戰(zhàn), 一直是駕駛模擬專家 rFpro 公司的主要關(guān)注點，fFpro技術(shù)總監(jiān) Chris Hoyle 表示，網(wǎng)聯(lián)自動駕駛汽車的出現(xiàn)為汽車行業(yè)帶來了一系列新的未知數(shù)。未來，汽車制造商必將建立包含數(shù)千個模擬測試場景的數(shù)據(jù)庫，以應對汽車驗證的挑戰(zhàn)。

Hoyle 認為，目前必須回答的關(guān)鍵問題包括：我們?nèi)绾尾拍艽_定網(wǎng)聯(lián)自動駕駛汽車可以在任何條件下都可安全運行？我們該如何保證測試的全面性和嚴謹性，但又同時滿足對測試周期和成本要求？我們是否有方法在進入驗證階段前，加速自動駕駛車輛的開發(fā)，但又同時避免給公共道路用戶帶來危險？

Hoyle 表示自己經(jīng)常遇到相關(guān)討論。他認為，與現(xiàn)實世界中的真實測試相比，模擬仿真測試具有覆蓋范圍大、測試周期短等優(yōu)勢，但前提是必須加以正確應用。

rFpro 公司正在巴黎的一個十字路口進行測試，可以看到這個十字路口的道路標記比較模糊。（圖片來源：rFpro）

新的模擬仿真平臺

rFpro 公司聲稱已經(jīng)推出了世上首款針對自動駕駛汽車模擬仿真、訓練及開發(fā)的商用平臺，可以在“各種可以想象到的環(huán)境下”對自動駕駛汽車進行測試。據(jù)稱，該平臺的一個關(guān)鍵特點是“以非常高的精度，精確復制現(xiàn)實世界的測試環(huán)境”。通過一項為期 3 年的項目，rFpro 公司已經(jīng)利用高精度掃描技術(shù)（更多信息，請點擊這里）將大量真實道路轉(zhuǎn)換為模擬測試場景，并最終創(chuàng)建了一個“模擬測試庫”。用戶可在庫中選擇各種不同的模擬測試場景，并控制從“天氣”到“行人”等各種變量輸入。目前，這項技術(shù)已被 2 家大型OEM、3 家自動駕駛汽車開發(fā)商及 1 條無人駕駛賽車產(chǎn)品線所采用，但出于商業(yè)機密方面的考慮，rFpro 公司并未透露更多細節(jié)。

憑借一組全天候工作的計算機，制造商每月可累計數(shù)百萬英里的模擬測試里程。Hoyle 解釋說：“從統(tǒng)計學角度而言，人類駕駛員平均每行駛 1 億英里，就會發(fā)生一起交通致死事故，但我們在自動駕駛汽車的模擬測試中很難真正累計到這種級別的測試里程數(shù)。事實上，人類駕駛員的“數(shù)據(jù)”如此優(yōu)秀是因為：在日常駕駛中，我們的絕大多數(shù)里程都是“無事發(fā)生”的。正因如此，我們可以消除這部分“無事故”里程，并通過模擬技術(shù)讓網(wǎng)聯(lián)自動駕駛汽車每隔幾秒鐘即遇到一次“千年一遇”的事件，進而大幅縮短模擬測試周期。未來，汽車制造商將建立包含數(shù)千個模擬測試場景的數(shù)據(jù)庫，而自動駕駛汽車必須成功通過這些測試場景，才能通過驗證。”

每次遇到測試失敗的情況，模擬測試場景庫中都會新增幾項針對這一場景的標準測試。此外，車輛不僅必須成功通過每一項測試，而且還必須保證性能的穩(wěn)定。

Hoyle 表示，這種采用回歸邏輯不斷重復運行的測試庫，可以確保任何對自動駕駛汽車的新改進均不會影響現(xiàn)有功能。“為了實現(xiàn)這個目的，rFpro 不僅可以在一組設(shè)備上并行運行多個實驗，而且還可在多個 CPU 和 GPU 上對一項實驗進行擴展，從而應對由于自動駕駛汽車數(shù)據(jù)來源多樣（包括多部攝像頭、激光雷達、雷達傳感器等）而引入的復雜性。”

每一幀用于監(jiān)控學習的訓練數(shù)據(jù)均包括語義段、實例段、光流算法、深度和標記目標數(shù)據(jù)，圖為一個語義分割的例子。（圖片來源：rFpro）

標準化模擬

程度如此密集的測試需要一定時間才能達到預期的結(jié)果。但 Hoyle 預計，未來五年中，新測試場景的增加速度將降至在統(tǒng)計學角度低于人類駕駛員出錯率的程度。這時，現(xiàn)實世界中的真實物理驗證流程就可以啟動了。

Hoyle 認為，如果進展理想，汽車行業(yè)將開發(fā)一套全球性的標準化測試場景庫，任何自動駕駛車型一旦通過該標準庫的驗證，即可進入下一階段測試——即從庫里抽樣選擇一部分場景，進行現(xiàn)實世界中的真實測試。

但這就帶來了另一個問題：我們?nèi)绾尾拍鼙ＷC這個場景庫的全面性和嚴謹性？ Hoyle 表示，諷刺的是，人類非常善于測試自動駕駛汽車，“因為人類具有隨機且不可預知的特點，從來不會重復；人類會犯錯，而且表現(xiàn)也會隨著情緒和疲勞程度的不同而改變。”目前，單個模擬測試中可以支持的人類駕駛員數(shù)量已經(jīng)增加至 50 個。我們可以測試自動駕駛汽車在人口或道路用戶密集的城市中心地區(qū)的表現(xiàn)，而且無需承擔人員傷亡的風險。

rFpro 公司預計，到今年晚些時候，加入單獨測試的人類駕駛員數(shù)量將增加至 250 名，負責對一輛或多輛網(wǎng)聯(lián)自動駕駛汽車的測試。

人工智能 (AI) 系統(tǒng)的高效開發(fā)，離不開在啟動重新測試前從失敗中進行學習、總結(jié)、改進的能力。Hoyle 強調(diào)說，我們還會將頻繁遇到的邊緣案例（其中一個參數(shù)超過系統(tǒng)限制）或極端案例（其中兩個或兩個以上參數(shù)超過系統(tǒng)限制）反饋至系統(tǒng)中，從而不斷豐富系統(tǒng)的知識庫。

我們可以建立訓練數(shù)據(jù)庫，用以展示失敗測試中本應表現(xiàn)出來的正確行為，且每個數(shù)據(jù)庫均應包含來自所有傳感器模型的數(shù)據(jù)，包括虛擬攝像頭、激光雷達和雷達。Hoyle 表示，每一幀訓練數(shù)據(jù)均應與“地面實況”數(shù)據(jù)相關(guān)聯(lián)，包括語義段、實例段、光流算法、深度和標記目標數(shù)據(jù)，“在這種邏輯下，我們的模型可以通過監(jiān)控下的學習，針對每一種新的失敗模型，進行相應的改進和適應。”

然而Hoyle 也補充道，盡管如此，我們還有一個至關(guān)重要的因素必須始終銘記于心， “人類是無偏差輸入的最佳來源，因為即使在相同天氣條件下的同一條道路上，人類駕駛員也不會以完全相同的方式駕駛。此外，他們可以發(fā)現(xiàn)一些異常、激怒或意外事件，并有可能因為其他道路用戶的行為而作出不當反應！”