自动驾驶仿真论

自动驾驶技术面临的真正挑战来自于真实世界中的长尾效应。因此在部署产品前必须进行完备的自动驾驶测试。

而在整个自动驾驶测试流程中,仿真测试扮演着重要角色。以我的个人观点,仿真测试在“量”上应该占据百分之九十九点九九九以上的份额,从“质”上,仿真测试应该承担全部的边缘(危险)场景测试,以及典型场景的泛化测试。

仿真优势
  • 相比通过在真实的道路上拍摄视频,仿真数据产生更快、成本更低。
  • 在仿真中,注释很容易获得,因为能够较轻松地获得对象列表。
  • 仿真可以提供大量的测试场景,极大的拓宽了测试的参数空间。比如,同济嘉定校区的天气条件有限。但在仿真中,可以给嘉定随时提供雨雪冰雹或其他东西。
  • 仿真支持在很多不同的条件下使用相同的场景进行训练,相同条件下的重复试验可以更有效地帮助迭代算法。
  • 在实际进行仿真训练时,单仿真图像的变异值和训练值一般低于单真实图像。现实世界中的光照、颜色和纹理变化都比仿真数据的要大,因此需要更多的仿真图像来实现合理的性能。关键就在于生成仿真图像只需要计算资源,一旦云基础设施就位,就可以生成任意数量的映像。从单个模拟的图像中不好得到更多价值,但质量可以通过数量补足,这是一种资源密集型的思路。
  • 经过模拟训练的网络上更善于识别距离较远或难以看清的汽车等,也更善于避免误报。换句话说,它更善于处理极端(边缘)情况,这可能是因为这些仿真数据能为训练提供更多样化的输入。
仿真劣势

计算机仿真有自己的局限性,因此对仿真结果的权威性我们应该持谨慎态度。仿真在某种程度上简化了真实世界,在模拟中能正常工作不能保证在现实中正常工作。

  • 模拟世界与现实世界并不完全相同
  • 模拟车辆(包括传感器、动力学模型等)与现实情况并不完全相同
  • 很难模拟难以预测的(紧急)情况,比如2016年5月的特斯拉事故
解决方案

针对上面劣势,关键点之一在于尽可能复制真实世界出现的状况(包括世界模型、车辆模型和事故场景等)。

  • 使用更为精确的世界物理模型
    • 使用高精度的扫描技术生成真实道路库
    • 制作更逼真的图像(可借助游戏行业)
  • 构建车辆模型时,在理想模型和物理模型之间取得折衷
  • 分析模拟仿真结果的置信度
  • 建立相应的虚拟仿真测试场景库,包括极端场景等
岗位需求

参考本博客另外一条链接:自动驾驶仿真工程师需求

0%