在无人驾驶车领域，技术的每一步发展都必需以确保个人安全性为丈量，由是它的发展除了将带来人们有缘激励的便捷之外，也引起了对其安全性的忧虑。本文作者MichaelDempsey在“Howtodrive10billionmilesinanautonomousvehicle”一文中共享了另一种解决问题思路，即利用仿真技术预演有可能遇上的行车场景，并指出该逻辑需要更进一步加剧人们对于涉及领域的理解。
谷歌、特拉斯、Zoox……还有更加多公司利用仿真的方法力图使无人驾驶车的行经里程尽早超过十亿英里。目前，无人驾驶车的发展不存在两个瓶颈：一是官方对于车辆低于里程数的拒绝。二是实验和测试模型仍待优化。
工程师基于大数据完备无人车辆的行使模型，实验场景从太阳光到传感器，再行从有所不同角度的传感器到汽车前方的飞行中障碍以及出现异常的外界不道德等。而问题在于在再现现实场景并不更容易，也不安全性。
兰德的一份报告找到，如果要测试无人驾驶的安全性否超过可以拒绝接受的程度，实则必须上万英里甚至数十亿英里的实验里程不作证明。“即使不作最合理的想，现有的无人驾驶车也必须几十年甚至数百年的时间才能已完成预计的里程测试。而如果将测试放到现实道路上，则不会是一个不有可能已完成的任务。
”用什么方法才能大大提升无人驾驶车辆的可靠性？像Uber、Lyft和Zoox这样的公司问世于大城市，并在一定条件下展开运作以减少自身的技术壁垒。但是这有可能限于于世界各地的Uber们，而像传统的完整设备制造商则自由选择通过不断更新汽车的自动化功能来调和与分享技术的差距。因此，我们可以跨过在目前必须大量数据的传统技术方法，而建构起需要展开推理小说和自学小量数据的模型。
公司在去年被Uber并购的加里·马库斯花上了几年时间研究这个问题，但此类自学模型至今还没在无人机中沦为现实。不要忘了建模仿真从软件到硬件的建模仿真被合理建模时，就不会为公司实验和测试他们的汽车模式获取可能性。这还包括各种各样的应用于场景，还包括交通、司机不道德、天气以及道路环境等。还要考虑到传感器的用于情形。
必须多少个照相机和雷达？它们应当被摆放在哪里？应当用于哪种模型硬件？同时，灵活性的随机排序也十分最重要。基于此，在路上就不必须把车队和可信的司机抱住被绑在一起。我们仍并未到达起点如今，诸如Vires、TaSSPreScan、CarSim、OktalScanNer和ROSGazebo等产品给工程师仿真传感器及其再次发生机制和机械结构获取了有可能。
尽管它们各有所长，但却同时忽略了对于仿真而言至关重要的领域，这还包括过分修改现有的传感器输入，以及对环境如何影响自律模型的复杂程度的理解。然而随着技术的大大发展，我们必需考虑到如何以高保真的方式继续执行、放入和测试硬件与软件的融合之物。高保真的仿真环境虽然仿真大多数传感器对于外界的感官不存在艰难，但是非常简单的仿真在车辆上的应用于更加广泛。
由于低成本的LiDARs未构建的允诺和高端单元的紧缺使得OEMs和Tier1的可伸缩性显得艰难，因此光学照相机被博得期望。仿真照相机的仿真数据与输出的数据没误差，因此为了正确地测试对外界感官程度，工程师必须建构出有细致的仿真环境。但是修建一个简单的仿真光圈则十分便宜且不存在艰难，因此没有人需要为了打造出一辆无人汽车而仿真这个环境。约在一年前，我遇上了克雷格。
当时他正在公布一个他称作DeepDrive的东西。我后来获知，作为早期的工程师之一，他利用游戏贩卖1.37亿美元的开发成本再现现实世界的场景，并通过展出低保真度的景象...来反对无人驾驶汽车。几个月后，克雷格重新加入了一家取名为Uber的小型初创公司，专心于研究仿真。
普林斯顿大学的一个研究小组详尽讲解了用于GTAV的优势。它将世界范围区分为100平方英里、400万人、262种车辆、1167种有所不同的生物、14种天气条件、以及在城市、农村和林地环境中的7万多条动态路段。仿真行使里程知道有用吗？对于仿真里程效用的观点不一反对一方指出，仿真可以用来仿真少见情况和基线数据，少见的情况是指无法再现或充足随机的场景。
如果无人驾驶需要获取99%的可靠性，因为大部分场景早已通过仿真以求优化。而AI或ML的一些未来技术递归则容许我们在没事前数据以备的情况下，对极端情况作出反应。回避类似情况之外，建模对于建构基础数据集也十分简单，并且在此基础上大大展开更进一步的测试。
赞成一方则指出与此比较不应的是：仿真环境过于好以至于无法高效地分解模型。一般来说，这是一个环境与车辆交互的场景，并且很难在现实场景中复现。
此外，还不存在着图像保真度过较低的情景。从仿真虚拟世界到在现实情形下的增强自学为了协助解决问题有关数据质量的一些问题，研究人员正在测试将虚拟世界图像输出转化成为现实模型的可能性，以改良模拟实验。谷歌曾释放出消息，虽然许多政府机构还不不愿将仿真英里数作为规定中的自律驾驶员测试所须要里程的一部分，但随着对仿真的监管显得更为具体，这种情况可能会发生变化。
仿真是适当的如果精确度充足低，那么仿真是有价值的。诚然，仿真有可能会解决问题的最后1%的自律驾驶员问题。但如果技术可信，那么在未来可以让模型已完成更佳的场景辨识或应付更大范围的场景。
许多公司回应回应赞成。还包括特斯拉，Zoox，Comma.ai，Drive.ai和极光创意公司都在大力聘用仿真工程师。在无人驾驶领域之外仿真技术的用于需要扩展到无人驾驶领域之外。虽然我们可以借以解读无人机如何感官周围的世界，但除此之外我们也能更佳地明白交通、驾驶员不道德，甚至是行人不道德的潜在逻辑。
退一步讲，一个仿真环境中不存在充足多的特定模型和动态生命，因此我们也可以更佳地解读机器人，它们将与我们的真实世界和数字世界再次发生交互。像Improbable这样的公司早已射击了这个潜在市场。
投资者们也早已认识到，该技术作为未来仿真世界的建筑师其所隐蔽的价值。我们才刚看清这项技术的指出。许多公司正在大力发展该项技术，一些初创公司也早已开始研发独立国家的软件。
随着研究了解，预计不会有各种各样的新运动员转入市场。那些最先顺利人有机会沦为早期的领导者，或能率领其他人更佳地展开阶段式的发展。
本文关键词：168彩票
本文来源：168彩票-www.chuyuan168.com
