新冠病毒流行期间，无人车的开发遇到挑战（下）

神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。

编者按：新冠疫情令绝大部分的企业都中断了业务。哪怕无人车的研发会不会受到影响呢？需要人员配合的路测当然是没办法开展了。但是很多无人车公司纷纷把工作的中心放在了仿真上面，KYLE WIGGERS对此进行了盘点，原文发表在Venturebeat上，标题是：The challenges of developing autonomous vehicles during a pandemic。篇幅关系，我们分两部分刊出，此为下半部分。

相关阅读：新冠病毒流行期间，无人车的开发遇到挑战（上）

Aurora

由前Waymo工程师Chris Urmson 创立的无人车公司Aurora则称，其Virtual Testing Suite平台平均每天完成了超过100万次的测试。这个平台以及其他工具可以让公司的工程师能够迅速识别、审核、分类，并将大多数事件和有趣的路况转换成虚拟的测试，然后跑数千个测试，从而对主代码库每一个变更进行评估。

这个Virtual Testing Suite包括了代码库测试、感知测试，手动驾驶评估和模拟。工程师要写单元测试（比方说，看计算速度的一个方法给出的答案是不是正确）和集成测试（比如，看同一个方法在系统的其他地方是否能正常工作）。新工作首先必须通过所有的相关测试，然后才能合并进更大的代码里面，这样工程师才可以识别和修复任何问题。

Aurora根据实际的日志数据创建了一系列专门的仿真感知测试。他们表示。自己正在开发“高度逼真的”传感器仿真，从而可以针对罕见和高风险的情况生成测试。他们用Virtual Testing Suite定期要跑的其他实验包括对Aurora Driver（Aurora的全栈无人驾驶平台）的评估，看它在一系列驾驶基准测试中的表现如何。

不管测试的性质如何，他们定制设计的工具都会自动从Aurora的日志数据里面提取信息（比方说，行人的走路速度）然后植入到各种仿真模型当中，好节省工程师的时间。

上图：对Aurora的一辆测试车的真实驾驶数据的可视化。

该公司表示，自Aurora中止了所有的实际测试以来的这几个月内，其车辆操作员就在跟分类和标签团队合作，为道路事件挖掘手动和自动驾驶数据，然后转化为模拟虚拟测试。Aurora还表示，自己正在开发新的工具，比方说旨在让工程师更加轻松地进行仿真的Web应用，同时增强现有途径才支持创建新的测试场景。

Aurora发言人还表示，公司的工程师正在继续开发和完善公司车载地图——Aurora Atlas——主要是针对恢复路测后Aurora Driver将要行驶的地区。他们还在往Cloud Atlas里面添加新地图。这是一个专门设计用来保存Atlas数据的数据库，可以利用机器学习模型自动生成交通灯等标注。

人工智能和机器学习的进展使得在模拟当中教汽车驾驶主体在此前从未见过的道路上行驶变得更加容易。麻省理工学院计算机科学和人工智能实验室的研究人员最近写了一篇论文，里面描述了一种跟Aurora做法类似的方法，利用Virtual Image Synthesis and Transformation for Autonomy（VISTA，虚拟图像合成和自主转换），一种照片级写实的模拟器，只使用现实世界的语料库来合成潜在视角的车辆轨迹。VISTA可对一种模型进行训练，然后这种模型可以对车辆在此前未曾见过的道路上导航，哪怕汽车处在模拟的接近发生碰撞的位置也能应对。

Urmson在一份声明中表示：“从长期看我们预计COVID-19不会拖累我们的进度，这在很大程度上要归功于我们在虚拟测试上面的投资。但这也表明不用人驾驶，同时还可以保证安全快捷运输人和货的自动驾驶运输的紧迫性。所以我们比以往任何时候都更加致力于我们的使命，我们会继续招聘各个领域的专家，我们会继续给公司的每个人发工资，我们会想方设法推进Aurora Driver的开发。只要我们这个行业齐心协力，独创性，奉献精神以及考虑周全的领导力会让我们度过这段充满挑战的时期。”

Uber

作为Uber无人车项目先锋的先进技术部（ATG），目前仍保留了一个团队，这支团队仍在根据测试跑道和道路行为数据在Uber的模拟器里面不断地扩展其测试集。ATG系统工程和测试负责人Adrian Thompson表示，每次对其自动驾驶系统软件进行任何调整时，他们都会自动重新运行整套模拟测试。

ATG工程师也有自己的工具，比方说DataViz。这是ATG与Uber的数据可视化团队合作开发的一个Web版的应用，可以用来查看模拟环境下的汽车是如何解释和感知虚拟世界的。DataViz提供了诸如汽车、地面图像、车道标记和标志之类的元素的拟真显示。对于通过算法生成的信息（比如对象分类、预测、规划以及往前看等），它也会进行抽象表示（通过颜色和几何编码等手段）。具象和抽象表示合并症一起可以让员工检查和调试通过离线和在线测试收集到的信息，以及在创建新场景的过程对信息进行探索。

上图：Uber的自主可视化系统，这是一个基于Web的车辆数据平台。

Thompson表示，在过去两年的时间里，Uber加快建模和仿真工具开发工作的决定正在收获丰厚回报。他说，在某些情况下，公司以及开始利用超过200万英里的传感器日志，再结合模拟来完成“绝大部分”的AI训练和验证工作。

Thompson 说：“我们的AI模型开发工作基本上没有受到无法上路的影响。我们的试验跑道测试就是为了验证模型的，所以这段时间内我们还能够维持原有的开发节奏，如果不是加快的话。”

Thompson还说，跟新冠病毒大流行之前相比，在Uber 模拟环境下的虚拟汽车行驶的里程数反而增加了，这一点也许不足为奇。他没有明说这次健康危机是原因，但表示COVID-19为继续扩大模拟提供了机会。

“ 我们已经制定了完善的战略计划，从而可以进一步扩大我们的模拟里程。我们基于模型的开发方法使得我们的运作在这种新冠大流行的情况下变得更加健壮，当然，这件事情从某种程度来说具有一定的偶然性。”他还补充说。“在可预见的未来，我们还会继续快速扩大我们的模拟能力，哪怕在这次疫情过后，我们也没有减少模拟行驶里程的计划。”

Lyft

在被迫停止所有的实际路测时，Lyft 正在开发新的车载平台。尽管如此，Lyft L5级自动驾驶部门的工程总监Jonny Dyer称，该公司也在对模拟仿真“加倍下注”，利用自己的无人车在现实环境下行驶得来的大约100000英里的数据，在验证之前对模拟环境进行校正。

具体来说，Lyft 正在改进模拟使用的技术，指导主体（比如虚拟行人）对车辆做出实际反应，这其中一部分是借助AI和机器学习模型来做到的。它还开发类似基准测试框架等工具，让工程师能够对行为检测器进行比较并改善性能，还在开发住一个可以对可视化进行动态更新从而帮助创建多样化仿真内容的仪表板。

Dyer说，Lyft的关注重点不是像模拟摄像头、激光雷达、雷达传感器数据之类的挑战，相反，他们聚焦的更多是传统基于物理的机制，以及有助于识别可用于模拟的正确参数集的方法。他说：“这不是用仿真模型来玩一场大规模的游戏，而是要用高保真度来模拟出合适的行驶。我们聚焦在保真度方面，要确保仿真跟现实驾驶情况下所做的事情更接近。这不仅仅是模拟里程数的问题，也是模拟正确性的问题。”

Dyer说，Lyft 还对自己的验证策略进行了重新设计，从而在疫情期间对结构和动态模拟等方面进行更多的评估。该公司原计划在开展这些步骤之前先进行实际测试（目前仍会进行一部分）——但居家令让他们的硬件工程师被迫把工作从工程转向仿真。

比方说，一名高级计算机工程师在她的卧室里面安装了一台高性能服务器，用来跑Lyft的自动驾驶汽车技术栈，这台服务器有八块图形卡以及一个功能强大的x86处理器，为了散热，里面配了四个台式风扇。另一位工程师则在自己的车库里面用树莓派和他在eBay上购买的电路板来做了一个电解腐蚀装置。另一位工程师把自家后院的板球场变成了激光雷达传感器探测范围，还用全尺寸的路标来校准Lyft计划要整合尽量的新传感器。

行业挑战

尽管为了应对新冠危机无人车公司做出了巨大努力，但少数会因为这场疫情受损似乎在所难免。一些专家断言，模拟无法代替真正的路测。

在涉及真实数据的模拟里面，一个存在的长期挑战是，哪怕原始的传感器未曾记录到，每一个场景也都必须对自动驾驶汽车的运动做出响应。还有照片或视频没有捕捉到任何角度或视角也都必须用预测模型来渲染或模拟，这就是在过去模拟要靠计算机生成的图形和基于现实的渲染（这些渲染在某种程度上代表了一个粗糙版的世界）的原因。（值得注意的是，哪怕是主要在模拟环境下训练无人驾驶模型的英国初创企业Wayve，也要靠安全司机的反馈来对模型进行微调。）

卡内基·梅隆大学研究人员发表的一篇论文概述了模拟所面临的阻扰了现实世界硬件开发的其他方面挑战：

现实鸿沟：模拟环境并不总能充分代表物理现实——比方说，缺乏精确轮胎模型的模拟可能没法解释现实情况下高速转弯时汽车的行为。

资源成本：仿真的计算开销需要图形卡之类的专用硬件，这会导致高昂的云计算成本。根据Synced最近的一份报告，如果要训练一个最先进的机器学习模型（比方说华盛顿大学的Grover）来生成和检测假新闻，两周的时间里可能要花25000美元以上。

再现性：模拟器再好也可能包含不确定性元素，这些不确定元素会导致测试无法重现。

实际上，在受允许地区（比如莫斯科）仍然继续实况路测的Yandex就指出，尽管模拟可以帮助进行自动驾驶汽车开发，但公测仍然至关重要。该公司称，把研究方向转到没有路测的完全模拟在短期内会延缓自动驾驶汽车开发的进度，因为要想开发出具备100％准确性和复杂性的模拟需要的问题解决方案和资源可能会跟开发自动驾驶技术本身所需的一样多。

Yandex 发言人表示：“ [如果没有真实测试，]自动驾驶公司就没法收集重要的真实驾驶数据。” “ [此外，]模拟驾驶以及在测试跑道驾驶可以帮助证明车辆满足实验室环境下的特定要求。但在公路上行驶的时候，自动驾驶平台需要面对更为复杂的现实世界动态，包括不同的天气条件以及各种行人和驾驶员行为等状况。”

除了要让自动驾驶系统暴露在这些复杂动态之外，Ars Technica的Timothy B. Lee还指出，测试可确保传感器和其他硬件的故障率较低；确保汽车会选择安全的乘客上落地点；还要确保车队操作员均受过良好的培训，可以应付任何突发事件。测试还可以让公司能够识别出可能会出现的问题，比方说是否有足够的车辆可用于高峰时间的服务。

Dyer对这些观点并并不完全不同意，但总的说来他对模拟测试的前景更为乐观。他说，仿真非常适合用来对测试跑道数据进行结构化和功能测试，这在Lyft 的自动驾驶路线图里面占据了很大的一块。

他说：“事实上，所有的仿真多少都会受到一些限制，因为你必须用现实去校正和验证模拟驾驶。…所以模拟不会很快就能取代路测，[因为]你没法在模拟里面做完所有的事情。但我的确认为我们在模拟环境下正在取得巨大进步。就这一点而言，这次疫情根本没有影响。大型工程项目有很多东西是免不了的，比方说技术债务，要修复的基础设施，但是如果处于操作程序过程中的话，是很很难修复的。我认为如果现在对这些进行投资的话，一旦重新启动我们会收到极大的回报。”

波士顿咨询集团高级合伙人兼董事总经理Brian Collie等人则是怀疑论者，他认为这次疫情回到无人驾驶汽车技术的商业化至少推迟三年。福特似乎已经暗示自己将会宣布把启动自动驾驶汽车服务的计划推迟到2022年。这家汽车制造商一直在跟Argo AI合作，并通过Postmates、Walmart、Domino以及本地的合作伙伴试点计划来测试其进入市场的战略。

Karmel承认前进的路上可能会有些颠簸，尤其是当Waymo的测试暂停时，但他充满信心地表示，这次疫情并未对计划中的上线产生实质性影响。

Karmel说：“如果光关注合成的行驶里程，而没有拿到现实世界里面去检验的话，是很难看出我们究竟取得了什么样的实际进展的。不管怎样，我们要做的就是尽可能多地去学习——哪怕在疫情期间，我们仍然积累了数千年的经验。”

译者：boxi

网址: 新冠病毒流行期间，无人车的开发遇到挑战（下） http://www.xishuta.com/newsview23541.html