知道自动驾驶汽车安全上路前需要进行多少里程的测试吗？特斯拉CEO马斯克说至少要60亿英里（约合96.5亿公里），兰德智库认为需要跑110亿英里（约合177亿公里），相当于在地球和太阳间往返50多趟。

　　这么大的数据量，要是全靠道路测试还不把工程师“逼疯”。于是Waymo、通用Cruise等公司都用仿真软件来训练自动驾驶系统，也就是说让汽车在模拟环境里“各种跑”，然后再到现实世界里使用。这种方式也有弊端，比如数据并非是真实世界的，训练出来的系统总是与真实世界存在一定差异。安徽仿真汽车

　　近日，丰田汽车和麻省理工学院（MIT）人工智能实验室推出了一个新的自动驾驶仿真平台“VISTA”，该平台采用了汽车在真实世界中行驶的数据集。MIT宣称，安徽仿真汽车该系统无需人工手动标记各类元素，如路标、车道线、物理建筑物等信息，大幅优化了自动驾驶汽车测试和部署时间。

　　VISTA 是一款自动驾驶汽车开发平台，它可借助现实世界的数据集来合成车辆能够用上的行驶轨迹。研究人员称，VISTA是一款数字驱动型平台，其所用的数据与真实的路况、驾驶情境内所涉及的目标物无论在距离还是行为动作上都保持一致。这防止了自动驾驶汽车在仿真软件里所学的驾驶技巧与真实环境下的车辆操控存在不匹配的情况。为了创建VISTA，人类驾驶员每行驶一段距离，研究人员就会采集相应的视频数据，逐帧地提取分析。

　　虽然 Waymo、Uber、Cruise 和 Aurora等自动驾驶汽车公司都有自己用来训练 AI 的仿真环境，但 MIT 声称自家系统是少数不需要人工添加道路标记、树木和物理模型等的系统之一，而这样的特性可以大大加快自动驾驶汽车的测试与部署速度。

　　据研究人员介绍，如果虚拟车辆能保持不出事故，VISTA 会对其进行奖励，从而使他们“有动力”学习应对各种路况，包括车辆突然偏离轨道后重新获得控制权。VISTA 是数据驱动的，这意味着它可以根据与道路外观以及场景中所有对象的距离和运动一致的真实数据轨迹进行合成。这样可以防止在模拟中学到的知识与汽车在现实世界中的运行方式之间出现错配。

　　为了训练 VISTA，安徽仿真汽车研究人员从多条道路的路测中采集视频数据。对于每帧画面，VISTA 会在一种 3D 点云中预测每一个像素。随后，他们将虚拟车辆放置在环境中并进行测试，以便在发出转向命令时，VISTA 根据转向曲线以及车辆的方向和速度，通过点云合成一条新的轨迹。

　　接着，VISTA 使用上述轨迹绘制逼真的场景并编制深度地图，其中包含从车辆视点到物体的距离有关的信息。 通过将深度地图与估算 3D 场景中相机方向的技术相结合，引擎可定位车辆的位置及与虚拟模拟器中所有物体的相对距离，同时重新定位原始像素，从而从车辆的新视角中再现这个世界的景象。

　　在经过 10 到 15 个小时的训练后，研究人员搞了对比测试。结果显示在 10000 公里的测试里程中，经过 VISTA 训练的虚拟汽车能够在从未见过的街道上行驶。即使将其放置在模仿各种接近碰撞情况的路况上（例如只有一半车身还留在路上或进入另一个车道），汽车也能在几秒内成功恢复到安全的行驶轨迹。

　　将来，研究团队希望 VISTA 能从单一驾驶轨迹仿真进化到模拟所有类型的路况，例如白天和黑夜以及晴天和阴雨天气。此外，他们还希望模拟一些有很多车辆参与的复杂交叉路口。

　　在自动驾驶方面，关于丰田的公开信息并不多。此前，丰田曾与英伟达建立合作，利用英伟达的全套生产套件来开发、培训和验证自动驾驶技术。2019年，丰田推出了基于雷克萨斯LS 500h改装的自动驾驶测试车。不久前，丰田又以4亿美元（约合人民币28亿元）投资国内自动驾驶初创公司小马智行，加速自动驾驶的研发和商用进程。不仅如此，丰田还和另一家初创公司Momenta就自动驾驶高精度地图展开了合作。越发激进的举措表明，丰田正在提速在中国的自动驾驶布局。

　　无人驾驶汽车真实上路后所要面临的外部环境是复杂多变的。通过利用仿真模拟软件可以检查算法，也可以训练无人车面对不同场景下的感知、决策等算法。

　　模拟平台有很多种，如果分类的话，可以分为两种：开源和收费的。从技术上分，也主要有两种：种是基于合成数据对环境、感知以及车辆进行模拟，安徽仿真汽车这种模拟器主要用于控制与规划算法的初步开发上；第二种是基于真实数据的回放以测试无人驾驶不同部件的功能及性能。

　　Gazebo平台可以提供在复杂的室内和室外环境中准确有效地模拟训练机器人的能力。它拥有一个强大的物理引擎，高品质的图形，方便的编程和图形界面。最重要的是，Gazebo是一个充满活力的社区免费。三维机器人模拟器Gazebo一般结合机器人操作系统ROS来测试。

　　从激光测距仪，2D / 3D摄像机，Kinect风格的传感器，接触式传感器，力矩等等生成传感器数据，安徽仿真汽车可选的噪音。

　　在无人驾驶车辆测试方面，github上有人用ROS动能和Gazebo 8做过一个Car Demo，车辆的油门、刹车、转向和传动都是通过一个ROS系统去控制。所有传感器数据都是通过ROS发布，并且可以用RVIZ可视化。利用Gazebo功能整合现有的模型和传感器，构建城市模型和一个高速公路交互场景，垃圾箱、交通锥和加油站等都来自Gazebo模型库。在车顶处搭载一个16线个平面激光雷达。代码可以从Github 网址得到。通过Nvidia-docker并从Docker Hub中提取osrt/car_demo进行尝试。该平台基于C++开发，系统要求ROS+Ubuntu环境。

　　Euro Truck Simulator 2 本身是一个卡车模拟经营类游戏，可以通过代码训练和运行自动驾驶汽车，。通过AI输出的结果实现自动转向、加速和刹车，可以用来强化学习训练车辆算法。它的缺点是只能控制上下左右四个方向键，不能设置方向盘的角度。

　　应用：gibbgub上有人做了Self-driving-truck项目，基本训练方法遵循接近原始的 Atri 论文中的强化学习标准，此外该模型还试图未来的状态和奖励。训练中还使用了一些手工创建的模型和自动生成的模型。

　　The Open Racing Car Simulator（TORCS）是一款开源3D赛车模拟游戏。是在Linux操作系统上广受欢迎的赛车游戏。有50种车辆和20条赛道，简单的视觉效果。用C和C++写成，释放在GPL协议下。

　　应用：有人用深度学习框架Keras和深度强化学习算法DDPG去训练Torcs汽车。也有人使用gym_torcs库，在python中直接调用torcs，接口类似于OpenAI的Gym。还有人做了基于DRL和TORCS的自动驾驶仿真系统，

　　自动驾驶汽车需要自动驾驶软件来驱动，而在线教育公司Udacity（优达学城）推出了面向自动驾驶开发的纳米学位，来满足目前汽车行业对自动驾驶软件工程师旺盛的需求。近日，Udacity通过开源协议授权公开了它的自动驾驶汽车模拟器，有 Unity 技术背景的任何人都可以利用此模拟器的资源，载入软件内置场景或创建自己的虚拟测试路线。

　　该模拟器是为优达自动驾驶，旨在教学生如何使用深度学习驾驶汽车，支持Linux、Mac、Windows环境，只需将数据库复制到本地目录，确保使用Git LFS 带动大量的纹理和模型资源。