關注自動駕駛的一定都知道uber致死事件，對於這全球首起自動駕駛致死事故的原因各方難免還存在著一些疑問和爭議。而就在6月19日這一事件發展又有了新線索，據美國媒體The Information爆料，uber致死原因可能出在其內部，同競爭對手不同的是其對路測情有獨鍾，卻對模擬器的應用視而不見，這或許已成為uber致死的幕後真兇，而更多實情也將在不久後浮出水面。
Uber之u?
Uber之所以對模擬器無動於衷，筆者分析大概有如下幾大原因：
1.時間緊促：在未來的汽車發展中，自動駕駛加共享出行是一塊巨大的蛋糕。身處共享領域的排頭矩陣，uber必然比別人更顯急促。Uber急於推出自己的無人駕駛出租車，而模擬器測試需要相當漫長的事件，這與uber的整體節奏完全不符。
2.人員構成：由於uber對模擬器的不重視，因此內部專業人員並不多，花巨大的人力成本臨陣抱佛腳，uber顯然不樂意。
3.代碼不符：模擬器系統建設需要特殊的場景信息，這些信息要比自動駕駛測試複雜豐富的多，而其內部自動駕駛核心團隊的代碼信息有些則與模擬器所需不甚相符，推廣起來相當困難。
無人駕駛模擬器真那麼重要？
眾所周知，一輛車在入市前要進行種類繁多的測試，如我們常聽到的“三高”(高原高寒高溫)以及數十萬公里的常規路測。自動駕駛也一樣，尤其它還需要更復雜的技術背書和操作環境，除了在各種封閉試驗場、半封閉、開放式試驗區進行的路測之外，龐大的模擬實驗數據必然不可或缺。因此百萬量級的路測里程遠遠不夠，而數億公里的各種模擬場景和里程累積，就是自動駕駛模擬器的價值之所在。
對於自動駕駛汽車，構築的三大元素是“感知、決策、執行”。除了對激光雷達、毫米波、攝像頭等的硬性要求外，感知能力同樣相當重要。自動駕駛需要基於AI和深度學習的視覺傳感系統來獲悉周邊環境變化，因此對複雜環境的認知度到底有多少便成為重中之重。
為什麼一定要用模擬器？
我們都知道，起點決定高低，不同量級的兩者沒有太多可比性；經過數億公里模擬測試和百萬級公里路測的自動駕駛車型，必定可以應付更多的複雜及極端路況，相應邊緣案例的模擬可以將路測過程中發生意外的可能性降至最低，而有些極端場景我們在真實情況下並無法進行測試；
通過模擬器進行精細的計算，可以將相同的場景實現多次無偏差的重複測試，並最大程度實現效率最優化，節省前期研發成本；而實際路測基於天氣、人力等X因素實現起來卻難上加難；
在自動駕駛領域衍生出的無人駕駛共享出行具有極高的商業價值，這也對及其本身的感知及識別能力提出了更高的要求，單靠路測累積會有巨大的隱患；
路測和模擬器是疊加而非二選一
自動駕駛路測是用於實際場景的測試，其數據累積必然比虛擬狀態要更顯真實，但是實際里程方面卻非常受限；而模擬器可以提供更多場景下的測試，累積數以億計的里程和經驗，兩者相輔相成，缺一不可。任何舍近而求遠、捨本而逐末，片面的做選擇題，最後的代價必然慘烈。
其他對手在做什麼？
在谷歌自動駕駛團隊還未組建為新的Waymo公司之前，他們平均每天便會積累近百萬公里的模擬測試數據。在2016年1月的業績報表中，甚至交出了300萬公里的成績單，著實令人驚歎。
作為全球汽車巨頭，豐田在自動駕駛方面也開始發力。其去年展示了自己的駕駛模擬器，該模擬器將GPU視覺處理技術與深度學習相結合，從而提供更加真是的視覺仿真效果，從而降低發生意外的可能性。這已經成為豐田無人駕駛技術關鍵組成部分。
近來火爆的通用Super Cruise超級巡航技術也已經用上了360°高速模擬器，據悉其可以為測試人員提供360°全方位無死角的高清投影，以幫助他們快速測試和更新系統，可使得Super Cruise更加如虎添翼。
作為全球頂級配套商，英偉達已在其用於展示的自動駕駛車型上運用了AutoSIM虛擬環境系統，與Drive Pegasus AI集合創建了一個虛擬測試和驗證環路，可在超現實環境中處理數十億英里的虛擬駕駛里程，其亮點在於可模擬邊緣案例並實現真實環境中無法進行測試的極端場景。
筆者之前已經先後說過激光雷達的發展鏡像、自動駕駛的行業壁壘、傳感器的演進之路，可以看出自動駕駛的發展之路絕非那麼平坦，或者這麼說，制定時間表非當務之急，2020/2025固然好看，而相比華麗的數字，腳踏實地才更加重要。
最後，我們想要告訴uber的是，不是隻有路測才重要，自動駕駛模擬器的研發使用同樣不可或缺，相比其它對手，uber的動作確實慢人一步，但亡羊補牢未為晚也，有了深刻的領悟，方能居逆境而思有為，現在行動並不晚！
閱讀更多 工程機械模擬器 的文章
