人類未來很可能要把命“交給”自動駕駛，但很少有人知道，許多公司正在把實現這項“人命關天”技術的任務，交給一幫“玩游戲”的工程師。

　　這不是開玩笑。

　　“行業里甚至有人在用GTA 5的游戲引擎做自動駕駛相關的研發。”一名從事自動駕駛技術研發的人士對品玩表示。GTA 5是一款非常流行的開放世界冒險類電子游戲，內容涉及暴力、黑幫、槍戰等，當然，也包括搶走路邊的汽車然后在虛擬世界里橫沖直撞。

　　第一時間你很難想象這樣一個“粗暴”的游戲和“安全第一”的自動駕駛之間有何干系。

　　事實上，工程師們看上的，是GTA 5作為一個現成的“仿真平臺”的作用。

　　所謂仿真平臺測試，簡單說就是在一個模擬了現實道路的虛擬世界里進行自動駕駛測試，從而更快更節省成本的完善自動駕駛的代碼。

　　要實現廣義的自動駕駛，難度不亞于實現強人工智能。雖然自動駕駛領域看起來還是一片火熱，但今天各公司距離能達到L4級別商業落地并盈利還有不短的距離，這其中，安全原因是最重要的影響因素之一。

　　2018年3月，Uber的自動駕駛汽車因與行人發生碰撞事故，直接導致其道路測試許可被吊銷，也進一步讓各國各地的監管機構更嚴格的對待測試車輛上路的事情。但另一方面，大量的實車場景數據是自動駕駛不斷“進化”的重要條件之一。2016年蘭德智庫曾指出，一套自動駕駛系統需要測試110億英里才能達到量產應用的條件。這就意味著，即便是一支擁有100輛測試車的自動駕駛車隊，以25英里(40公里)每小時的平均時速7×24小時進行測試，也需要花費大約500年的時間。于是一個悖論出現：監管者認為，車要足夠安全才能上路，但自動駕駛從技術實現上來說，又必須要靠多上路才能收集更多真實數據進而變得更安全。

　　因此，從業者們紛紛把目光對準了仿真平臺。

　　與實車道路測試類似，自動駕駛的仿真測試同樣需要吸收大量場景數據來加速算法的迭代。從公布的測試數據來看，最早涉及自動駕駛技術研究的Waymo，自2009年正式成立以來，截止2020年1月，其道路實測2000萬英里，其虛擬仿真測試100億英里，這完全是兩個數量級。

　　自動駕駛的仿真測試也使得企業的研發、運營成本降低。2000萬英里距離110億英里仍有不小的距離，如果要用實車測試，幾乎沒有哪家企業能夠承擔這個它的時間成本與資金成本。Waymo在做其Robotaxi(自動駕駛出租車)項目時以每年10億美元的速度燒錢，僅激光雷達的安裝成本就達到75000美元。有研究表示，大規模的智能仿真系統讓實車的測試成本大大減少，其花費僅為路測成本的1%，還可以拓展千倍于實際路測的里程。

　　自從Uber事件的發生，各國對各公司進行自動駕駛道路測試的行為變得警惕，對公共道路上的實車測試管理愈發嚴格，如我國至今開放放高速公路的自動駕駛許可，通常在某封閉測試場所以及指定道路對申請企業發放測試牌照，由于道路場所容積有限，經常出現企業排隊的現象。因此，種種客觀限制減緩了實車測試方式的數據積累。

　　同時，固定場所及指定道路也使得實車測試中的場景較為有限，無法滿足各類特殊路況的測試需求，換句話即長尾場景的需求。人們通常將長尾場景理解為一切突發的、低概率的、不可預知的場景，比如交通信號燈故障的路口、醉駕的車輛、極端天氣等。在仿真平臺上，為了窮盡自動駕駛系統可能會遇到的各種場景，保證系統的安全可靠，從業者們需要對長尾場景做更多模擬和測試。

　　通過上述描述，行業們對自動駕駛的仿真測試的需求可謂不少，那到底什么是自動駕駛的仿真測試呢?

　　美國密西根大學智能網聯交通研究中心Henry Liu教授團隊曾對品玩表示：“簡單來講，仿真測試就像是構建了一個基于真實世界的游戲，讓一輛自動駕駛汽車在這個虛擬世界里不停地運行。”你甚至可以認為玩家在GTA5中開車的數據在某種程度上也可以用來進行測試、利用。

　　實際情況也確實如此，用游戲引擎Unity、Unreal、UE4來做自動駕駛虛擬仿真平臺成為了不少公司的選擇�；�于UE4開發的自動駕駛仿真平臺有開源AirSim、Carla以及騰訊的TAD Sim。騰訊研發的仿真平臺TAD Sim與利用自身在游戲領域的技術積累，利用游戲中的場景還原、三維重建、物理引擎、MMO同步、Agent AI等技術，提升自動駕駛仿真平臺測試的還原度和高效性。 百度的Apollo平臺則選擇與Unity進行合作，搭建了其全棧開源的自動駕駛軟件平臺。

　　自動駕駛廠商們選擇用游戲引擎來做仿真平臺，最主要原因是其可以生產一個全棧的閉環的仿真，尤其在感知模塊的仿真，它可以重構一個三維環境，在三維環境中模擬相機，激光雷達等各種輸入信號。

　　仿真相當于對真實世界的建構。在感知算法訓練中，仿真系統自帶場景元素真值，無需標注自動生成各種天氣、路況，保證覆蓋度。真值即所有物品的客觀屬性，客觀值。平時人眼還是自動駕駛傳感器看到的都是觀測值，真值是一個物體絕對的客觀屬性不受任何觀察者觀測結果為轉移的。所有元素都是由仿真系統自己生成的，所以具備場景內所有元素的客觀值，不需要觀察者的觀測，通過仿真系統的真值直接進行感知系統所需要的自標注。

　　一般傳統算法的感知訓練都需要人工標注，例如小女孩騎自行車就會畫個框來標注，每年第三方標注的人工成本就需要10億美元，Waymo就使用大量虛擬測試來來完成算法開發和回歸測試。

　　當工程師對算法進行了調整時，在仿真測試平臺測試或許只需要幾分鐘，但如果是道路實車測試，可能預約自動駕駛車隊調整就需要半天、一天的時間，而選擇在仿真平臺上測試，只要是在算力允許的情況下，可以同時進行1000輛、2000輛等高并發的測試。

　　總結來說，自動駕駛仿真測試的核心能力包括對于場景的幾何還原，三維場景仿真+傳感器仿真;對于場景邏輯的還原，決策規劃仿真;對于場景的物理還原，控制+車輛動力學仿真;高并發，云端仿真等優勢。

　　也因此，新老自動駕駛公司都在招聘具有Unity、Unreal等虛擬引擎背景的復合型人才。一位行業人士對品玩表示：“一個是仿真環境需要渲染得越來越逼真，另一個是這些人才可以根據虛擬引擎做一些優化來降低整個仿真測試的成本。”

　　某自動駕駛公司仿真工程師的招聘要求

　　各自動駕駛公司也在想辦法提高仿真測試的效率，提高虛擬場景的逼真程度通常被認為是一種合理的方式，但事實沒有那么容易。

　　Henry Liu教授表示：“由于這個環境是基于數學模型構建的，如果我們想要計算結果越接近真實世界，那這個模型的構建就越復雜，計算速度也會越慢。”建立一個高度逼真的虛擬世界的難度可能并不亞于實現自動駕駛。仿真測試也不是完美的，其結果也有一定的局限性，它并不能幫助自動駕駛公司解決所有問題。雖然Waymo2020年2000萬英里的自動駕駛總里程以及超過150億英里的自動駕駛仿真里程可以秒殺大多數自動駕駛行業的后來者，但2000萬英里對實現自動駕駛杯水車薪，況且數據不是萬能的，沒有證據表明自動駕駛仿真能夠完全模擬現實世界的復雜情況。

　　目前來說，所有基于數據驅動的方法總是會有失敗的場景。首先，數據本身的不確定性。舉個例子，比如對于很多遮擋的物體，即使是人的標注也會存在很多不確定性;其次，由于模型具有高復雜度，在虛擬引擎中也難以識別所有模型，尤其是在歐美改裝車泛濫的場景下。

　　不同于人眼，算法對圖像的識別要困難的多，一旦圖像中的幾個關鍵要素發生微妙的變化，算法對其輸出的識別結果或許就會出現巨大的差異，更何況人眼也有不少誤判的時候。因此，海量數據也并不是實現自動駕駛L4乃至L5充分條件，不能指望僅僅通過虛擬仿真平臺上億萬公里的“安全駕駛”來證明線下道路實測上的絕對安全。

　　一專業人士對品玩表示：“利用游戲引擎進行仿真測試雖然在一定程度上解決了自動駕駛的部分問題，但說到底，其重心仍在測試兩字上。其主要目的是防止自動駕駛算法可能在一些已經犯過的錯誤上再犯錯，或者是一些工程師能夠預先想到的場景里面提前去測試，它更多的是保障整個系統邏輯的正確性。”