上个月底，谷歌下属的 Waymo 无人车，在加州中央山谷秘密测试基地，向媒体展示了无人车路测情况。Waymo 的无人驾驶汽车在完全没有人类司机保护的情况下，按照既定导航路线行驶，成功避开游乐设施，合理地躲避其他车辆、行人和骑自行车的人，最后成功到达目的地，给受邀媒体留下了深刻的印象。

VR 和无人驾驶汽车都是目前很热的领域，通常大家认为这两种技术的结合点不多。但 Waymo 这次成功路测，离不开 VR 技术。

谷歌 Waymo、丰田、Uber和苹果都在使用 VR 来训练他们的无人车。目前 VR 主要通过两种途径帮助无人车尽快上路，一种是帮助训练无人车的机器学习系统，在短时间内提供大量的样本供无人车学习，让它尽快聪明起来，同时避免了实际路试可能导致的公共安全风险；第二种是能够在未来帮助决策者，判断一型无人车是否具备了可靠的安全性，是否符合上路的资质，提高决策效率。

VR 帮助训练无人车

为了说明这个问题，我们先从机器学习开始谈。大约十年前，谷歌在开发第一代无人车的时候，受计算机处理能力所限，工程师们只能把路上可能遇到的每一个小细节都进行编码，一行一行地写到汽车软件程序中去。随着计算机处理能力的迅速增长，无人车制造商开始构建复杂的算法，让其具备自主学习的能力，尽快达到甚至超越人类司机的水平。

无人车工程师 Luc Vincent 说，「这就是为什么我们的无人车能够快速发展，10 年前谷歌开始做的时候，机器学习还无法用于无人车」。Waymo 和它的许多竞争对手已经开始构建深层神经网络算法，通过大量的机器学习样本，来辨认行人、识别街道标志和车道标志，预测道路下会发生什么，并计划前进路线。

Waymo工程副总裁德米特里说，当汽车需要更深刻地了解周围的世界时，机器学习就变得更加重要了，机器人技术和机器学习齐头并进。

Waymo无人车内部

机器学习离不开大量的学习样本，需要用摄像头、雷达和其他传感器来收集实际道路中的数据，并由人类进行准确标注，比如标注出哪是路牌、行车道、信号灯、行人、骑自行车的人等，再供机器学习算法学习。在实际道路中收集和标注每一个细节的工作量非常庞大，因此实际路测提供的样本数量严重受限。

VR 模拟技术可以解决这个问题。最近 Waymo 公布了一款名为 Carcraft 的巷道模拟器，这个模拟器能够提供现实路试不可能实现的样本规模，来训练无人车。无人车花在虚拟道路上的时间将比在真实道路上多得多，其算法也将从模拟器中学到更多新的行为。

Waymo的无人驾驶技术虚拟试验仿真图像

丰田研究院首席执行官 Pratt 说，丰田也正在使用模拟道路来训练该公司无人车的神经网络，并已取得了成果。模拟已经跟实际情况足够相似，可以用来支撑无人车的算法训练。模拟器的优点之一是研究人员可以完全控制它，还不需要花时间和金钱来给图像贴标签。Pratt 解释道，「你知道每辆车在哪里，每个行人在哪里，每个骑自行车的人在哪，还知道天气」。

丰田公司无人车路试

许多世界顶尖的人工智能实验室，包括 DeepMind，伯克利 AI 实验室，和 OpenAI 实验室都在研发让机器从虚拟世界中学习的算法。

现在 DeepMind 的机器已经能够玩星际争霸、侠盗飞车之类的复杂游戏了。如果机器能够在虚拟世界中航行，它们就可以在物理世界中畅行无阻，这些方法将最终应用于现实世界的汽车。

据***报道，苹果的团队也将利用虚拟模拟器来训练、测试无人车软件。苹果一直对他们的 VR 和无人驾驶汽车计划三缄其口，但最近却发现苹果正把这两项技术结合在一起。证据之一就是苹果的虚拟现实专家 Doug Bowman 早已加入该公司无人驾驶汽车平台模拟小组。Bowman 曾是弗吉尼亚理工大学的计算机教授，是首批获得微软 HoloLens 研究经费的专家，他的研究题目是「大型混合现实数据的协作分析」。

巴塞罗那计算机视觉中心的研究人员也制作了一个虚拟城市 SYNTHIA，用来训练无人车的 AI 系统，把 VR 和无人车结合到了一起。研究人员使用 Unity 引擎创建了一个虚拟的 3D 城市，并且在里面加入了各式的行人、违章车辆、极端天气系统等，模拟真实的城市交通情况，如下图示：

虚拟城市SYNTHIA

相对于道路训练，VR 训练避免了实际路试可能造成的风险隐患。无人车技术在成熟之前上路会难免给道路安全带来挑战，虚拟现实就不存在这个问题。此外还节约了无人车机器学习的训练时间和训练费用。跟实际道路训练相比，VR 不受交通安全法约束，不用经过**管理部门审批，而且能提供更多的场景，无疑会大大提高训练效率，节约开发时间，同时节约大笔实际训练费用。

VR 能够完成很多实际道路不能完成的训练。在虚拟场景中，可以方便地为无人车设置各种复杂情境，比如严重拥堵、行人违章穿越马路、汽车逆行、严重交通事故等，而这些情境在真实驾车情况下很少能够遇到。

缩小虚拟与现实之间的差距不是件容易的事，而且开发者也必须确保算法在学习过程中不会学到那些有害的行为，这是人工智能研究人员的一大担忧。

为了排除这种隐患，像丰田和 Waymo 的无人车并非完全依赖机器学习，他们还以传统的方式手工编程来保证汽车在一些特定情况下不会做出错误选择，比如 Waymo 无人车不必通过神经网络来学习「红灯停」这一行为，而是有一个严格的规则告诉无人车遇到红灯必须停止。

VR 帮助决策者

无人驾驶车辆在正式投入商用之前，都要经过长时间的道路测试，谷歌拿到内华达州的上路执照前累计实际路试了 16 万英里，但目前国际上对于测试效果缺乏统一的标准。

兰德公司有份报告指出，达到 1.09 ****/1 亿英里的事故率，需要在 365 天里无间断保持 40 英里时速的标准下测试 12.5 年，耗资巨大。若要事故率精度达到 95% 左右，则需要测试 400 年。兰德公司认为，道路试验无法测试出无人车的潜在危险，必须进行方法上的创新，从而管控无人车在不断演变过程中存在的风险。

英国的华威大学提出用 VR 技术测试无人车，来得到测试结果供决策者使用。接受测试的汽车放在模拟器中央，模拟器会投射出 360° 的高清虚拟情景。该情景是根据英国考文垂市周边 48 公里的公路数字地图所构建出来的，同时还有两边的建筑物和风景。模拟器还构建有虚拟的交通灯、非机动车、行人，甚至还有跑进路中央的狗；会在车辆加速、刹车或者转弯时启动提供周围的声音和驱动器，甚至是车辆经过路面的坑洞而发出的响声也会模拟出来。

车上的一些传感器会直接与影像互动，基于摄像头的系统通常会使用机器视觉，来分析物体的外形。华威大学实验工程组的负责人 Paul Jennings 说，这种系统会在特定时间发生故障，比如当摄像头被日出或日落的强光冲击时。

与真实世界不同的是，模拟器每天都有上百次的日出和日落，来反复模拟这种特殊情况。其他明显的危险对于无人驾驶的车辆而言更难控制，比如街道上行人太多、有车闯红灯、慢跑者突然冲上马路等等，这些都可以在模拟器里大量产生，而不用伤害人类。

当然，摄像头并非自动驾驶车辆上唯一的传感器，车上还有能测量物体距离的装置，如超声波、雷达或激光雷达。华威大学的研究员选择绕开这些传感器，直接从计算机模型中输入模拟信号来实现虚拟模拟。但他们也正在努力直接测试传感器，其中一种可能是生成雷达或超声波信号，再向测试车辆发出这些信号。

要做到真正的无人自动驾驶还有很长的路要走。即使是在模拟器中接受长时间的训练和测试，自动驾驶系统的性能也仍需要在现实世界中得到证明。像人类司机一样，没有哪一个自动驾驶系统会永不出错，但技术的进步会让这些错误越来越少。

来源：搜狐科技