Roadstar.ai又添砝码：自建模拟器，迈向运营深水区

“虚实结合”是Waymo立足于自动驾驶重要砝码之一。

“实”的秘密训练基地 Castle；讲究“虚”的模拟系统 Carcraft。一虚一实的结合也使得Waymo在自动驾驶的路上走得更为领先，最高峰的时候，Waymo 利用 Carcraft 一天能跑 800 万英里。到目前为止，Waymo 已经利用这套系统积累了 500 万亿英里的里程。 一组数据是，Carcraft 每天在谷歌数据中心工作 24 小时。而模拟车队里有 25000 辆测试车。 整个2016年，Waymo 总共在虚拟世界中行驶了25亿英里，相较于在公共道路上测试的300万英里，超出了几个数量级。

从Waymo 的例子可以看出，所有有志于以自动驾驶颠覆未来出行方式的企业，都会看到自动驾驶模拟器的重要性。此前在深圳、硅谷等等地进行了多次路测的Roadstar.ai，在攻克了现实路测的难题后，又往前迈进一步——自建模拟模拟器。

雷锋网(公众号：雷锋网)新智驾对话近期加盟Roadstar.ai 的刘轩，了解这家年轻的无人驾驶锐意进军模拟器背后的意图以及更深层次的技术理解和技术如何转化为商业的思路。此前刘轩在百度、景驰都曾负责自动驾驶仿真器的相关研发。刘轩在Roadstar.ai 担任技术总监一职，他的加盟将使得 Roadstar.ai的自动驾驶仿真器里程迅速提速。

现实世界的一面“镜子”：自研仿真器

业内对于自动驾驶仿真器最初的理解，大多是来自于Waymo 的“Carcraft”。

“Carcraft”的软件创造者James Stout认为“Carcraft”是不断推动 Waymo 自动驾驶技术发展的强有力武器。如果 Waymo 能在几年后供应全自动驾驶汽车，那么 Carcraft 值得被永远铭记，作为现实世界的虚拟呈现，它功劳巨大。

和Waymo对于自动驾驶仿真器的理解一样，刘轩认为模拟器更主要的是帮助车开得更好，而不是帮助人看得更舒服。另外，目前很多公司的自动驾驶仿真器都是基于ROS系统进行研发，由于ROS本身系统的问题，在软件工程上存在着一定的漏洞。因此为了保障无人驾驶的绝对安全，Roadstar.ai 选择单独开发自动驾驶操作系统。这套系统根据需要的计算资源分配对应的任务，然后利用人为的操作系统实现对之前事件的复现，并且能够任意进行加减速。

对于为什么自研仿真器，而不是采用开源的框架？刘轩对雷锋网新智驾进一步解释：仿真系统对于每一家公司而言都是属于基础架构的一部分，另外仿真系统是跟无人车操作系统紧密结合的系统，因此选择仿真系统自行研发是最为稳妥的选择。此外，Roadstar.ai的部分传感器是定制化的传感器，为了达成最佳的场景复现，因此自行研发自动驾驶仿真器成为了必然的选择。

模拟器本质上是一个数据生成器，一方面通过硬件在环的方式，根据自己采集的数据生成各种虚拟的场景反复测试，一方面构建一些极端的，甚至现实生活中不存在的场景对算法进行训练。对于自有的数据，Roadstar.ai 的做法是基于真实的路测数据，包括硅谷、深圳、重庆的采集数据在模拟器当中进行反复训练；与此同时，在真实数据基础上，Roadstar.ai也会插入所设计的虚拟障碍物。对于极端的场景，Roadstar.ai 通用预设型场景以及触发式场景进行突破。

• 所谓预设型场景就是预先设定其他车辆按照预设的轨迹、预设的行车速度前进，通过改变Roadstar.ai车辆的行为测试其能否成功避开其他的车辆；

• 所谓触发式场景，通过设计前面的桥突然断裂、前方树木突然倒下等突发情况，测试Roadstar.ai的车辆是否能够成功避开，从而检验其车辆的稳定性。

人工设计场景是最初模拟系统的基础，之后Roadstar的仿真团队会不断改进算法，挑战更难的场景，比如挑战在机器生成的场景下，自动驾驶车辆是否能够流畅、平顺地驾驶。为了加强对于极度场景的理解，刘轩会经常研究中国交通事故案例，从中间总结出要事故发生的原因，以及针对性采集对应场景，助推整个模拟器的性能提升。

能否对数据进行高效利用是评价自动驾驶模拟器的一个重要标准。刘轩对雷锋网新智驾说：“为了提高对数据的利用率，Roadstar.ai 的模拟系统既包括了回放式数据，也包括了非回放式数据（在旧有的数据上跑新的算法；因为新的算法会使虚拟车的路线、速度和原始数据差别很大，因此并不能狭义地定义为回放式数据）；而这两者的数据都是涉及到高精度地图的数据，因此整个模拟的效果也就更加真实。”

此外，Roadstar.ai 也在一定程度上借鉴了Google在软件开发流程上的经验，建立合理的代码质量标准，实行严格的代码审查机制，进行完整的产品部署系统，一步步完整整个自动驾驶模拟器的框架。

目前自动驾驶仿真器所使用的回放式数据模式，所存在的问题是:自动驾驶的硬件配置会不断地迭代更新，摄像头、传感器等核心零部件会不断地升级，这会导致旧传感器的数据无法重复使用。另外，如果自动驾驶系统的传感器配置改变，以往所得的数据将会不起作用。

对于上述问题，刘轩认为问题的核心在于是否要进行传感器模拟，但事实上传感器会受许多条件的影响，比如大雾、水雾、光照等条件，对于创业公司的体量而言，进行传感器模拟没有太大的必要，因此目前业内的都使用处理好的传感器结果进行训练，同样能够达到好的训练效果。

向“运营”更迈进一步

Roadstar.ai从创业之初，就明确 “robotaxi service”的定位，立志于颠覆未来整个交通出行的形态。而建立自有的模拟器也和运营紧密相关。刘轩认：未来Roadstar.ai 会发力虚拟运营，以深圳地区为例，会进行多车辆模拟，甚至可以模拟高峰时期，车辆拥堵的情况以及乘客如何上下车等实际的运营情况，助力Robot ServiceTaxi 的流畅运行。

此外，随着辅助性技术以及自动驾驶汽车的越来越广泛的布局，仿真测试已经成为汽车行业的战略重点，车队测试和模拟成为了不可忽视的一环。为了实现更高的稳定性，自动驾驶汽车必须要进行大量的测试用来积累里程，如果进行实车测试，整个过程将耗费多年才能完成。对于当下自动驾驶的进程而言，完全依靠实车进行测试，无疑是不现实的。

这种情况下，模拟器和虚拟环境测试将会大大加速这一进程，保证在既定的时间表内完成任务。对于定位于 “robotaxi service”的Roadstar.ai 而言，路测的里程数量的重要性是不言而喻，而自动驾驶仿真器的这一项技术的强势落地，也势必会加强Roadstar.ai 的整个落地进程。

在自动驾驶的落地的这场时间赛跑里，Roadstar.ai 一步步试图将技术优势向运营落地转化为商业思维，迈向更深远的未来。

。