Apollo模拟“有训练”，长沙无人驾驶出租“轻型车熟路”-量子位
接书，我们介绍：百度Apollo无人驾驶出租，在长沙全面免费开放。
但是！也有很多人提出了“有点担心坐不上”的问题。
因为到现在为止是人的司机，有能对应各种各样的场面和状况的头脑。把那个换成AI驾驶也没关系吗
或者更坦率地说，百度Apollo的工程师们，到底要经过什么样的技术考试和保障，才能放心地让所有人都上车开放呢
于是，奉读者提问，我们找到了Apollo的技术大神们，并经过“编译”，解析、传达了这位Apollo的无人驾驶的出租汽车搭载了全体人民的背后技术。
我们从表里一起从现象走向本质。
在云上练了几千万次，才在人中间骑上一次
自动驾驶是一项技术性的工作，落地需要技术性的东西。
我们知道，所有的AI模型都需要使用大量的数据进行训练，为了保证训练的效果，需要覆盖所有维度、所有方面。在自动驾驶中，AI必须在山路、平地、堵车、高速、国道、市中心、郊外、超车、车道变更、逆向行驶、无视信号灯、横穿等各种场合进行应对。
在技术快速迭代的情况下，为了确保安全性，在自动驾驶汽车行驶试验之前，需要经过一系列的测试和验证。
你需要一个模拟环境
Apollo的仿真环境在2017年Apollo版本1.0的云服务平台模块中提供。在国内首次正式推出大规模集群版仿真平台。
一年后，这个模拟环境再次升级，作为Augmented autonomous driving simulation（AADS），与百度的研究者们共同在科学机器人上发表了论文。百度的仿真器为提高建模的真实性迈出了坚实的一步。
在自动驾驶的模拟环境中，AI模型会驾驶复杂的道路状况和危险状况，获得丰富的数据。它是一个虚拟的模拟环境，比真实环境成本低得多，而且没有危险。
因此，AI模型可以在虚拟环境中多次驱车，测试各种环境，挑战复杂情况。在多次在虚拟环境中奔跑，克服各种困难之后，他成为了一名安全可靠的老司机。
所以，接下来的问题是：
既然作为自动驾驶AI训练场的模拟环境很重要，那么到底什么样的模拟会起到重要的作用呢。
答案很简单，就是最大限度地接近真实
那么，百度Apollo的自动运行模拟环境是如何实现真实性的呢
Apollo是模拟世界全角度的“真实性”
如前所述，Apollo通过AADS系统，可以将实际的道路环境再现为模拟环境。
但是光靠道路环境是不够的。行人和车辆，甚至是多个对象之间有着复杂的相互作用，还必须考虑无人车辆本身的特性。传感器模型、动力学模型、异常状况识别等，维度涉及多个方面，关系非常复杂。
为了达到在真实世界中“确保安全”的要求，模拟必须满足哪些标准。这需要仿真系统发现尽可能多的缺陷，但不能有太多的误报。概括地说，可以使仿真器预测的算法效果无限接近实际道路上的实际效果。
为此，我们试着用4个维度解答了这个问题。
“场面”是什么
自动驾驶技术要解决的是，ai可以处理复杂的路况，在各种情况下实现安全和最佳的行驶。“复杂的路况”就是将其原子化分割而成的，在自动驾驶的世界里被称为“场景”。
每一个场景都成了一道又一道的试题，自动驾驶算法必须在仿真中清除所有的试题，才能算具备了初步的行驶资格。
首先生成有车辆或障碍物的静态环境称为静态环境建模
静态环境的基础模型是高清晰度地图中包含的地图语义元素，是场景语义分类的重要维度。百度模拟作为构建整个静态环境的下图，直接基于百度高精细地图。百度高精细地图领域的深入技术和经验，百度模拟中的静态环境构筑精度为厘米级。
道路上的车辆或障碍物不能静止不动，他们存在一定的相互关系，大部分行人小心翼翼地过马路，先看两边的车再走，有些行人在道路上乱跑；周围的大部分车都会仔细切入，但只有一部分车会快速切入或切下另一辆车。
需要动态环境建模
动态环境建模是指在某个场景中障碍物和汽车相互作用的合理性。在模拟环境中，人物和车辆的行为分布比例必须与现实世界相似。在同一场景中，横穿马路的人、正常行走的人、故障停在路上的车、正常行走的车等，在现实环境中可能同时存在的情况也必须在模拟环境中合理分布。
除了基于规则定义的各种障碍物行为和基于数据生成的模型之外，障碍物行为还必须足够多样、足够精密、合理，以便模拟结果与加载测试结果一致。
解决这个问题需要现实的道路数据量。
海量的真实道路数据提供了更完整的覆盖，在绘制更精细的障碍+无人车交互模型的同时，满足障碍物行为的真实性和多样性需求。
为了满足算法的要求，在模拟集场景的配置中，在完全确保覆盖范围的基础上，模拟集场景的出现频率与实际路上场景的频率一致对一组场景数据的配置进行了更细致的调整。如果有共同的方案分布，模拟结论和加载测试结论是一致的。
▲主车故障车同时进入中间车道—碰撞风险
Apollo仿真方案库基于100万公里级的实际加载测试数据。
另一方面，百度的技术人员们，从大量的实际的道路数据中，抽出了更正确的「障碍物车辆和主车辆的相互作用/游戏的举动模型」。因此，“实际在路上进行的相互作用行为”确保了每个障碍物行为的真实性。
另一方面，以大量真实的道路数据为基础构建了丰富的场景种类，“Apollo”的自动驾驶“问题集”覆盖了路上的各种场景，在“Apollo”行驶前，充分验证了路上可能发生的所有场景。
Apollo仿真是自动驾驶算法的好教师。模拟具有广泛而精确的方案库，允许算法在足够真实、足够覆盖的环境中发挥自己的能力，以保证加载效果。
其次是无人驾驶汽车不可缺少的传感器模拟
无人车在硬件方面与传统车辆的不同之处除了以AI芯片为头脑之外，还有“传感器组”和“控制单元”两种。前者作为无人车的眼睛，让大脑不断感知外部环境。后者作为无人驾驶汽车的四肢，在大脑的指挥下控制车辆的运动。
在仿真平台上，为了提高工作效率，仿真需要两个“硬件”组件：传感器和控制单元。将其“软件化转换”，在仿真器中用软件算法模拟。
这就是无人车模拟的两个固有名词“传感器模拟”和“车辆动力学模拟”
传感器仿真会给虚拟的传感器带来真正的传感器一样的效果吗？传感器仿真的真实性不是用主观的感觉来定义的，而是要找到客观的、定量的评价方法。
“Apollo”的算法设定了很多评价指标，从多角度突出了“真实数据”的特征和“模拟数据”的特征。通过比较特征，然后通过“补充传感器渲染新功能，场景建模细节”，逐步缩小评估结果差异，使传感器仿真效果与实际传感器采集的数据达到最大匹配。
正是由于数百万公里的大规模数据，Apollo仿真器能够在复杂的条件下，达到更高精度的传感器仿真能力。
仿真也需要大大提高虚拟车的控制精度。
车辆控制的精度，也就是“AI指示车辆”和“实际车辆执行”的精度问题。
例如，在现实世界中自动驾驶车行驶时，AI会指示“前进40厘米”，但考虑到现实的摩擦力等，只能前进30厘米，纵向会产生10厘米的精度误差。
对于汽车来说，10厘米似乎是可以忽略的很小的距离，百度在工程师看来，即使是很小的十几厘米的误差，利用模拟优化对加速度变化率特别敏感的“体感”相关指标，也会造成体感异常点数倍的误判和误判需要进行车辆动力学仿真。
为了解决这一问题，百度工程师考虑到利用大量的加载数据，在“AI给车辆下达的命令”和“车辆的实际执行效果”的大数据下进行拟合，由此可以得到更真实、更精细的动力学模型。这种“大数据驱动的动力学模型优化”的方案，也有利于满足未来迅速适应多种车型的需求。
最后，仿真执行器
前面几个技术方向，还属于众所周知的仿真功能，这个项目隐藏在底层，但影响很广。指在服务器端运行时模拟逻辑所需的特殊设计。
在现实世界中，存在着统一的时空这一众所周知且容易被忽视的物理制约。
“统一时空”是指世上所有事物在统一的时间和空间中相互作用。所有人，车…的1秒，是相同的长度，所有人，车…的1米，也是相同长度的距离。
在仿真中，统一距离的约束依赖于统一坐标系，而统一时钟的约束必须使用不同于车端的方法。
这是因为仿真器执行的本质是在大量CPU/GPU的计算资源上执行模拟逻辑，最终“计算”整个世界，但服务器在执行任意逻辑时“并行执行多个对象，但单体执行以随机速率”进行因为客观世界中的“多个对象间的统一时钟”的物理法则是不令人满意的。
仿真执行器必须强制约束所有对象，以便它们可以按一定的节奏移动。
也就是说，由于有模拟致动器，不同的模拟对象在执行时能够进行某一时间的节奏同步，进而能够“模拟”客观世界中的“统一时间”概念。
当然，时钟同步只是“仿真致动器”的一个浅显易懂的表示。更抽象的表示是，“模拟致动器”完成的是“在实际物理时间框架下自动运行的数据流的受控流”。
实际上，在自动驾驶时，在车端的多个模块之间的数据流的发送和到达的节奏中有很多微小的跳跃，这些数据节奏的跳跃导致车端算法结果的差异化。另一方面，对于细化的模拟，需要呈现/生成这样的微小的差异化结果。
什么样的数据节奏。它带来了什么样的差异化。如何才能将仿真结果与这种差异化效果进行准确的拟合？如何证明我们的仿真实现了足够精确的拟合效果？这些又将从庞大的数据中寻找答案。
Apollo仿真的另一方面，在实现了控制数据流的“仿真流控制框架”之后，可以自由定制消息延迟，并从实际数据中提取延迟模型，注入数据流整体而言，在模拟执行时能够得到更真实的“数据节奏变动性”的效果。
同时更重要的是，建立了“仿真再现率”的自动化监控系统，继续比较“真实道路测量中无人车的车姿数据”和同一场景下的“仿真中虚拟车的车姿数据”，在体量道路测量数据的验证下百度仿真器本身可以证明具有足够高的精度和足够高的泛化能力的“真实情况的模拟能力”。
上面反复强调了数据对模拟的重要性。模拟和道路测量不是存在于不同验证阶段的相互独立的关系，不是使用模拟代替道路测量的关系。
Apollo百万公里级真实道路测量数据是仿真优化的基础，仿真优化为算法迭代提供了更大的支持，更优的算法还带来了更大规模的道路测量距离更大规模的道路测量距离进一步提高了仿真效果——仿真与道路测量，在迭代闭环的两端，两者的关系实际相互依存促进，是良性正循环的模型。
未来，无人驾驶将从根本上改变人们的生活。如今，无人驾驶只不过是一个步履蹒跚的孩子。无人驾驶的仿真，其定位非常明确。他是这孩子的老师，需要肩负起“帮助无人驾驶技术快速增长”的重任。
长沙本地“典型习题集”
最后，我们从模拟世界回到现实，百度Apollo无人驾驶出租车在长沙全面开放。
针对长沙地区的特殊性，或者实际运营中发生的突发情况，比如前面有人过马路怎么办，老人拄着拐杖走得很慢怎么办，撞到强行超车的司机怎么办，恶劣天气看不到路况怎么办送了大量的外销摩托车在附近跑怎么办……。
在仿真系统中，AI进行反复训练测试，找出应对此类问题的最佳方法，对模型进行反复优化，使AI模型习惯了这辆轻型汽车，提高了自己的驾驶技术提供了一个专门的“典型练习题集”，以便在实际场景中能够应对这样的问题。
然后，在这些场景中登场