模擬訓練對於自動駕駛的意義，可能比我們想像的更多

為了能夠安全可靠地行駛，自動駕駛汽車需要對它周圍發生的一切有全面的了解。它們需要識別其他的乘用車、卡車、摩托車、自行車、行人、交通信號燈、道路指示牌以及其他可能出現在道路附近的物體。它們也必須在各種各樣的天氣和光照條件下做到這一點，這就是為什麼大多數研發自動駕駛汽車的公司都在花費大量的時間和資源收集各種數據，以獲得各種可能情況下的行駛經驗。

大多數情況下，這種技術依賴於人工手動對大數據進行注釋，以訓練機器學習演算法：成百上千的工作人員盯著由行駛在道路上的實車拍攝的照片或視頻，為其中出現的機動車輛和道路標識畫上框，之後對其進行標註，反覆而為之。不過密歇根大學的研究人員提出了一種新方法：藉助模擬模擬的手段進行機器視覺演算法的訓練。而且他們已經證明這種方法比通過人類標註真實數據效率高得多。

出於對成功的渴望，其實機器人專家對進行大量的模擬測試持謹慎態度。由於模擬測試簡化了真實場景，所以你很難保證在模擬程序中能夠安全運行的系統能夠勝任真實環境。當涉及到物理的時候，這就可能會變得更糟糕，因為得益於當今遊戲產業的高度發展，逼真的圖形更容易以假亂真。最近，密歇根大學的研究人員開始著手研究是否可利用《俠盜獵車手5》的遊戲畫面訓煉深度學習系統來識別道路物體。

從《俠盜獵車手5》中渲染的一系列用於訓練目標識別的圖像

那麼通過模擬訓練自動駕駛系統的物體識別能力有下面這三點好處：

一、模擬場景比用實車在真實道路行駛錄製視頻速度更快成本更低；

二、在模擬環境中，物體標註已經做好了，系統明確知道它正在創建什麼對象；

三、模擬可以生成你需要的任何條件和工況。例如，加州天氣太好反倒不利於自動駕駛的測試。但是在模擬場景中，你可以任意添加降雨、降雪等變數，你甚至可以在不同條件下使用相同場景進行測試。

模擬測試可以為同一場景編製不同的天氣條件

為了觀察模擬測試的效果，研究人員從《俠盜獵車手5》中生成了三個模擬數據集，其中各包括了10000幅、50000幅和200000幅不同的遊戲圖像，深度學習目標檢測網路將利用這些圖像數據進行訓練。此外，工作人員也建立了一個叫做「Cityscapes」的圖像數據集，它是由人工標註的反映真實路況的3000幅視頻圖像組成，藉助裝有攝像頭的汽車在德國道路採集所得，Cityscapes也將用於深度神經網路演算法的訓練。之後通過考察該深度學習神經網路對7500幅圖像（同樣來自於德國真實的道路實況數據，叫做KITTI的基準數據集，與Cityscapes不同）中已人工標註目標物體的識別情況，來對訓練後的演算法性能進行評估。

在全新的基準數據集KITTI中，利用遊戲模擬圖像訓練後的神經網路其實要比利用Cityscapes數據集訓練後表現得更好：特別是在經過50000幅模擬圖像訓練後演算法的識別表現要比利用從現實世界中提取的3000幅圖像訓練後的更好，而且經過200000幅模擬圖像訓練後的演算法效果還能做到更出色。研究人員解釋稱，單個的模擬圖像可能沒有太多價值，但沒關係，你可以通過數量來彌補。

實驗結果表明，單張模擬圖像的變數和訓練價值低於單張真實場景圖像。而且真實場景中的光照、顏色和結構變數遠比虛擬場景多得多，因此需要更多的模擬圖像來訓練演算法能夠實現合理的識別效果。不過，生成模擬圖像只需要計算資源，不需要人為標記圖像。一旦雲計算這個基礎設施搭建到位，完全可以生成任意數量的模擬圖像。

基於模擬圖像的網路訓練比在真實圖像上訓練的演算法更能避免誤報

密歇根大學研究人員的進一步分析指出，經過模擬訓練的神經網路實際上更善於識別遠處的或很難看得到的汽車，誤報率相對較低。這可能是因為模擬比通過駕駛實車在城市一遍又一遍進行道路數據採集可以產生更廣泛的數據信息，為訓練提供更多樣化的內容輸入。話雖如此，利用虛擬環境訓練深度學習演算法的問題仍然存在：畢竟它們與真實場景不太一樣，而且很難模擬出那些連人類都難以預測的工況，這正是自動駕駛汽車面臨的根本問題之一。

我們可能無法用《俠盜獵車手5》來解決一切問題，但虛擬世界有著與更多資源密集型方法同等的訓練價值，這一事實將有助於我們達成更有效的折中方案，開發出更理想、成本更低的自動駕駛汽車。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！