相比傳統自動駕駛公司的“造梯子”路徑，輕舟智航是在“造火箭”，3月21日無人駕駛公司輕舟智航CEO於騫在其舉辦的線上分享會上說道。
作為一家成立不到一年的無人駕駛初創公司，這次線上分享會輕舟智航首次公開分享了其基於大規模智能仿真系統及可自主學習決策規劃框架的技術路徑，並介紹了大規模智能仿真系統的具體應用。
其目標是打造適應城市複雜交通環境的“老司機”，其業務模式是為合作伙伴提供可量產的無人駕駛解決方案。
對此，輕舟智航決定從兩個方面來解決自動駕駛實際落地問題：
一方面，基於大規模仿真技術應用來解決規劃決策問題是當前無人駕駛技術領域的關鍵課題，以Waymo為代表的無人駕駛公司正在通過大規模的仿真測試改進規劃決策技術。
另一方面，通過建立大量的工具鏈以及仿真測試環境，可以實現技術迭代的自動化，以更快的速度、更高效的方式應對自動駕駛的邊界化難題，應對自動駕駛行業存在的長尾效應。
相比原本的“造梯子”，輕舟智航更希望“造火箭”
我們知道，自動駕駛關鍵因素包括感知、決策和規劃，其中，感知是一個比較確定性的問題，如何測試和評價是非常明確的，整體的方法論也是比較清楚，所以業內開始把注意力集中在規劃決策技術上，把規劃決策視為目前最具挑戰性的問題。
規劃決策的挑戰性可以從兩點來看：第一，不確定性難以衡量，現有判斷規劃決策做得好壞的指標是舒適度和安全性，但這兩項指標都是比較偏主觀。
一方面，不同人開車有不同的行為喜好，有人激進一些，有人保守一些，舒適程度本身是很主觀的一個判斷。
另一方面，在安全性上，簡單的安全性指標是不碰撞，但即使是不碰撞，要是你的車總是離旁邊車就差1釐米，你也會覺得不安全。
第二，從方法論的角度來說，行業裡佔主流位置的規劃決策方法論，整體上看與20年前相比並沒有大的突破，模仿學習或強化學習的方法，在大規模實際應用時也仍然存在眾多問題。
於騫認為，“仿真技術的出現，其出現很大程度上是為了幫助規劃決策進行更好的測試——畢竟不能每修改一次算法就部署到車上進行測試。隨著仿真技術的採用，行業又進入一個快速的發展軌道。”
與大部分自動駕駛從無到有的技術構建過程——先做好建圖和定位，再做好感知，最後再開始做規劃決策和仿真不同，對於輕舟智航而言，從一開始便把仿真測試平臺作為關鍵核心能力，與其他模塊一同建設起來，使開發達到了十分高效的狀態。
除此之外，自動駕駛技術存在突出的長尾效應，技術上已經解決了90%的問題，但剩下的10%卻可能要花費同樣多甚至更多的精力，這10%包括很多邊界化難題。
於騫對無人駕駛為何遲遲未落地進行分析，他說，“邊界化難題的發現和解決除了需要收集大量的數據，更重要的是建立自動化生產的工廠，將源源不斷收集來的有效數據，通過自動化的工具，加工成可用的模型。以更快的速度、更高效的方式應對邊界化難題。”
上圖便是一個典型的邊界化難題，在你遇上野鴨子之前，你甚至不知道會有野鴨子的問題，所以邊界化難題是需要去發現，並且解決的。
那麼邊界化難題怎樣去發現並解決呢？
除了收集大量的數據，更重要的是建立自動化生產的工廠，將源源不斷收集來的有效數據，通過自動化的工具，加工成可用的模型。以更快的速度、更高效的方式應對邊界化難題。
以上面野鴨子的場景為例，如果需要專門針對這些場景去開發特殊的模型，那會有無窮無盡的場景需要處理。
但藉助自動化的辦法，只要數據標註好了，下次系統更新時便可以更好處理這種情況，省下大量工程師的時間。
以感知舉例是比較容易理解的，但其實規劃技術也一樣，要想讓車做出準確的規劃，最原始的方法是工程師寫規則——大量的工程師寫出大量的規則，但這種方式維護性很差還不能滿足需求。
再進一步便是設計獎勵函數——設計獎勵函數比寫規則要簡單的多；再往後則是利用數據自動學習獎勵函數。
這個過程便是往自動化方向發展的過程。
於騫說，“輕舟智航所追求的，是建立自動化規模生產的工廠，相比原本的“造梯子”，我們更希望“造火箭”，為此，就要建立大量的工具鏈以及仿真測試環境。”
對此，輕舟智航將有效數據、智能仿真系統以及決策規劃框架這三點視為推動技術向前轉動的齒輪。
藉助大規模智能仿真系統和可自主學習決策規劃框架，輕舟智航可做到最大化地利用有效數據，大幅降低測試成本，提升開發效率，保證解決方案的可拓展性。
於騫表示，“過去的一年，輕舟智航不希望通過見招拆招的方式進入到某個具體的小應用場景，變成一家靠堆人來解決問題、無法規模化的工程公司，而是專注於修煉內功，在做到主線夠深入、橫向可擴展之後，再以輕、快的方式實現真正的無人駕駛。”
拒絕“華而不實”，輕舟智航仿真系統架構首次揭秘
當前，市面上有許多仿真軟件，最流行的是基於遊戲引擎開發的仿真軟件，這種仿真軟件從界面的角度來說是比較好看的，像一個模擬城市，場景很真實。
與這種主流的仿真軟件不同，輕舟智航的仿真軟件界面很簡單的，拋棄了複雜的渲染工作，僅保留了感知結果，包括3D Box和雷達點的疊加。
輕舟智航為什麼不利用遊戲引擎，造一個好看的模擬城市呢？
輕舟智航的聯合創始人汪堃總結了基於遊戲引擎開發的仿真系統的三大特點：
第一，在使用遊戲引擎的情況下，其本身的圖像渲染工作對感知的提升是很有限的，因為其中的渲染效果和真實物體是有一定差別的。
第二，在自動駕駛領域，這種Re-build軟件（基於第三方軟件開發）是缺乏測試確定性的。仿真軟件在自動駕駛領域的重要應用，就是復現某一次的路測效果。但由於這種第三方軟件的開發與自動駕駛軟件的開發是相互獨立的，很難保證其中各個模塊的確定性，導致整個仿真軟件存在不確定性，最終影響可用性。
第三，基於遊戲引擎開發的仿真器會消耗大量額外計算資源做圖像渲染，不利於大規模應用，這也影響到本身的實用性。
基於以上考慮，輕舟智航制定了獨特的仿真系統。
輕舟智航仿真系統的系統架構可以分為5層：最底層的是輕舟智航自研的Car OS，藉助底層的通訊系統來保證模塊之間的高效通訊。
Car OS與仿真器是高度整合的系統，核心仿真器及評估器，是基於底層的Car OS接口開發的，能保證仿真系統的確定性。
再往上一層是仿真周邊工具鏈和基礎架構，可保證整個數據閉環的有效性，將全部數據高效利用起來；第四層是大規模場景庫構建。
最頂層則是分佈式系統仿真平臺，支持快速、大規模的仿真應用，在短時間內得出正確評估。
輕舟智航的仿真評估器也可以分為5類：第一類是安全性評估器（Safety Evaluator），包含是否碰撞、是否壓到路邊、是否撞到行人等評估。
第二類是真值評估器（Ground Truth Evaluator），可通過人工標註或自動標註的方式對仿真結果進行檢測對比，及時反饋給工程師。
第三類是法規評估（Law Evaluator），指的是根據交通規則進行評估，例如是否闖紅燈、是否逆行等；
第四類是舒適度評估（Comfort Evaluator），指是否有急剎等帶來不舒適感的等行為。
第五類是狀況評估（Stats Evaluator），相對比較底層一些，指根據模塊生成的中間結果，進行縱向比較得到評估的結果。
汪堃表示，“我們認為仿真是達到規模化無人駕駛技術的唯一路徑。首先，藉助仿真及相關工具鏈，能形成高效的數據測試閉環，支持算法的測試和高效迭代，取代堆人或堆車的方式；其次，只有經過大規模智能仿真驗證過的軟件，才能夠保證安全性和可用性。以一個比喻作為結尾，如果無人駕駛是個賽跑，那麼仿真便是助推器，助推完全無人駕駛的實現。”
一鏡到底，輕舟智航硅谷“封城”前夜展示無人車真實力
加州“在家隔離”強制執行令發佈後的3個小時，對輕舟智航來說是難忘的3個小時。
硅谷時間3月16日下午4點23分，輕舟智航收到加州相關政府發佈的正式強制性命令，所有居民必須在家隔離，除非採購食物，就醫或者其他緊急情況才允許離開住所，強制性命令於當天午夜12點生效。
這一天，輕舟智航要進行試乘直播活動。
於騫表示，“收到這個通知時，離生效只剩下8個小時，我們沒有放棄，而是在第一時間聯繫了硅谷風險投資BoomingStar Ventures管理合夥人Alex Ren作為第三方見證者，在當天晚上7點多緊急錄製了路測視頻。”
由於時間緊張，輕舟智航只有一次機會，所以接下來的測試視頻是一次性錄製完成。
00:00/00:00倍速
本次輕舟智航試乘路線首先將開到一個商業區周邊的麥當勞，經過一個汽車穿梭窗口（Drive-through，不必下車即可得到服務的餐館），隨後穿過一個大超市和其停車場，回到公司。
Drive-through 是美國很常見的一種點餐方式，是典型的城市複雜交通環境之一，從技術上角度來看，Drive-through場景也是很有挑戰性的。
首先，其車道比單車道更窄，對定位和控制的要求都比較高，如果橫向定位和控制不精確，就會軋到路沿或蹭到建築物，如果縱向不準，就會對不準點餐窗口。
其次，在出口處便是停車場，是非結構化道路，要應對人車混雜的情況，還要通過無保護右轉進入道路主路。
最後，更有挑戰性的是這裡是正常營業的地方，不像開放道路般可以重複進行路測，據悉，輕舟智航通過大量的仿真測試，做到了第一次上路就非常安全可靠。
通過視頻來看，Star Ventures管理合夥人Alex Ren乘坐輕舟智航無人車經過一個汽車穿梭餐廳，完成訂餐、支付、取餐的全過程，隨後，還在一間大型超市周圍遇上了由於搶購物資引起的複雜道路場景，但無人車實現了很好的應對。
接下來我們再從仿真角度來看，在真實影像中，我們可看到前方是沒有車輛的。
00:00/00:00倍速
但藉助仿真，我們在場景中產生了兩輛綠色的虛擬車輛，測試車輛能否對虛擬車輛進行準確的避讓。
同樣，也產生了黃色框的行人來進行測試，視頻中的白色邊框則是當時的實際行駛軌跡。
汪堃稱，“由於麥當勞這種場景是不允許多次實際測試的，這個視頻只是眾多例子中的一個，實際上生成了非常多個這種類似的場景，在仿真測試中評估器，都得到不錯的結果後，才讓車輛到實際場景中測試。”
此外，以上視頻也展示了仿真場景庫的自動生成的相關工作，視頻中紅色和綠色的兩個點，分別代表兩輛車的運動軌跡，這些軌跡的生成和變化，是在真實的交通數據集上，利用深度學習的方法進行訓練，再使用訓練好的深度神經網絡合成大規模的互動車輛的軌跡。
大家可以看到互動車輛的運動軌跡在不斷變化，這個變化是由於輕舟智航藉助生成模型在互動車輛的運動行為空間進行隨機抽樣而產生的。
該生成模型支持在不同地圖上合成不同的場景庫，具有真實有效，多樣豐富，以及規模擴展等諸多特性。
視頻中的兩個點或者兩輛車，是具有交互性的，它們之間可以進行正確的互動，這種互動行為不是人工手動創制，而是從真實車與車之間的互動數據中通過深度學習的方法學習而來的。
關於輕舟智航：
作為一家年輕的初創公司，輕舟智航的的核心團隊成員來自Waymo、特斯拉、Uber ATG、福特、英偉達、Facebook等世界頂級自動駕駛公司和科技公司。
目前在美國硅谷、中國北京、深圳、蘇州等多個城市都設有辦公室。其聯合創始人、CEO於騫是頂尖核心感知算法和地圖專家，曾任Waymo感知關鍵模塊的機器學習算法研發負責人，在計算機視覺和機器學習領域擁有十多年經驗。
閱讀更多 AutoR智駕 的文章
