这个最新无人车模拟环境，让仿真路测效率提升数千倍！华人团队提出，登上Nature子刊：这个最新无人车模拟环境

【这个最新无人车模拟环境，让仿真路测效率提升数千倍！华人团队提出，登上Nature子刊】原标题：这个最新无人车模拟环境，让仿真路测效率提升数千倍！华人团队提出，登上Nature子刊
贾浩楠发自凹非寺
量子位报道|公众号QbitAI
150亿英里，这是独步全球的自动驾驶公司Waymo的模拟测试里程。
但是这还不够。
有业内人士估计，要完全证明一个算法的安全可靠，模拟测试里程甚至要超过千亿公英里。
那么，有没有在保证可靠性的前提下，大幅降低模拟路测时间和成本的方法呢？
美国密歇根大学的刘向宏教授团队，开发出了一种新的自动驾驶测试环境，直接将现有的同类测试所需里程，减少4个数量级。

文章图片
这项研究，也发表在了NatureCommunication 。
模拟效率提高上千倍
2015年，马斯克推测， 2018年能实现完全自动驾驶。
2014年，日产曾承诺，到2020年，市场上将有多款、商业上可行的无人驾驶汽车。
但是现在，路上的汽车绝大部分还是L2级辅助驾驶。
为什么汽车制造商总无法兑现当年的Flag？
刘向宏教授领导的密歇根大学TrafficLab在这篇研究论文中认为，阻碍自动驾驶发展的障碍之一，是测试和评估效率严重低下。

文章图片
成百上千亿的英里的模拟，成本巨大。
所以，团队开发了一个名为NADE的自动驾驶系统的测试评价环境。
NADE ，是naturalisticandadversarialdrivingenvironment的缩写，直译为自然-对抗驾驶环境。
顾名思义， NADE通过学习实际道路中背景车辆的行为，能够生成模拟某些对抗性动作，同时保持驾驶环境的真实性。
按照团队给出的测试结果，与类似于Waymo的CarCraft9、百度的AADS10等传统的模拟测试环境（NDE）相比，每跑一英里，至少相当于在以前的几百、几千英里。

文章图片
在上面的测试结果中，蓝线代表在NDE中的测试结果，底部x轴表示测试次数。红线代表在NDE中的测试结果，顶部x轴为测试次数。阴影代表90%的置信度。
团队总共测试了两个自动驾驶系统，分别称为AV-I和AV-II 。
如上图a、c所示，在NADE中模拟的通过对两种系统的测试次数大大减少，获得了与NDE相同的事故率估计结果。
具体计算一下，对于AV-I模型， NADE只需要8.74×104次测试，而NDE需要4.39×107次测试。 NADE加快进程约500倍，减少约1000万英里的里程。
同样，对于AV-II车型， NADE需要2.32×104次测试，而NDE需要1.41×108次测试。

文章图片
新的方法可以让测试进程加快6000倍，减少3500万英里模拟里程。
大大提高模拟测试效率的NADE环境，具体是如何搭建的呢？
如何构建NADE
对于以前常用的NDE来说，构建算法的实质，是对代表NDE复杂性的变量的联合分布进行采样处理。
为了简化高维度的时空分布，一般利用变量之间的时空独立性关系，用马尔科夫决策过程（MDP）和概率图模型（PGM）对NDE进行建模。
环境中的变量，包括天气、道路类型、车辆加速度等等，将它们表示为：

文章图片
其中xi,j表示第i个BV（背景车辆）在第j个时间点的变量(如位置和速度) ， N表示BV数量， T表示总的时间点数量。
NDE的生成是根据变量的自然联合分布进行取样，表示为x～P(x) 。
由于P(x)的维度极高，所以选择利用变量之间的时空独立性关系来简化问题。假设过程具有马尔科夫属性，联合分布可以用因子化的方式简化为：

文章图片
其中， u(k)、s(k)分别是在时间步骤