融资1.25亿美元，自动驾驶模拟仿真“独角兽”诞生大量的测试验证是保证自动驾

文章插图
大量的测试验证是保证自动驾驶走向落地与实现功能安全的必经之路。与此同时， ADAS和AV系统的日益复杂给汽车工业带来了新的验证挑战。
有行业人士指出，零部件和模块的设计、软件开发事实上只是整个系统开发的很小一部分。系统集成的验证测试和优化，才是当下占据最大时间成本的环节。
这意味着，在测试验证环节诞生行业“独角兽”是大概率事件。这其中，模拟仿真公司机会最大。
【融资1.25亿美元，自动驾驶模拟仿真“独角兽”诞生】就在近日，一家来自美国的自动驾驶模拟仿真初创公司Applied Intuition证实，在新一轮C轮融资中融资1.25亿美元，公司估值达到12.5亿美元。
“我们坚信，在未来，设计、工程、制造、测试和相关的软硬件都将使用某种形式的模拟测试。 ”Applied Intuition公司创始人表示。
按照此前腾讯发布的自动驾驶仿真技术蓝皮书数据，目前自动驾驶算法测试大约90%用仿真平台完成， 9%在测试场完成， 1%通过实际路测完成。
一、降本提效，是第一准则模拟仿真测试对于开发自动驾驶车辆的公司来说，是无价的资产。在减少实际物理路测里程的同时，降低了快速迭代开发的成本。
一直以来，这些工具被Waymo、通用Cruise和无数其他公司用于验证系统的可扩展性和安全性，同时也用于训练机器学习算法。
让Applied Intuition引以为傲的技术，是可以为客户提供集成开发环境下每一个组件的模拟仿真测试。 “之前，很多游戏引擎都是基于视觉效果，而不是真实的物理效果。 ”
文章插图
在该公司的on-premises和云平台中，开发人员可以导入感兴趣位置的地图(以及该环境中对象的行为) ，并使用拖放场景编辑器来生成排列，以覆盖边界情况。
他们能够使用基于web的可视化工具运行大量的场景，以及通过url跟踪进程和与协作者共享结果，同时通过定制的规则以编程的方式提取驱动片段。
Applied Intuition公司表示，这套解决方案可以进行数百万PB级数据的模拟。 “一般客户能够在两周内将其解决方案与现有软件集成在一起。 ”
该公司的核心创始团队来自谷歌、Waymo、微软、亚马逊、英伟达、苹果、Aptiv和博世，以及通用汽车、沃尔沃、丰田、福特和特斯拉等汽车制造商。
此前，该公司的平台侧重于更传统的模拟运动规划，控制和感知模块的AV软件堆栈，同时也一直在构建大规模的模拟环境。
以开发安全关键感知系统为例，需要大量的数据来覆盖现实世界中遇到的各种边缘情况。标注和管理来自真实驾驶数据的数据集是业内训练自动驾驶车辆算法的常用方法。
特斯拉实际上采取的就是类似的方式，随着自动驾驶汽车遇到需要解决的新场景，工程师们不断调整标注指令。
但是，由于可伸缩性的限制、数据收集的成本和准确标注信息所需的工作，这种数据驱动的方法有各种限制。
以特斯拉未来，该公司在全球范围内拥有超过100万辆存量车收集长尾数据集，但大多数汽车制造商没有类似能力来提供这样的数据集。
即使有大量可用的数据，仍然不能保证所需的数据在数据集中可用性。在这种情况下，需要专门的测试车来收集这些数据，从而增加了成本和时间延迟。
此外，大量的边缘场景，可能需要几年的时间再次发生。同时，传统的数据标注成本是巨大的，半自动甚至是手工方式还是主流。
文章插图
在Applied Intuition公司看来，合成数据提供了一种可伸缩性更强、更准确的替代方法。尽管合成数据是从模拟中创建的，但地面真实信息（例如车辆的语义标签或交通标志上的文本）是精确可用的。
仿真还可以提供一个场景中每个物体的反射率、深度、粗糙度等精确信息。注释可以自动创建，不需要手动标记传感器数据。
另一个关键好处是，工程师可以创造多种变化，而无需在现实世界中“指望运气”碰到类似场景。这种方式还允许关注感兴趣的特定对象。
通过正确的程序设置，系统可以在几个小时内模拟数百万个交通标志的例子。可能包括在不同光照条件、物体位置、遮挡等情况。