之前報道過很多自動駕駛仿真模擬軟件，比如Carla，Prescan，carsim，Panosim……他們共同的特點是需要手工建模，“這種情況”速度過于緩慢，通常需要花費數周時間來制作幾個城市街區。最近一家初創公司Parallel Domain，聲稱其計算程序能夠在不到一分鐘的時間內生成城市街區。

Parallel Domain是自動車輛模擬3D環境生成軟件的供應商，他的創始人是前蘋果和皮克斯員工凱文麥克納馬拉。在蘋果公司工作時，麥克納馬拉就參與了一個自動駕駛項目，在那里他探索了虛擬環境的自動內容生成，他當時的想法是使用這種技術讓自動駕駛系統得到訓練，測試，驗證和開發人工智能。后來，他創辦了Parallel Domain。

“我們所做的是使用計算機圖形學來加速安全自動駕駛車輛的開發，”麥克納馬拉說，“這個想法是，在模擬中，你可以安全地犯錯，然后從錯誤中學習。在虛擬世界中，你不會在這個模擬中傷害任何人。”

Parallel Domain平臺使用真實世界地圖數據，程序增長算法和生成模型，可以教會汽車如何駕駛并確保汽車的軟件正在學習。虛擬世界的所有元素都是可調整和可編程的，例如車道數量，地形類型，山脈位置，道路曲率等等。

如果我們需要在模擬器中駕駛數十億英里，我們如何建立這些英里？

當前的機器學習算法必須經過大量數據集的訓練和測試。但是，真實世界的測試和數據收集需要真實的車輛，實際的驅動程序和實時的交通場景。根據蘭德公司的說法，如果要證明自動駕駛汽車的安全，需要安全駕駛110億英里， 在現實世界中駕駛這些里程數是一個棘手的問題。所以很多人想到用模擬駕駛數據，但是目前用現有的手工方法建造幾個高保真城市街區需要花費數周甚至數月時間，而且通常需要大量的重復性手工勞動。

蘭德駕駛安全報告蘭德駕駛安全報告

Parallel Domain開創性的內容生成技術提供了可配置，詳細且可大規模擴展的仿真環境。該軟件會自動生成虛擬里程和自動駕駛車輛所需的虛擬場景，以便在自動駕駛車輛到達現實世界之前就能獲得學習。自動駕駛汽車公司正在使用該軟件消除大規模仿真中最困難的障礙：構建車輛可能遇到的各種復雜環境。

為什么自動生成虛擬世界？

用Parallel Domain獨一無二的方法自動生成的這些模擬世界有很多優勢。有了這項技術，虛擬世界就變成了一個巨大的參數空間，可以由工程師，幾行代碼甚至人工智能自己隨意調整：

為可能的世界做好準備，不僅僅是今天的世界：增加一條自行車道，垃圾分散開，提前時間讓一棵樹長在路旁，或者讓瀝青路面開裂或者完全裂開，然后用新瀝青重新鋪路。

分析環境單個因素的影響：在完美的可重復性和參數化的世界下，通過改變其中一個元素，例如車道數量，自行車車道的寬度或道路漆的狀況等，產生相同確切場景的多次運行，來分析單個因素對整體的影響。

對抗網絡：利用參數空間可以生成給定的虛擬世界，可以利用生成式對抗技術，給自動駕駛汽車制造困難的環境，利用該汽車的特定弱點進行訓練。

隨機域：用一組參數來生成世界，直接利用隨機域生成不同條件下的大量數據來幫助ML算法從虛擬世界轉移到現實世界中學習。

單元測試：到目前為止，不可能大規模地產生完整的單元測試連續體。例如，有一個3叉路路口，可以以任何角度進入，1度遞增或10度或0.1度全部可以嘗試。很快就會有數百萬個組合形成一個連續的測試空間。

模擬數據的優勢

在很多方面，模擬（合成數據）是真實駕駛（真實數據）的理想基礎，它們構成了一個很好的組合。有時我們會問“合成數據什么時候會像真實世界的數據一樣好？”其實合成數據與真實數據形成互補，結合兩者構建更安全、可靠的車輛。模擬數據在某些領域有很大的優勢：真實駕駛有風險/模擬駕駛是完全安全的；真正的駕駛很慢（一輛汽車每天只能駕駛很多英里）/模擬駕駛可以很快，可能要快幾千倍；真正的駕駛每英里花費很昂貴（汽車維修，汽油，司機）/模擬駕駛是成本的一小部分（一旦建立了模擬器和虛擬世界）；真正的駕駛需要管理一個真正的車輛/模擬需要一臺計算機；真正的駕駛通常相當無聊和無信息/模擬可以在充滿挑戰的情況下，讓汽車學習更多；真實世界的數據需要對結果數據集進行容易出錯的注釋，這是訓練ML算法/模擬每次都提供完整的注釋數據。

Parallel Domain公司目前已籌集了250萬美元的種子資金，將提供可以為自動駕駛汽車虛擬測試提供技術支持。仿真團隊可以使用Parallel Domain的軟件快速建立一個新的虛擬世界并處理其中的任何變量，從車道數量到瀝青狀況等。NIO成為了第一家客戶。這種模擬平臺的潛在需求不限于自動駕駛汽車。任何機器使用計算機視覺和機器學習來改善決策自主性，都需要高保真的虛擬世界來測試和證明安全性。Parallel Domain這種自動生成環境的技術，快速生成城市街區模型，可以消除公司在大規模模擬方面的障礙。