自動駕駛發展程式有些受阻，會否是因模擬路況測試有點“雞肋”？或許百度將突破這一難關。
（百度董事長兼執行長李彥宏）
美國時間3月27日，百度論文《AADS: Augmented autonomous driving simulation using data-driven algorithms》登上《Science》雜誌子刊「Science Robotics」。《Science》雜誌是全球最權威的學術期刊之一，《Science Robotics》則聚集軟體機器人、假肢、機器人垂直跳躍、神經外骨骼、自動駕駛等機器人科技最前沿的發展領域。該論文提出了一套全新的自動駕駛模擬系統：擴增實境的自動駕駛模擬系統（AADS：Augmented autonomous driving simulation using data-driven algorithms）。這個AADS系統由百度研究院機器人與自動駕駛實驗室開發，它不僅能大大降低模擬系統的測試成本，還在真實性和擴充套件性方面實現了質的飛躍。
近年來，透過模擬系統加速自動駕駛系統測試已經得到國內外企業和學術界認可，成為自動駕駛系統開發和驗證的重要組成部分。現階段，最先進的模擬系統，一般都透過遊戲引擎渲染真實感的三維模型來生成測試駕駛場景，如NVIDIA Driver Constellation, Intel的CARLA、微軟的AirSim等。但這些模擬系統正處於瓶頸期，其建立的虛擬模型和車流運動仍然需要手工修正與處理，將消耗大量時間、人力成本，而建立越精確越逼真的場景將越昂貴、越費時。此外，遊戲引擎渲染得到的CG（Computer Graphics，計算機影像）和實景拍攝圖在豐富性和真實性上還有差距，導致透過CG影像訓練的自動駕駛演算法在實景上效果下降。
針對這一痛點，AADS系統可提供有效解決方案。AADS系統包含一套全新開發的基於資料驅動的交通流模擬框架和一套全新的基於影像渲染的場景圖片合成框架。在獲得真實感的車流移動和場景影像之後，系統利用擴增實境技術可直接、全自動地建立逼真的模擬影像，完全消除了現有模擬系統中游戲引擎渲染圖片與真實圖片之間的差距。換言之，透過AADS系統，自動駕駛系統測試時可徹底告別“五毛”模擬環境，提升測試效果，不斷精進自動駕駛演算法。
此外AADS系統在操作方面也相當簡便。在AADS系統中，使用一臺安裝了鐳射雷達和雙目相機的汽車掃描街道，便可獲得自動駕駛模擬的全部素材。AADS可自動將輸入素材分解為背景、場景照明和前景物件。透過AADS中全新開發的檢視合成技術，可以在靜態背景上改變視點，生成任意視角的真實圖片。比如，掃描街景圖片後，AADS系統可以變換街景圖片的視角，進而模仿車在不同環境裡面行走的動作。
簡言之，AADS擁有場景可擴充套件性和模擬真實性兩大現有自動駕駛模擬系統不具備的“殺手級”優勢。透過街道與場景掃描，AADS模擬系統即可快速、全自動地產生逼真的車流、行人等物體運動資料。此外，AADS系統可以進一步擴充套件，將虛擬元素（如車輛、行人運動）的靈活性與真實世界的豐富性相結合，從而有效、真實的模擬任何位置、任何時間的駕駛場景。值得一提的是，AADS系統採集的模擬資料無需人工標註與處理且生產成本極低，真正為自動駕駛提供低成本、最全面、最多樣的模擬測試保障。
對於自動駕駛領域而言，安全性是至關重要的一環。業界一般認為一個可靠的、安全的自動駕駛系統必須能保證在苛刻的測試環境下安全行駛數億公里。按照這一指標，若完全使用真實道路測試，可能需要長達數十年。強大的AADS可以提供一套完整的自動駕駛模擬資料鏈，不僅可以生成海量標註資料用於訓練、測試自動駕駛感知、路徑規劃等核心機器學習演算法，也可以端到端、互動式的完整測試、驗證自動駕駛系統。透過AADS系統，既能兼顧自動駕駛系統測試的安全性，也能極大地縮短測試時間。
基於 AADS 系統，百度還同時釋出了兩大公開資料集，即 ApolloCar3D 和 TrafficPredict。這兩個資料集是百度 ApolloScape 開源專案的一部分，其中 ApolloCar3D 資料集包括超過六萬車輛的例項，配有高質量的三維 CAD 模型和語義關鍵點。TrafficPredict 是一個運動物體的軌跡資料集，包括時間戳，車輛 ID，類別，位置，速度，朝向等資訊， 軌跡總長度達到1000多公里。百度主持的 CVPR 自動駕駛研討會將於 2019 年 6 月舉行，此次研討會將重點關注自動駕駛中的多幀感知、預測和規劃，同時舉辦全球範圍內的挑戰賽事。
全球範圍內，自動駕駛領域已成為AI巨頭必分的“蛋糕”。透過百度大腦核心AI技術能力的加持，百度早已成為自動駕駛領域“頭號玩家”，贏得了全球、全行業的認可。未來，百度大腦將為更多不同領域輸出先進的AI技術能力，讓更多產業最佳化生產效率、提高安全性，與百度AI一同“超速前進”。