在谷歌Waymo的一套VR无人驾驶模拟器里，无人车实际已经可以在设置好的VR世界中，驶入十字路口应对复杂车况，并能根据黄灯左转。

　　不少无人驾驶汽车正在建立了相应的交通法的旧金山进行路测，一些工程师认为如果他们能够在VR中调教无人驾驶汽车而非在真实街道上通过所犯错误来学习，岂不是更加妙哉。

　　公司如丰田，Uber和Waymo都在讨论如何在加州山景城，凤凰城和其他城市的街道上进行自动驾驶。然而不被众所周知的是，他们也在通过计算机模拟在相同的城市进行路测，VR路测车配备与真实路测无人车相同软件，也花数千小时驾驶在数字模拟世界中。

　　可以把它看成是不会危及真实人类的一种无人驾驶汽车路测方式。如果一个汽车犯了模拟驱动上的错误，工程师可以据此调整其软件，铺设新的行为规则。谷歌旗下自动汽车驾驶公司Waymo，预计周一将邀请一群记者在加州中央谷的神秘测试中心展示其VR模拟自动驾驶路测实验。

本文图片来自83830.com

　　在VR路测模拟器中，Waymo的无人驾驶汽车可以在与现实世界相同的驾驶条件下，同一个十字路口驾驶数千次。

　　研究人员还正在开发方法来允许汽车实际上从这些模拟器上学习到新的行为，采集技能的速度永远要比人类工程师自己写软件代码要快得多。“模拟路测是一个巨大的东西，”丰田研究所首席执行官Gill Pratt如此说道，人工智能实验室探索这种自主车辆和其他机器人VR训练之一。

本文图片来自83830.com

　　Waymo是一家谷歌旗下自主驾驶汽车公司，已经模拟还原出一个和现实“路况一致”的VR版加利福尼亚州东谷地区(East Valley)。

　　这些方法是通过所谓机器学习来加速自动驾驶汽车开发的组成之一，十年前谷歌建造出第一辆自动驾驶汽车时，工程师们几乎是一行一行地仔细打出自动驾驶代码，而现在借助于计算能力的提高，自主驾驶汽车制造商们正在拥抱可以自主学习的复杂算法，例如识别道路上的行人或预测未来事件。

　　“这就是为什么我们认为我们可以走在前面，”卢克·文森特说，他最近在Lyft开了一个自动化车辆项目，“这个东西在十年前谷歌开始自动驾驶项目是压根不存在。”

　　这项研究仍然存在疑问，尤其是通过算法分析比任何人都能分析更多信息来学习，有时候很难审核他们的行为，并了解他们为什么做出特定的决定。但是未来这几年，机器学习将对于自动驾驶车辆的持续进步至关重要。

　　今天的车辆并不像他们看起来那样可以自主驾驶，经过十年开发，进展以及测试，谷歌自动驾驶汽车才确定在亚利桑那州的街道上进行公开路测，在谷歌的母公司运营下的自动驾驶汽车公司Waymo，正准备开始无人出租车服务，并不会像其他那样在无人车内安置一名后备人员。因此它的无人出租车辆也仍将接受旧金山政府的严格监管。

　　当前，如果无人驾驶汽车不配备一名后备驾驶员，它将被勒令在一块拥有宽阔马路，而且行人很少的很小的区域内以低速驾驶。它将以低俗行驶，通常会等待格外长的时间来实现一次左转或者在没有停车或街头路牌帮助的情况下并入车流。

　　领先公司们坚信，无人车在VR路测模拟器持续开发和测试的帮助下处理更加困难的情况，新的传感器也可以提供更详细的周边世界和机器学习。

　　Waymo和它的许多竞争对手公司已经在拥抱深度神经网络，这是一种可以通过自主分析数据来学习任务的复杂算法。通过分析行人的照片，例如，一套神经网络可以学习识别行人。这些算法也有助于识别路标和车道标记，预测道路上将会发生什么，并规划路线。

　　现在的问题是这类复杂算法需要摄像头、雷达以及基于真实世界实物和情景的其他感应器收集的海量数据。人类必须标明这些数据，识别行人、街道等等。收集和标注描述每一个可想象的数据情况是不可能的，例如，事故数据很难得到，这就是VR模拟路测可以帮得到的地方。

本文图片来自83830.com

　　近期，Waymo揭露了一项名为Carcraft的道路模拟器。公司表示该模拟器提供了一种在现实世界中无法完成的测量方法。

　　Waymo的无人车可以在VR道路上花费比现实世界更多的时间。可想而知，与其他公司一样，Waymo也在探索他们的算法，无人车实际上可以从这种模拟器中学习到新的行为方式。

　　Pratt先生表示丰田汽车已经开始利用道路模拟图片来训练神经网络系统，此研究方法已经获得了前景不错的结果。换句话来说，VR模拟系统已经与真实世界足够相似来训练无人驾驶汽车。

　　VR模拟无人汽车路测的优势之一是研究人员能够完全掌控它。他们不需要花费时间以及金钱在图像标志上面。Pratt先生解释道，“你对路况真实情况、每辆车位置、行人位置、自行车、甚至天气都了如指掌。”

　　其他人正在探索一种更复杂的强化学习方法，其中包括DeepMind(Google拥有的伦敦实验室)，伯克利AI研究实验室和OpenAI( Tesla CEO Elon Musk和其他人合伙创建)，这些实验室正在构建算法，允许机器通过密集的试验和错误来学习VR世界中的任务。

　　DeepMind运用这个方法打造了一个玩古老游戏(围棋)比任何人类都厉害的机器。本质上，这台机器下过了数以千计的围棋，在过程中仔细记录了哪一步取胜，哪一步是败笔。现在， DeepMind和其他领先的实验室正在使用类似的技术来打造机器可以玩像《星际争霸(StarCraft)》这样复杂的电子游戏。

　　这看起来似乎不可相信，但是如果机器可以在这些VR世界中导航，那么他们同样也可以在真实世界中导航。

　　例如，在Uber的自动驾驶汽车运营中，研究人员已经将训练系统来玩流行的《侠盗猎车手》游戏，其目的是将这些方法最终应用于现实世界汽车身上。下一步是在拥有真实世界坐标的VR世界中训练系统。

　　打造连接VR和真实世界的桥梁并不是一件容易的事，Pratt先生说，同时公司必须确保算法不会在自主学习时学到任何意外的或者伤害性行为。这是AI研究人员最大的担忧。

　　由于各种原因，像丰田和Waymo公司并没有让这些车只完全自主机器学习，他们还手工编写一些更传统的软件来保证行为符合规定。Waymo汽车没有学习在红灯处，例如，关于停车的规则是严格的。

　　但是，社会更加倾向于机器学习，而非对它加以控制。它提供了更好的方式去训练无人汽车更好做任务像是识别小路。Waymo工程副总裁Dmitri Dolgov解释道，“尤其是当一辆无人汽车需要更加深入的理解它周围的世界的时候，机器人和机器学习是齐头并进，相辅相成的。”