虽然业内有英特尔的CARLA、微软的AirSim等开源式无人驾驶平台模拟器，但开源平台需对接诸多合作方，不一样的软硬件设备，耗费精力，进展缓慢。因各家架构不同、传感器方案不同，开源平台很难将传感器模拟做到真正的通用化。

  站在无人驾驶初创公司角度，“毋庸置疑这些开源仿真平台能够给大家提供很多很有价值的特性，但是最大的难点是对于现有系统的适配，Drive.ai无法开发最小化可行产品（MVP）”，Drive.ai 技术专家孙庆向雷锋网新智驾表示。

  Drive.ai目前已自建无人驾驶闭环模拟系统与无人驾驶开环模拟系统。孙庆提到，对于决策规划系统而言，闭环的反馈至关重要，因每一次决策规划都会改变当前的环境。同时，决策规划系统的输出也需要从全局的角度进行验证。

  开环模拟系统最大的优点是其可以模拟闭环系统目前实现的极端真实场景输入。在开环仿真系统中，Drive.ai直接用真实世界中采集到的传感器数据用来测试全栈系统（感知以及决策规划）。

  11 月 18 日（周六）上午 10 点，【大咖Live】第 24 期智能驾驶·仿真专场，我们邀请到Drive.ai 技术专家孙庆详细解析“如何更有效地利用仿真系统助力无人驾驶研发？”。照例，本次分享对雷锋网新智驾会员免费开放。

  本文对整场分享进行了综合整理，雷锋网新智驾会员可进入【新智驾会员计划】页面查看全文实录。

  2015年成立的Drive.ai，定位于全栈式无人驾驶方案提供商。2018年，Drive.ai在美国德州弗里斯科和阿灵顿两城落地无人驾驶车队试运营。其中，Drive.ai已正式在德州阿灵顿向公众开放无人驾驶接送服务。

  谈起无人驾驶模拟仿真系统对于无人驾驶公司的重要性，孙庆引用了美国兰德公司在2016年做过的一项研究《无人驾驶需要积累多少里程才能被证明是可靠的》：这项研究以手动驾驶的事故及死亡率作为基准，美国每一亿英里（1.6亿公里）平均有1.09个人死于公路交通事故（2013年），若无人驾驶能够达到上述安全指标，需要积累2.75亿英里（4.42亿公里）；假设100辆车，每天24小时不停歇路测，平均时速25英里（40公里）每小时，要消耗12.5年的时间。抛开无人驾驶仿真系统，这将是一个绝大多数无人驾驶公司都无法达到的里程。

  在环境构建方面，仿真测试对于环境构建的合理性、真实性，以及还原真实世界的精确程度方面都有要求。Drive.ai仿真系统直接用和车载系统同样的高精度地图来保证静态环境的100%拟真。

  孙庆提到，动态仿真环境精度的要求取决于仿真的用途。针对于决策规划系统的仿真，特别是真实世界中很难遇到的边角案例，Drive.ai并不是特别需要完全还原真实世界，只需模拟感知系统的输出，此类输出往往是较抽象。如此能够最终靠3D场景编辑器来构建虚拟的计划路线，障碍物等等。

  百度将其仿真平台列为阿波罗主要变现途径，通过给阿波罗合作伙伴提供仿真云服务来创收。在孙庆看来，仿真系统支持第三方平台的最大障碍在于如何适配不同的数据格式，包括地图，感知认知系统的输入，控制管理系统的输出等等。实现此类功能需耗费较大的工作量。而对于仿真平台而言，更重要的是它的评价系统，这涉及到对其他系统更多状态的采集以及分析。

  「2018智能驾驶芯片行业」研报（点击链接进行查看）已出炉，2万字精华，10家公司参与，芯片行业研究者、创业者、车企、投资者们不可错过，快去抢读。