轻舟智航仿真系统的系统架构以及仿真评估器分类

轻舟智航仿真系统的系统架构可以分为5层：

最底层的是轻舟智航自研的Car OS，借助底层的通讯系统来保证模块之间的高效通讯；

Car OS与仿真器是高度整合的系统，核心仿真器及评估器，是基于底层的Car OS接口开发的，能保证仿真系统的确定性；

再往上一层是仿真周边工具链和基础架构，可保证整个数据闭环的有效性，将全部数据高效利用起来；

第四层是大规模场景库构建；最顶层则是分布式系统仿真平台，支持快速、大规模的仿真应用，在短时间内得出正确评估。

轻舟智航的仿真评估器也可以分为5类：

第一类是安全性评估器（Safety Evaluator），包含是否碰撞、是否压到路边、是否撞到行人等评估；

第二类是真值评估器（Ground Truth Evaluator），可通过人工标注或自动标注的方式对仿真结果进行检测对比，及时反馈给工程师；

第三类是法规评估（Law Evaluator），指的是根据交通规则进行评估，例如是否闯红灯、是否逆行等；

第四类是舒适度评估（Comfort Evaluator），指是否有急刹等带来不舒适感的等行为；

第五类是状况评估（Stats Evaluator），相对比较底层一些，指根据模块生成的中间结果，进行纵向比较得到评估的结果。

真正能用起来的仿真

以上视频是我们在麦当劳进行仿真测试的一个例子，从下方的真实影像中，可看到前方是没有车辆的。

但借助仿真，我们在场景中产生了两辆绿色的虚拟车辆，测试车辆能否对虚拟车辆进行准确的避让。

同样，也产生了黄色框的行人来进行测试。视频中的白色边框则是当时的实际行驶轨迹。

由于麦当劳这种场景是不允许多次实际测试的，这个视频只是众多例子中的一个，我们实际上生成了非常多个这种类似的场景，在仿真测试中评估器，都得到不错的结果后，才让车辆到实际场景中测试。

此外，以上动图也展示了仿真场景库的自动生成的相关工作。视频中红色和绿色的两个点，分别代表两辆车的运动轨迹，这些轨迹的生成和变化，是在真实的交通数据集上，利用深度学习的方法进行训练，再使用训练好的深度神经网络 (生成模型) 合成大规模的互动车辆的轨迹。

大家可以看到互动车辆的运动轨迹在不断变化，这个变化是由于我们借助生成模型在互动车辆的运动行为空间进行随机抽样而产生的。

该生成模型支持在不同地图上合成不同的场景库，具有真实有效，多样丰富，以及规模扩展等诸多特性。

视频中的两个点或者两辆车，是具有交互性的，它们之间可以进行正确的互动，这种互动行为不是人工手动创制，而是从真实车与车之间的互动数据中通过深度学习的方法学习而来的。

总结而言，我们认为仿真是达到规模化无人驾驶技术的唯一路径。

首先，借助仿真及相关工具链，能形成高效的数据测试闭环，支持算法的测试和高效迭代，取代堆人或堆车的方式。

其次，只有经过大规模智能仿真验证过的软件，才能够保证安全性和可用性。以一个比喻作为结尾，如果无人驾驶是个赛跑，那么仿真便是助推器，助推完全无人驾驶的实现。

关于轻舟智航：

轻舟智航（QCraft）成立于美国硅谷，是世界前沿的无人驾驶公司，致力于打造适应城市复杂交通环境的“老司机”，将无人驾驶带进现实。基于大规模智能仿真系统和可自主学习运动规划框架，轻舟智航专注于为合作伙伴提供可量产的无人驾驶解决方案，全方位覆盖从低速到高速、从物流到出行、从商用车到乘用车等多个应用场景。其核心团队成员来自Waymo、特斯拉、Uber、福特、英伟达等世界顶级公司，实现了无人驾驶关键技术模块的全栈覆盖。

— 完 —

量子位 QbitAI · 头条号签约作者

关注我们，第一时间获知前沿科技动态

“