仿真对于加速许多行业中设计方法的开发至关重要。在汽车自动驾驶系统领域，传统上将模拟用于测试计划和运动控制算法。重新仿真用于开发识别系统，其中使用各种性能验证软件堆栈记录并回放来自交通传感器的数据。但是，这些模拟大多限于实际汽车中的场景。
模拟的另一种类型变得越来越重要-生成高质量的人工数据以准确传达有关实际交通状况的信息。仅使用道路数据的问题在于，必须收集并映射大量数据，以接近各种操作区域中识别模块的极限。另外，识别算法不再与可用数据相对应，并且在工作环境之外和其他条件下工作时会失败。反过来，可以快速，廉价地生成合成数据，并使用模拟环境的基本知识自动生成其描述。
为感知模块生成综合数据的问题
尽管传感器的综合数据建模任务看起来很简单而且很明显，但是实际上非常困难。除了为不同区域（例如，旧金山或东京）创建逼真的合成环境外，对每种类型的传感器进行建模还需要对行业中使用的各种传感器的基本物理特性和特性有详细的了解。同样，尽管其他应用程序的仿真可能比实时仿真慢得多，但是大多数无人驾驶算法都需要接近实时的性能。因此，在不同的用例中需要不同级别的仿真性能和准确性。
尽管已为每个传感器建模做出了巨大努力，但专家预计，在不久的将来，真实数据与合成数据之间将存在明显的差距。感知算法可以在来自传感器的真实数据上进行训练，并可以在合成数据（从真实数据到合成的转换）上进行测试，反之亦然（从合成数据到真实的转换），不同类型的算法将以不同的方式工作。此问题不仅限于模拟数据。带有在加利福尼亚道路上训练的一组特定传感器的感知算法可能会在一组不同的传感器上表现更差。同样，在其他地区的道路上测试时，该算法的效果可能也不理想。
数字：第1步-在综合数据上测试感知系统
创建3D合成环境
娱乐行业数十年的工作成果已开发出许多创建环境的方法。但是，自动驾驶和娱乐行业之间存在显着差异。虽然在这两个方面对写实感都有很高的要求，但对自动驾驶汽车的环境也有其他要求：必须以便宜且快速的方式创建它们（而在娱乐业中则可能需要数月），必须非常逼真（因为（适用于人眼和传感器）和变量，并且还应支持多个测试用例。
通常，3D环境是手工创建的-3D艺术家创建资产并将其放置在已创建的世界中。这种方法产生真实感的结果，非常适合演示。但是，由于其手动性质，它无法扩展以在全球范围内创建虚拟区域，并且无法提供测试自动驾驶汽车所需的虚拟环境。因此，我们面临着虚拟环境的局限性。
一种替代方法是使用真实世界的扫描技术，以确保所构建的环境与其模式相匹配。这种方法的缺点是现实世界中的数据经常有很多错误和不准确。由于照明是烘烤的，无法从表面确定材料，因此相机和激光雷达仅提供近似数据。此外，环境可能包含空白，不正确的描述以及必须删除的移动物体。而且，该方法对数据存储和计算资源提出了重要要求，并且它还只能模拟现实生活中发现的那些区域。
一种相对较新的方法是基于过程生成来创建虚拟世界。这样，可以基于各种输入快速创建大面积和大城市，从而使用数学方法创建世界（图2）。它还允许您指定许多不同的环境以防止过度拟合。只要注释正确，就可以更改日期或天气等参数。通常，可以在手动创建虚拟环境的一小部分时间内创建新地图。这种方法的复杂性在于确保无需手动编辑即可高质量创建真实世界的对象。
数字：2：高分辨率程序生成的建筑物
精确的传感器仿真
在生成综合数据时，我们上面讨论的环境用作传感器的输入数据。这些传感器应该能够模拟激光雷达深度估计，数字雷达波束成形特性以及相机中的噪声源。同时，这些传感器必须足够强大，以执行软件和硬件测试或与需要大量数据的机器学习应用程序一起使用。
尽管假设传感器可以处理成百上千种不同的条件和拓扑，但最终它们都必须遵循相同的能量传输和信息论基本原理。经过深思熟虑的传感器仿真结构可以为不同环境中使用的结构提供灵活性。这种基本原理是基于将用于开发电子光学系统和信号处理系统的工具从传感器设计领域转移到模拟和传感技术领域的愿望。
即使从理论角度对系统进行了深思熟虑，它也只有能够从现实世界中捕获其对应属性的价值，才有价值。现实与模型之间的相关程度高度取决于用例。在简单的情况下，简单的数据透视表可能就足够了，而在其他情况下，可能需要对各种属性和特性进行定量统计评估-这通常需要结合实验室和现场实验来确定传感器的特定属性。因此，模拟传感器的性能（以及该模拟的准确性）可以被视为一门科学，其中会采用基准，然后逐步降低基准。
数字： 3：使用128个激光器模拟旋转激光雷达
综合数据的效率和可重复性
有两个方面限制了合成数据的可用性-效率和可重复性。由于各种原因，在模拟自动驾驶系统传感器时面临的最大挑战是在实时处理要求内可以实现的精度。精度和性能也与合成传感器的可扩展性密切相关。为了创建可扩展的解决方案，并行使用资源变得越来越重要。
资源的这种协调自然将我们带入了可重复性问题。为了使并行化有益，必须在并行和非并行建模之间取得平衡。确定性是使工程师能够独立测试其算法更改的关键组成部分，同时利用各种建模功能。
传感器模拟：适应特殊情况
一旦创建了开发环境和传感器的方法，就会出现下一个问题-所获得的综合数据是否足以用于所有用例？用例可以根据软件可用性的程度而变化，从使用合成数据验证传感器放置到部署最终产品系统之前对其进行测试。
每个用例对模型准确性的级别都有不同的要求。这些精度级别控制着验证和确认过程。验证描述了确定结果模型与原始规范的符合性的过程（我们是否设法创建了我们最初计划的？）。验证也与确定性的定义有关（是否在相同条件下每次都复制模型的结果？）在验证中，情况恰恰相反：要确定模型是否满足目标应用程序的需求，就要考虑最终用户的要求。在某些情况下，即使对传感器下面的物理模型使用粗略近似也是可以接受的。但是，生产测试用例需要经过实验室条件下测试的合成传感器模型，在现实生活中-这是确保准确符合可接受的不确定性水平所必需的。
与简单检查输出信号电平相比，评估传感器模型的任务也更加复杂。尽管这对于自动驾驶系统中的许多传感技术都是如此，但最终用户也对使感知模型有效地在合成数据和真实数据上起作用感兴趣。这些模型可以基于计算机视觉，也可以使用各种机器学习和深度学习技术来构建。在这些用例中，不确定性的来源是未知的（如果传感器模型未得到完全信任）。
应用直觉方法
Applied Intuition从头开始开发了一种感知建模工具，以解决上述问题。该工具包括用于创建大规模环境，开发具有多个精度级别的传感器以及允许根据用例进行测试的工具。程序环境的生成是通过独特的管道完成的，该管道在地理区域，自动驾驶应用程序和数据源方面具有灵活性。
关于ITELMA