关注自动驾驶的一定都知道uber致死事件，对于这全球首起自动驾驶致死事故的原因各方难免还存在着一些疑问和争议。而就在6月19日这一事件发展又有了新线索，据美国媒体The Information爆料，uber致死原因可能出在其内部，同竞争对手不同的是其对路测情有独钟，却对模拟器的应用视而不见，这或许已成为uber致死的幕后真凶，而更多实情也将在不久后浮出水面。
Uber之u?
Uber之所以对模拟器无动于衷，笔者分析大概有如下几大原因：
1.时间紧促：在未来的汽车发展中，自动驾驶加共享出行是一块巨大的蛋糕。身处共享领域的排头矩阵，uber必然比别人更显急促。Uber急于推出自己的无人驾驶出租车，而模拟器测试需要相当漫长的事件，这与uber的整体节奏完全不符。
2.人员构成：由于uber对模拟器的不重视，因此内部专业人员并不多，花巨大的人力成本临阵抱佛脚，uber显然不乐意。
3.代码不符：模拟器系统建设需要特殊的场景信息，这些信息要比自动驾驶测试复杂丰富的多，而其内部自动驾驶核心团队的代码信息有些则与模拟器所需不甚相符，推广起来相当困难。
无人驾驶模拟器真那么重要？
众所周知，一辆车在入市前要进行种类繁多的测试，如我们常听到的“三高”(高原高寒高温)以及数十万公里的常规路测。自动驾驶也一样，尤其它还需要更复杂的技术背书和操作环境，除了在各种封闭试验场、半封闭、开放式试验区进行的路测之外，庞大的模拟实验数据必然不可或缺。因此百万量级的路测里程远远不够，而数亿公里的各种模拟场景和里程累积，就是自动驾驶模拟器的价值之所在。
对于自动驾驶汽车，构筑的三大元素是“感知、决策、执行”。除了对激光雷达、毫米波、摄像头等的硬性要求外，感知能力同样相当重要。自动驾驶需要基于AI和深度学习的视觉传感系统来获悉周边环境变化，因此对复杂环境的认知度到底有多少便成为重中之重。
为什么一定要用模拟器？
我们都知道，起点决定高低，不同量级的两者没有太多可比性；经过数亿公里模拟测试和百万级公里路测的自动驾驶车型，必定可以应付更多的复杂及极端路况，相应边缘案例的模拟可以将路测过程中发生意外的可能性降至最低，而有些极端场景我们在真实情况下并无法进行测试；
通过模拟器进行精细的计算，可以将相同的场景实现多次无偏差的重复测试，并最大程度实现效率最优化，节省前期研发成本；而实际路测基于天气、人力等X因素实现起来却难上加难；
在自动驾驶领域衍生出的无人驾驶共享出行具有极高的商业价值，这也对及其本身的感知及识别能力提出了更高的要求，单靠路测累积会有巨大的隐患；
路测和模拟器是叠加而非二选一
自动驾驶路测是用于实际场景的测试，其数据累积必然比虚拟状态要更显真实，但是实际里程方面却非常受限；而模拟器可以提供更多场景下的测试，累积数以亿计的里程和经验，两者相辅相成，缺一不可。任何舍近而求远、舍本而逐末，片面的做选择题，最后的代价必然惨烈。
其他对手在做什么？
在谷歌自动驾驶团队还未组建为新的Waymo公司之前，他们平均每天便会积累近百万公里的模拟测试数据。在2016年1月的业绩报表中，甚至交出了300万公里的成绩单，着实令人惊叹。
作为全球汽车巨头，丰田在自动驾驶方面也开始发力。其去年展示了自己的驾驶模拟器，该模拟器将GPU视觉处理技术与深度学习相结合，从而提供更加真是的视觉仿真效果，从而降低发生意外的可能性。这已经成为丰田无人驾驶技术关键组成部分。
近来火爆的通用Super Cruise超级巡航技术也已经用上了360°高速模拟器，据悉其可以为测试人员提供360°全方位无死角的高清投影，以帮助他们快速测试和更新系统，可使得Super Cruise更加如虎添翼。
作为全球顶级配套商，英伟达已在其用于展示的自动驾驶车型上运用了AutoSIM虚拟环境系统，与Drive Pegasus AI集合创建了一个虚拟测试和验证环路，可在超现实环境中处理数十亿英里的虚拟驾驶里程，其亮点在于可模拟边缘案例并实现真实环境中无法进行测试的极端场景。
谷歌无人车之父Sebastian Thrun创办的Udacity已经宣布将无人驾驶模拟器技术开源，意味着只要具备一定基础知识和资源，就能运用这套成熟的技术。这是一个资源共享的时代，同百度apollo、阿里Ali OS一样，让虚拟测试走出符合自己特色的个性化之路。
笔者之前已经先后说过激光雷达的发展镜像、自动驾驶的行业壁垒、传感器的演进之路，可以看出自动驾驶的发展之路绝非那么平坦，或者这么说，制定时间表非当务之急，2020/2025固然好看，而相比华丽的数字，脚踏实地才更加重要。
最后，我们想要告诉uber的是，不是只有路测才重要，自动驾驶模拟器的研发使用同样不可或缺，相比其它对手，uber的动作确实慢人一步，但亡羊补牢未为晚也，有了深刻的领悟，方能居逆境而思有为，现在行动并不晚！
