「虛實結合」是Waymo立足於自動駕駛重要砝碼之一。
「實」的秘密訓練基地 Castle；講究「虛」的模擬系統 Carcraft。一虛一實的結合也使得Waymo在自動駕駛的路上走得更為領先，最高峰的時候，Waymo 利用 Carcraft 一天能跑 800 萬英裡。到目前為止，Waymo 已經利用這套系統積累了 500 萬億英裡的裡程。 一組數據是，Carcraft 每天在谷歌數據中心工作 24 小時。而模擬車隊裡有 25000 輛測試車。 整個2016年，Waymo 總共在虛擬世界中行駛了25億英裡，相較於在公共道路上測試的300萬英裡，超出了幾個數量級。
從Waymo 的例子可以看出，所有有志於以自動駕駛顛覆未來出行方式的企業，都會看到自動駕駛模擬器的重要性。此前在深圳、矽谷等等地進行了多次路測的Roadstar.ai，在攻克了現實路測的難題後，又往前邁進一步——自建模擬模擬器。
雷鋒網新智駕對話近期加盟Roadstar.ai 的劉軒，了解這家年輕的無人駕駛銳意進軍模擬器背後的意圖以及更深層次的技術理解和技術如何轉化為商業的思路。此前劉軒在百度、景馳都曾負責自動駕駛仿真器的相關研發。劉軒在Roadstar.ai 擔任技術總監一職，他的加盟將使得 Roadstar.ai的自動駕駛仿真器裡程迅速提速。
現實世界的一面「鏡子」：自研仿真器
業內對於自動駕駛仿真器最初的理解，大多是來自於Waymo 的「Carcraft」。
「Carcraft」的軟體創造者James Stout認為「Carcraft」是不斷推動 Waymo 自動駕駛技術發展的強有力武器。如果 Waymo 能在幾年後供應全自動駕駛汽車，那麼 Carcraft 值得被永遠銘記，作為現實世界的虛擬呈現，它功勞巨大。
和Waymo對於自動駕駛仿真器的理解一樣，劉軒認為模擬器更主要的是幫助車開得更好，而不是幫助人看得更舒服。另外，目前很多公司的自動駕駛仿真器都是基於ROS系統進行研發，由於ROS本身系統的問題，在軟體工程上存在著一定的漏洞。因此為了保障無人駕駛的絕對安全，Roadstar.ai 選擇單獨開發自動駕駛作業系統。這套系統根據需要的計算資源分配對應的任務，然後利用人為的作業系統實現對之前事件的復現，並且能夠任意進行加減速。
對於為什麼自研仿真器，而不是採用開源的框架？劉軒對雷鋒網新智駕進一步解釋：仿真系統對於每一家公司而言都是屬於基礎架構的一部分，另外仿真系統是跟無人車作業系統緊密結合的系統，因此選擇仿真系統自行研發是最為穩妥的選擇。此外，Roadstar.ai的部分傳感器是定製化的傳感器，為了達成最佳的場景復現，因此自行研發自動駕駛仿真器成為了必然的選擇。
模擬器本質上是一個數據生成器，一方面通過硬體在環的方式，根據自己採集的數據生成各種虛擬的場景反覆測試，一方面構建一些極端的，甚至現實生活中不存在的場景對算法進行訓練。對於自有的數據，Roadstar.ai 的做法是基於真實的路測數據，包括矽谷、深圳、重慶的採集數據在模擬器當中進行反覆訓練；與此同時，在真實數據基礎上，Roadstar.ai也會插入所設計的虛擬障礙物。對於極端的場景，Roadstar.ai 通用預設型場景以及觸髮式場景進行突破。
所謂預設型場景就是預先設定其他車輛按照預設的軌跡、預設的行車速度前進，通過改變Roadstar.ai車輛的行為測試其能否成功避開其他的車輛；所謂觸髮式場景，通過設計前面的橋突然斷裂、前方樹木突然倒下等突發情況，測試Roadstar.ai的車輛是否能夠成功避開，從而檢驗其車輛的穩定性。
人工設計場景是最初模擬系統的基礎，之後Roadstar的仿真團隊會不斷改進算法，挑戰更難的場景，比如挑戰在機器生成的場景下，自動駕駛車輛是否能夠流暢、平順地駕駛。為了加強對於極度場景的理解，劉軒會經常研究中國交通事故案例，從中間總結出要事故發生的原因，以及針對性採集對應場景，助推整個模擬器的性能提升。
能否對數據進行高效利用是評價自動駕駛模擬器的一個重要標準。劉軒對雷鋒網新智駕說：「為了提高對數據的利用率，Roadstar.ai 的模擬系統既包括了回放式數據，也包括了非回放式數據（在舊有的數據上跑新的算法；因為新的算法會使虛擬車的路線、速度和原始數據差別很大，因此並不能狹義地定義為回放式數據）；而這兩者的數據都是涉及到高精度地圖的數據，因此整個模擬的效果也就更加真實。」
此外，Roadstar.ai 也在一定程度上借鑑了Google在軟體開發流程上的經驗，建立合理的代碼質量標準，實行嚴格的代碼審查機制，進行完整的產品部署系統，一步步完整整個自動駕駛模擬器的框架。
目前自動駕駛仿真器所使用的回放式數據模式，所存在的問題是:自動駕駛的硬體配置會不斷地迭代更新，攝像頭、傳感器等核心零部件會不斷地升級，這會導致舊傳感器的數據無法重複使用。另外，如果自動駕駛系統的傳感器配置改變，以往所得的數據將會不起作用。
對於上述問題，劉軒認為問題的核心在於是否要進行傳感器模擬，但事實上傳感器會受許多條件的影響，比如大霧、水霧、光照等條件，對於創業公司的體量而言，進行傳感器模擬沒有太大的必要，因此目前業內的都使用處理好的傳感器結果進行訓練，同樣能夠達到好的訓練效果。
向「運營」更邁進一步
Roadstar.ai從創業之初，就明確 「robotaxi service」的定位，立志於顛覆未來整個交通出行的形態。而建立自有的模擬器也和運營緊密相關。劉軒認：未來Roadstar.ai 會發力虛擬運營，以深圳地區為例，會進行多車輛模擬，甚至可以模擬高峰時期，車輛擁堵的情況以及乘客如何上下車等實際的運營情況，助力Robot ServiceTaxi 的流暢運行。
此外，隨著輔助性技術以及自動駕駛汽車的越來越廣泛的布局，仿真測試已經成為汽車行業的戰略重點，車隊測試和模擬成為了不可忽視的一環。為了實現更高的穩定性，自動駕駛汽車必須要進行大量的測試用來積累裡程，如果進行實車測試，整個過程將耗費多年才能完成。對於當下自動駕駛的進程而言，完全依靠實車進行測試，無疑是不現實的。
這種情況下，模擬器和虛擬環境測試將會大大加速這一進程，保證在既定的時間表內完成任務。對於定位於 「robotaxi service」的Roadstar.ai 而言，路測的裡程數量的重要性是不言而喻，而自動駕駛仿真器的這一項技術的強勢落地，也勢必會加強Roadstar.ai 的整個落地進程。
在自動駕駛的落地的這場時間賽跑裡，Roadstar.ai 一步步試圖將技術優勢向運營落地轉化為商業思維，邁向更深遠的未來。