去年 12 月， Uber 在三藩市市區試運行了無人駕駛的計程車， 乘客可以試乘這些由電腦駕駛的汽車， 但一些工程師們認為， 如果這些自動駕駛汽車可以在虛擬實境中進行運行試驗，
眾所周知， 像豐田， Uber和Waymo等公司已在一些城市投放無人車進行測試了， 但不為人知的是， 他們也在這些城市的模擬環境中做了同樣的事情：虛擬汽車在虛擬城市的場景中早已測試了數千小時。
這是一種在不危及人們安全的情況下， 尋找自動駕駛汽車運行缺陷的好方法。 如果在模擬駕駛中出了差錯， 工程師們一樣可以作出相應的調整， 制定新運行規則。 據悉上周早些時候， 谷歌與其自主的汽車品牌Waymo還在加州中央山谷的測試中心對記者公佈了他們最新研發的無人車模擬測試器。
與此同時開發者們還在探尋新的途徑， 讓自動駕駛汽車在這些VR環境中自主學習， 甚至學習速度比工程師的軟體代碼還要快。 “VR模擬器真的太了不起了!”豐田研究所CEO Gill Pratt說， 目前該研究所也在探索VR技術為自動駕駛汽車和人工智慧提供虛擬培訓的可能性。
這些方法通過“機器學習”技術來加速自動駕駛汽車發展， 十年前當穀歌推出世界首台自動駕駛汽車時， 工程師們構建了絕大部分程式， 並對每一個細微的行為都進行了仔細程式設計。 現在隨著技術能力的提高， 自動駕駛汽車製造商們正在試著用更複雜的程式設計讓無人車自主學習，
就職於Lyft的Luc Vincent說：“這就是為什麼我們的發展如此之快， 10年前穀歌剛開始研發自動駕駛汽車的時候， 這樣的技術還不存在。 ”作為Uber的主要競爭對手， Lyft最近也剛剛啟動了一個自動駕駛汽車專案。
當然這項研究目前還存在著一些問題， 最值得注意的是， 由於這些演算法比任何人工設置都可以分析更多的資訊， 有時候很難判斷它們的經過計算所做出的決策， 更不瞭解它們為什麼要做出特定的決定。 但未來毫無疑問的是， “機器學習”對於自動駕駛車輛的持續性發展至關重要。
經過十餘年的研究、開發和測試， 穀歌也將其自動駕駛汽車成品作為公共交通工具投放在亞利桑那州的街道上了。 而旗下子公司Waymo也準備在費尼克斯開設計程車服務， 與以往不同的是， 司機將作為後備以輔助自動駕駛， 不過目前這項服務仍將受到嚴格的約束。
目前， 如果不配備後被司機， 所有自動駕駛車輛都將被限制在交通路況良好， 沒有降雨的街道區域，而且還被規定必須以低速行駛，在面對紅綠燈時往往還需要更長的時間。
一些行業內的尖端公司相信，經過持續開發和測試，這些自動駕駛汽車未來面對更複雜的道路一定會處理得更好，而先進的處理器也能為它們提供對周圍世界和機器學習更詳細的解讀。
Waymo和他許多競爭對手一樣，深層神經網路也是他們的研究專案之一，這種複雜的演算法可以通過分析資料來自主學習。例如，通過分析行人圖像學會識別行人。這種演算法還有助於自動駕駛汽車識別路標以及車到標記，預測未來將可能發生的事件從而規劃前行路線。
但這需要攝像頭、雷達等大量感測器收集資料，計算真實世界中的物體和情況。而工程師們必須為這些資料進行標記，哪些是用來識別行人、哪些是用來識別街道標誌等等，而收集標注每一個資料是不可能的。而VR模擬器的出現則改善了這一現象。
最近Waymo發佈了一個叫做Carcraft的道路模擬器，而後該公司表示，這種模擬器可以提供在現實世界中不可能實現的自動駕駛汽車測試方式。據推測， Waymo在探索這種模擬器可以為其演算法帶來哪些新的學習方式。
同樣，豐田也早已使用類比道路來訓練系統神經網路了，並且得到了非常積極的效果。
總的來說，VR模擬器與現實世界非常相似，足以可靠的訓練操作這些自動駕駛汽車的系統。其中一大優點便是研究人員可以完全控制它，而不需要花費大量金錢時間來分類資料。“你有充分的事實根據，你知道每輛車每個行人在哪裡，甚至天氣也是可控的。”Pratt說。
不過還有一種更複雜的方法在業內盛行——“強化學習”。這是世界上包括穀歌旗下DeepMind實驗室、Berkeley AI實驗室和特斯拉CEO Elon所創的OpenAI等頂級人工智慧實驗室在內的主要研究項目，這些實驗室通過構建更為複雜的演算法、大量的測試，讓機器能夠在虛擬世界中進行學習任務。
其中DeepMind通過這種技術創造了一台可以打敗任何人類的圍棋機器人，事實上這台機器人進行了成千上萬把圍棋自我對抗，從中記錄資料並自主學習。而現在，DeepMind和其他實驗室也在計畫使用類似技術，構建可以玩像《星際爭霸》這樣的複雜遊戲的機器人。
這可能看起來很無聊，但是如果自動駕駛汽車可以在虛擬世界中進行安全導航，這也意味著同樣可以在物理世界中這樣做。例如，在Uber的自動駕駛汽車項目中，研究人員打造了一套通過遊戲《GTA》來進行訓練的系統，，並將所得資料應用到現實世界中。接下來還計畫將物理定位加入到訓練系統中。
然而，彌補虛擬和物理世界之間的差距並不容易，更何況科技公司們還必須確保機器在自主學習的同時，不會產生一些其他的意外。這同樣也是人工智慧領域中研究人員最大的擔憂之一。
由於以上種種因素，像豐田和Waymo這樣的的公司除了通過“機器學習”來構建汽車外，還會以傳統方式進行人工程式設計，以避免意外的發生。例如，Waymo汽車不必自主學習在紅綠燈處停車，而是通過人工變成強制它們必須在相應位置停車。
該行業目前正在向著更多“機器學習”的方向發展，它提供了一種更好的途徑來訓練自動駕駛汽車。Waymo的工程副總裁Dmitri Dolgov認為：“機器人和“機器學習”技術總是相輔相成的。當自動駕駛汽車需要對周圍環境更深入瞭解時，這就顯得尤為重要了。”
沒有降雨的街道區域，而且還被規定必須以低速行駛，在面對紅綠燈時往往還需要更長的時間。
一些行業內的尖端公司相信，經過持續開發和測試，這些自動駕駛汽車未來面對更複雜的道路一定會處理得更好，而先進的處理器也能為它們提供對周圍世界和機器學習更詳細的解讀。
Waymo和他許多競爭對手一樣，深層神經網路也是他們的研究專案之一，這種複雜的演算法可以通過分析資料來自主學習。例如，通過分析行人圖像學會識別行人。這種演算法還有助於自動駕駛汽車識別路標以及車到標記，預測未來將可能發生的事件從而規劃前行路線。
但這需要攝像頭、雷達等大量感測器收集資料，計算真實世界中的物體和情況。而工程師們必須為這些資料進行標記，哪些是用來識別行人、哪些是用來識別街道標誌等等，而收集標注每一個資料是不可能的。而VR模擬器的出現則改善了這一現象。
最近Waymo發佈了一個叫做Carcraft的道路模擬器，而後該公司表示，這種模擬器可以提供在現實世界中不可能實現的自動駕駛汽車測試方式。據推測， Waymo在探索這種模擬器可以為其演算法帶來哪些新的學習方式。
同樣，豐田也早已使用類比道路來訓練系統神經網路了，並且得到了非常積極的效果。
總的來說，VR模擬器與現實世界非常相似，足以可靠的訓練操作這些自動駕駛汽車的系統。其中一大優點便是研究人員可以完全控制它，而不需要花費大量金錢時間來分類資料。“你有充分的事實根據，你知道每輛車每個行人在哪裡，甚至天氣也是可控的。”Pratt說。
不過還有一種更複雜的方法在業內盛行——“強化學習”。這是世界上包括穀歌旗下DeepMind實驗室、Berkeley AI實驗室和特斯拉CEO Elon所創的OpenAI等頂級人工智慧實驗室在內的主要研究項目，這些實驗室通過構建更為複雜的演算法、大量的測試，讓機器能夠在虛擬世界中進行學習任務。
其中DeepMind通過這種技術創造了一台可以打敗任何人類的圍棋機器人，事實上這台機器人進行了成千上萬把圍棋自我對抗，從中記錄資料並自主學習。而現在，DeepMind和其他實驗室也在計畫使用類似技術，構建可以玩像《星際爭霸》這樣的複雜遊戲的機器人。
這可能看起來很無聊，但是如果自動駕駛汽車可以在虛擬世界中進行安全導航，這也意味著同樣可以在物理世界中這樣做。例如，在Uber的自動駕駛汽車項目中，研究人員打造了一套通過遊戲《GTA》來進行訓練的系統，，並將所得資料應用到現實世界中。接下來還計畫將物理定位加入到訓練系統中。
然而，彌補虛擬和物理世界之間的差距並不容易，更何況科技公司們還必須確保機器在自主學習的同時，不會產生一些其他的意外。這同樣也是人工智慧領域中研究人員最大的擔憂之一。
由於以上種種因素，像豐田和Waymo這樣的的公司除了通過“機器學習”來構建汽車外，還會以傳統方式進行人工程式設計，以避免意外的發生。例如，Waymo汽車不必自主學習在紅綠燈處停車，而是通過人工變成強制它們必須在相應位置停車。
該行業目前正在向著更多“機器學習”的方向發展，它提供了一種更好的途徑來訓練自動駕駛汽車。Waymo的工程副總裁Dmitri Dolgov認為：“機器人和“機器學習”技術總是相輔相成的。當自動駕駛汽車需要對周圍環境更深入瞭解時，這就顯得尤為重要了。”