【量子位|长沙无人驾驶出租“轻车熟路”，Apollo仿真“训练有素”】( 三 ) 允中发自凹非寺量子位报道|公众号QbitA

Apollo的算法设定了大量的评估指标，从多角度刻画“真实数据”特征，以及“仿真数据”特征。通过比对特征，然后通过“补充传感器渲染新功能，以及场景建模细节”逐步缩小评估结果的差距，令传感器仿真的模拟效果与真实传感器采集的数据尽最大可能一致。
正是因为有数百万公里的海量路采数据，才使得Apollo仿真器有能力在各种复杂条件下，都达到更高精度的传感器仿真能力。
仿真也需要大幅度提升虚拟车的控制精度
车辆控制的精度，也就是“AI给车辆下达的命令”和“车辆实际执行效果”的精度问题。
比如说，当自动驾驶车辆在真实世界行驶时， AI命令车辆“前进40厘米” ，但实际上考虑到摩擦力等现实因素，车辆可能只前进了30厘米，造成了纵向10厘米的精度误差。
相对于汽车来说， 10厘米似乎是个小到可忽略的距离，但是在百度工程师看来，哪怕只有小小的十几厘米的误差，利用仿真去优化对加速度变化率特别敏感的“体感”相关指标，都会带来数倍的体感异常点的漏判及误判，所以要进行车辆动力学仿真。
为了解决这个问题，百度工程师考虑利用海量的路采数据，做了“AI给车辆下达的命令”和“车辆实际执行效果”在大数据下的拟合，这样就得到更真实更精细的动力学模型。这样一种“大数据驱动的动力学模型调优”的方案，也有利于满足未来快速适配多种车型的需求。
【【量子位|长沙无人驾驶出租“轻车熟路”，Apollo仿真“训练有素”】】最后，我们必须提一下：仿真执行器
前面的几项技术方向属于大家还比较熟悉的仿真功能，这一项虽然隐藏在最底层，但是影响却广泛的。它指的是仿真逻辑在服务器端执行过程中，需要进行的一些特殊设计。
现实世界中有一个熟知而又经常被忽视的物理约束：统一的时空。
所谓“统一时空”指的是：世间万物都在统一的时间和空间中进行相互作用。所有人、车……的1秒，都是一样长的时间，所有人、车……的1米，也都是一样长的距离。
仿真中，统一距离的约束是靠着统一坐标系，而统一时钟的约束就要使用不同于车端的做法。
这是因为仿真器运行的本质是在海量的CPU/GPU的计算资源上运行仿真逻辑，最终“计算出”整个世界，而服务器在执行任何逻辑时会以“多对象并行执行，但单体运行以一种随机的速率”的方式来进行，因此客观世界中“多物体间的统一时钟”的物理规律无法满足。
仿真执行器就是用来完成“强制约束所有的对象能以某个统一的节奏来运转”这样的需求的。
也就是说，因为有了仿真执行器，不同的仿真对象在执行时可以进行某种时间上的节奏同步，进而“模拟出”客观世界上中“统一时间”的概念。
当然，时钟同步还只是“仿真执行器”的一种易于理解的表达。更抽象的表述是， “仿真执行器”完成的是“自动驾驶的数据流在真实物理时间框架下的受控流转” 。
真实情况中，在自动驾驶时车端多个模块之间数据流的发送和到达节奏会有大量微小的跳变，而这些数据节奏的跳变会带来车端算法结果的差异化。而精细化的仿真需要能够呈现/生成这样的微小的差异化结果。
什么样的数据节奏？它又带来了怎样的差异化？如何让仿真的结果能够与这样的差异化效果做出精确的拟合？又怎么证明我们的仿真已经实现了足够精确的拟合效果？这些又要从海量的数据中寻找答案了。
Apollo仿真一方面实现了一个令数据流受控的“仿真流控框架”后，也就能够做到消息延迟可自由定制，并且从真实数据中抽取出了延迟模型，用以注入到数据流中，令其整体上仿真运行时能够得到较为真实的“数据节奏波动性”的效果。
同时更重要的一点，是建立了一个“仿真复现率”的自动化的监控体系，持续的对比“真实路测中无人车的车姿数据”以及同场景下的“仿真中虚拟车的车姿数据” ，在海量路测数据的验证下，能够证明百度仿真器自身具有足够高精确，足够高的泛化能力的“对真实情况的仿真能力” 。