机器人研发的工作坊时代( 二 ) 最近几年

比人才储备差距问题更严重的是研发范式问题，据笔者了解，国内大多数厂商还停留在手工作坊时代。调试一个算法，然后算法集成到一个系统，到附近的几个道路跑路测，跑出问题了再找出问题，根据问题修复，修复的代码可能又带来新的问题。很多技术点都是通过手工的打磨，在一个地区测试出来的成果放在一个新的环境可能又会失效。这种研发方法效率低、成本高、难以规模化生产。比如许多公司会维护一个测试车队，等待合适的天气环境进行不同的无人驾驶测试，这样的测试覆盖率不可能高。而且一个在上海测试的车即使在上海表现很好，换了一个城市，比如广州，就可能出现问题，如果换了一个国家，比如巴黎，可能就更加难以适应当地环境了。
在这种手工作坊的研发范式下，机器人技术研发还停留在劳动密集型阶段，研发成果难以规模化落地，每一个新的市场与场景都需要一个新的团队来覆盖。特别在我国的人才储备已经落后的情况下，劳动密集型的研发范式很难确保中国在这个新兴产业筑建壁垒。
因此，笔者认为应该加大在自动驾驶以及机器人的工业软件中的投入，比如仿真引擎，然后让引擎自动迭代算法，如此可以做到真正的高效率研发，研发出的技术也可以更轻松覆盖多个市场，实现规模化发展。
03机器人时代的工业软件
机器人时代的工业软件的一个例子是自动驾驶研发中的仿真引擎。通过在数字孪生环境中的仿真与数据积累，自动驾驶算法研发的效率可以得到极大地提升，实现成本最小化，从而以最优的价格推出最佳的自动驾驶产品，快速实现规模经济，最终达不可逾越的高技术与商业门槛。与手工作坊的范式相比，工业软件可以把自动驾驶的研发从劳动密集型升华为智慧密集型，降低投入的同时提高产出。例如，目前的手工作坊范式为了测试汽车如何处理大雪环境，测试团队可能需要等待几个月，直到大雪来临，然后在路上收集物理测试数据。使用了仿真软件作为研发测试引擎后，我们可以轻易地在数字孪生环境中建造一条道路并产生一个大雪场景，然后根据需要产生各种高质量的测试数据。
仿真对汽车行业来说其实并不陌生，例如，车辆动态模拟器已经被广泛用于开发过程中，如转向系统的开发。在自动驾驶软件研发中，仿真器已被用于测试和验证决策模块和路径规划模块。但目前的仿真环境缺乏对世界的高保真重现。最近，基于游戏引擎的高保真模拟器已经被开发出来，比如Carla和LGLVS使用计算机图形模型、渲染算法和物理模型来尝试产生一个高保真环境。但是目前虚拟环境与现实之间的差距还是过大：首先，这些模拟器只提供虚拟城市的地图，其中的地理和物理环境特征与真实世界的道路测试并不相同。其次，移动物体的行为，如车辆和行人，都是写死的，很难模仿真正的交通参与物的行为（例如，巴黎行人的行为可能与新德里行人的行为不同）。最后，这些仿真引擎不能很好地对传感器数据进行高保真仿真，因此很难产生精准的感知数据。碍于上述技术限制，中国的自动驾驶研发基本仍停滞于手工作坊的范式，追求短平快地在市场上推出产品。这样的做法在短期内让人感觉进展很快，但是在技术发展的长跑中很容易暴露出效率问题，后继乏力。

文章图片

文章图片

我们认为基于仿真引擎的研发是一个先进的工业化研发范式，而不仅仅是一组技术的堆砌。如图2所示，根据实际部署经验，我们总结了基于仿真引擎的自动驾驶研发范式的几大原则：