【乾貨】擁有神秘技能，讓你成為自動駕駛領域的香餑餑

自動駕駛說

如果和做無人車的朋友聊一聊就會發現，不管是谷歌的Waymo，優步，還是豐田，都無一例外的對一種人才求賢若渴：模擬工程師（simulation engineer）。小編搜集了現在招聘市場上對模擬工程師的基本要求。看起來很難，但小編會為大家解釋模擬技術原理，並分享學習模擬技術的資源乾貨！

各大公司的職位要求

* Nvidia 英偉達（老牌智能晶元公司）：熟悉工業界各種模擬器以及各自的軟體構架

* Drive.ai（吳恩達老婆的公司）：3年模擬器或者3D遊戲編寫經驗

* Toyota Research Institute豐田美國研究所：會使用OpenGL或Direct3D獲得實時數據

* Uber優步：熟練運用C++11、C++14語言

為什麼不直接上路測試，而要模擬駕駛？

一輛無人車必須保證在任何意外情況下，都比真人司機做出更好的判斷，才算是安全，才會被允許上路。而想要得出這個結論，一輛無人車需要駕駛上億英里，才能通過統計意義的考驗（statistical significance），被證明為比真人可靠。美國蘭德智庫公司研究顯示，如果想做到低於每一千萬英里1.09的死亡率（95%的置信區間），需要測試行駛2千多萬英里，耗時12.5年。如此漫長的測試時間，各大公司怎麼耗得起？

秒懂模擬技術

利用模擬環境下駕駛產生的數據，我們就可以在短時間內達到需要的里程測試標準。我們用電腦仿造出各種特殊情況，比如惡劣天氣，訓練無人車應對這些情況，然後將訓練好的數據模型運用於真實駕駛過程中。NVIDIA的自動駕駛論文中詳細闡述了端到端深度學習的模擬原理，其主要過程如下：

1. 架構：設計深度卷積神經網路(CNN)，包括標準化層，卷積層，全連接層，輸入為道路影像圖片，輸出為方向盤控制角度。

2. 訓練：模擬器根據之前準備好的由前置攝像頭拍攝的道路影像，每一幀圖片對應的人類司機操控方向盤的旋轉角度作為真實參考值，用於校正CNN的輸出角度，利用這些數據對CNN進行訓練，使輸出角度和真實角度的平均平方誤差到達最小。

3. 數據處理：對於每一幀圖片，隨機移動、翻轉、扭曲、遮擋、改變亮度等，並相應改變方向盤的真實角度，用於模擬汽車的不同位置和環境，以期達到正態分布的模擬情境。

4. 測試：訓練好的CNN可以實時通過圖像輸出方向盤角度，可以直觀的看出汽車在模擬器道路上的行駛狀態。

現在動手，自己做一次模擬自動駕駛

Udacity（美國在線課程網站）剛剛在GitHub上開放模擬平台，裡面提供各種模擬道路和路況。按照步驟搭建，你也可以做出自己的模擬自動駕駛車！

「自動駕駛說」旨在分享原創的行業分析和學習心得，每周一篇文章。本人在矽谷某自動駕駛公司擔任產品經理，專註於自動駕駛安全研究、產品戰略以及設計。

歡迎關注本人微信公眾號「自動駕駛說」。