最近來自多倫多大學，麻省理工大學和 Waabi AI 的研究者們在一篇 CVPR 2023 論文中提出了一種全新的自動駕駛仿真平臺，直接利用神經輻射場（NeRF）渲染自動駕駛場景中的相機和雷達數據，首次在大規模真實數據上實現了高逼真度的全方位仿真，從而實現無人車的端到端的閉環測試，包括感知，預測和規劃。

為什么需要自動駕駛傳感器仿真？

近些年來，隨著自動駕駛技術的突飛猛進，無人車能夠在大部分常規情景下有很好的表現。但是目前的技術仍難保證安全的部署，究其原因是在真實世界存在著很多安全關鍵（safety-critical）的場景而這些邊界又是至關重要的。仿真測試變成了一種行之有效的手段，它能幫助研究者們能夠以低成本的方式來生成大量的邊界場景，從而全方位的測試和訓練已有自動駕駛模型。由于無人車通過裝配各種傳感器來感知真實世界，真實的可拓展的傳感器仿真變成為整個仿真系統重要的一環。

在 CVPR2023 的一篇 Highlight 工作，來自來自多倫多大學，麻省理工大學和 Waabi AI 的研究者展示了一個基于神經網絡的相機 / 雷達仿真系統。

• 項目主頁：https://waabi.ai/unisim/
• 論文地址：https://waabi.ai/wp-content/uploads/2023/05/UniSim-paper.pdf

不同于以往工作，UniSim 首次同時做到了:

1. 高度逼真 (high realism): 可以準確地模擬真實世界 (圖片和 LiDAR), 減小真實世界和仿真的鴻溝

2. 閉環測試 (closed-loop simulation): 可以生成罕見的危險場景，測試無人車，并允許無人車和環境自由交互

3. 可擴展 (scalable): 可以很容易的擴展到更多的場景，只需要采集一次數據，就能重建并仿真測試

仿真系統的搭建

UniSim 首先從采集的數據中，在數字世界中重建自動駕駛場景，包括汽車、行人、道路、建筑和交通標志。然后，利用重建的場景進行仿真，生成一些罕見的關鍵場景。

UniSim 主要基于最近幾年流行的 NeRF（神經輻射場）方法。

首先，UniSim 將場景分為三部分：靜態背景（如建筑、道路和交通標志）、動態物體（如行人和汽車）和區域外物體（如天空和非常遠的道路）。作者們用了多個 NeRF 來分別建模靜態背景和每一個動態物體。更具體來說，作者們選擇使用 Instant-NGP+SDF (signed distance function) 的表示方式。

針對自動駕駛場景的挑戰（數據稀疏、場景復雜），UniSim 做了一些改進:

1. 因為動態物體往往只有某些角度可見，作者們使用一個網絡 (Hypernet) 生成每一個物體的特征 (hash grid). 這樣可以共享形狀信息，從而生成更完整的汽車形狀。

2. 渲染 (volume rendering) 得到一個低分辨率的 feature map, 然后用 CNN 上采樣生成高清圖片。這不僅降低了渲染時間（因為特征圖分辨率較低），而且改善了生成圖片質量（因為 CNN 可以通過周圍像素信息進行推理）。

仿真能力展示

重放 (self-replay)

UniSim 可以準確的重建原始數據 (replay). 因為使用了 SDF (signed distance function),  UniSim 還能夠重建各種幾何信息，比如 normal/depth。

UniSim - 重建結果

動態物體行為控制 (dynamic-actor manipulation)

UniSim 可以將車輛從場景中刪除，控制他們不同的行為，或者將其他場景中的車輛插入到當前場景中，以生成一些 safety-critical 的罕見場景。

UniSim - 動態物體移除

動態物體控制

自由視角渲染 (novel view synthesis)

自動駕駛汽車可以生成不同與原始視角的數據，比如向左變道，改變相機 / LiDAR 的位置。

UniSim - SDV 視角控制

閉環仿真 (closed-loop simulation)

結合以上的能力，UniSim 可以進行閉環的仿真測試。

首先，通過控制汽車的行為，UniSim 可以創建一個危險的罕見場景，比如有一輛汽車在當前車道突然迎面駛來。

然后，UniSim 仿真生成對應的數據。

接著，運行自動駕駛系統，輸出路徑規劃的結果。

根據路徑規劃的結果，無人車移動到下一個指定位置，并更新場景 (無人車和其他車輛的位置)。

然后繼續進行仿真，運行自動駕駛系統，更新虛擬世界狀態 ……

通過這種閉環測試，自動駕駛系統和仿真環境可以進行交互，創造出與原始數據完全不一樣的場景。

閉環測試：逆行車輛

閉環測試：車輛變道加塞

激光雷達仿真

高速 1 英里不間斷仿真

自動駕駛指標

驗證仿真系統的準確度 (realism)，只是視覺上逼真還不夠，還需要從自動駕駛系統的角度進行驗證。

檢測（Detection）模型

第一個表格，Real2Sim 指的是用真實數據訓練的模型，在仿真系統進行測試，Sim2Real 指的是用仿真系統訓練的模型在真實數據中進行測試. Lane Shift 指的 UniSim 生成的 SDV 角度偏離原來的軌跡新場景。可以看到，用仿真數據訓練的模型，效果非常接近真實數據。用真實數據訓練的模型，在仿真數據上的性能也非常接近真實數據。

檢測模型在真實數據和仿真數據中進行訓練 / 測試的結果對比

UniSim 還可以作為數據增強，提高模型的性能。這里的 Sim 指的是用仿真數據進行訓練，包括 replay 和 lane-shift, 由于可以生成更多的場景 (variations), 所以甚至只在仿真數據上進行訓練的效果，也能達到用真實數據訓練的結果。

用仿真系統生成的數據，可以作為數據增強，提高模型的性能

仿真和真實世界的鴻溝（Domain gap）

什么樣的仿真系統和真實世界的鴻溝（domain gap）最小？自動駕駛模型在仿真系統中表現得越好（達到更好的檢測結果），是否意味著該仿真系統越逼真呢？并非如此。更合理的解釋是：當自動駕駛系統在仿真系統中的表現接近它在真實世界的表現時，這個仿真系統才更接近真實世界，而不是自動駕駛系統的指標越高就越好。舉個例子，在真實世界的某個場景中，如果自動駕駛系統崩潰了（例如，檢測失敗），仿真系統在模擬這個場景時，如果自動駕駛系統能夠順利檢測到物體并成功通過，作者們認為這個仿真系統并不完全可靠。在下面的表格中，作者們將模型在真實世界的結果作為標簽，模型在仿真平臺上的結果作為預測，計算一致性指標。他們驗證了自動駕駛系統在仿真平臺和真實世界之間的表現差距。具體設定和指標定義，請參考論文。

真實世界和仿真的鴻溝

總結和展望

UniSim 是一個統一的傳感器仿真平臺，它可以處理大規模動態駕駛場景，統一了移動物體和靜止背景表示，統一了相機和激光雷達和仿真，統一了動態場景控制和自由視角渲染。

它是首個可以達到如此逼真度的閉環仿真平臺。在 UniSim 中，無人車和環境可以自由交互，并且仿真結果非常接近真實世界。這允許其可以測試罕見的關鍵場景，從而推動自動駕駛的研發。