父愛如山，父親在生活中總是為我們提供指導和支持，並默默地守護著我們的成長和安全。
現在，自動駕駛技術也如同父親般，在通過持續的研究和創新，不斷演進，為我們的出行提供堅實的保障和護航。
NVIDIA 正著力將數據驅動型模型納入所有類型的交通場景仿真之中，包括行人、自行車騎行者和場景編輯等領域。
在父親節這一天，跟隨本期視頻和文章，一同了解 NVIDIA 研究人員提出的一種名為 STRIVE《Stress-Test Drive 壓力試駕》的新方法。
該方法使用生成式 AI 交通模型自動生成自動駕駛仿真中的潛在事故場景，允許在各種現實情況下安全地大規模測試自動駕駛堆棧的規劃部分。
編輯註：NVIDIA 自動駕駛實驗室系列視頻，以工程技術為重點的視角關注實現自動駕駛汽車的各個挑戰以及 NVIDIA DRIVE AV 軟件團隊如何應對這些問題。
本期 NVIDIA 自動駕駛實驗室視頻為大家介紹了 NVIDIA 最近開展的一項研究，即利用 AI 自動生成仿真事故場景，來進行安全且可擴展的自動駕駛汽車測試。
現實世界中存在著各種類型的交通狀況，自動駕駛汽車必須能夠安全應對以上狀況。
其中包括由於車距較近導致的危險事故，在這種狀況下，其他道路使用者在行駛過程中進行的意外操作可能導致碰撞事故發生。
然而，對開發人員而言，在這些類型的場景中開發和測試自動駕駛汽車極具挑戰性。
因為現實世界中這類碰撞數據十分罕見，此外，若要在現實世界中重現此類情況來進行測試則極不安全，並且該方法難以擴展並實現規模化。
利用 STRIVE 算法
對自動駕駛汽車規劃模塊進行壓力測試
在自動駕駛汽車堆棧中，規劃模塊負責決定車輛應如何行駛。
若要對規劃模塊進行全面的測試，則需要收集真實且多樣化的潛在交通事故場景數據集。
NVIDIA 開發了名為 STRIVE《壓力試駕》的算法，可為自動駕駛汽車的規劃模塊訓練創建豐富的事故場景《圖 1》。
開發人員可通過分析該模塊在仿真場景中的存在的規劃短板，在自動駕駛汽車上路前進行糾正，以便改善車輛的規劃行為。
圖 1：STRIVE 生成自動駕駛汽車的交通事故場景
利用優化方式生成潛在事故場景
STRIVE 算法從真實世界場景著手，使目標測試車輛按照預期規劃行駛。
而後，STRIVE 利用對抗優化來修改場景中其他車輛的 2D 軌跡，以生成碰撞場景。
其中，用於與自動駕駛汽車碰撞的幹擾車輛可以由用戶進行指定，也可由 STRIVE 在優化過程中自動選擇。
該解決方案中的另一項優化是訓練自動駕駛汽車生成機動策略，來避免交通事故的發生，從而提高自動駕駛汽車的規劃能力。
STRIVE 創建了真實且多樣化的事故場景，並提供了實用的解決方案以改善自動駕駛，如圖 2 所示。
圖 2：STRIVE 生成的潛在事故和解決方案示例
數據驅動型交通模型的真實性
仿真事故場景必須真實且能精確反映現實世界的交通狀況和物理環境。
STRIVE 使用 AI 交通模型，基於大型真實世界數據集進行自動駕駛汽車訓練，以了解現實中車輛的行駛軌跡。
該模型顯示為『Traffic Prior』，如圖 1 所示。
在優化過程中，STRIVE 使用經過訓練的 AI 模型進行檢查，以確保其生成的場景真實有效，即場景中需包含事故狀況。
從 2D 軌跡到 3D 仿真
STRIVE 在 NVIDIA DRIVE Sim 中運行，基於十字交叉路口創建多種事故場景。
STRIVE 會基於現實世界的駕駛行為，進行常規交通重建，而後創建各種自動駕駛汽車可能會與不同的車輛產生的交通事故《圖 3》。
圖 3：NVIDIA DRIVE Sim 中產生的潛在事故,每個事故都來自對應的真實場景
結論
STRIVE 能夠在仿真中自動創建罕見且危險的潛在事故場景。
自動駕駛開發人員可借助 STRIVE 算法，對自動駕駛系統進行全面訓練和評估，以確保其行為的安全性。
生成車輛之間可能發生的碰撞場景隻是利用 AI 進行交通場景仿真的一個用例。
NVIDIA 正著力將數據驅動型模型納入所有類型的交通場景仿真之中，包括行人、自行車騎行者和場景編輯等領域。
NVIDIA DRIVE 相關資源
如需了解更多信息，請查看以下相關資源：
STRIVE 項目頁面：https://nv-tlabs.github.io/STRIVE/通過學習交通先例生成實用的事故易發駕駛場景：https://nv-tlabs.github.io/STRIVE/docs/strive.pdfGitHub 上的 STRIVE 代碼：https://github.com/nv-tlabs/STRIVE由 Omniverse 驅動的 DRIVE Sim 場景重建：https://www.nvidia.cn/self-driving-cars/simulation/