成立一年就成为宝马合作伙伴，RealDrive用VR打造无人驾驶虚拟训练场

撰文 | 王艺

VR 技术常常被用于车辆展示或制造仿真环节。在自动驾驶时代，VR 和汽车产业的结合还有哪些可能性？

众所周知，无人驾驶的训练需要大量的数据，其中最关键的是极端工况（例如碰撞或是接近碰撞）数据。但极端工况天然是小概率数据，在现实生活中采集的成本高昂、效率低下。

因此，无人驾驶公司纷纷将目光投向虚拟训练环境。几乎绝大部分无人驾驶公司都尝试过利用赛车游戏《侠盗猎车手》中的虚拟交通场景训练系统，让无人驾驶系统通过学习如何玩赛车游戏来练习驾驶技巧。但赛车游戏毕竟不是为无人驾驶系统的训练而设计研发的，存在接口不易用、场景不能更改、效果不可控等问题。

深耕图形学多年的陈禄看到了其中的机会。在他看来，利用虚拟现实技术为车企和自动驾驶公司提供虚拟训练场是一门大有可为的生意。

于是，2017 年初，陈禄加入虚拟现实科技公司 51VR 后，以内部孵化子公司的形式创立了 RealDrive，瞄准需要训练无人驾驶系统的车企以及科技企业，为它们提供虚拟训练环境、乘客体验系统以及供无人驾驶路测技术人员使用的 AR 技术。

RealDrive 上海办公区

成立一年来，RealDrive 成为宝马集团 OpenInnovation 项目的合作伙伴，在虚拟现实与汽车行业结合的应用方面与宝马进行紧密合作。同时，RealDrive 已经与国内一些自动驾驶科技企业，以及一些国内外整车厂达成了合作意向。

产品覆盖训练、路测和体验三大重要环节

「我有一种感觉，我之前的所有职业经历，都是为了这件事准备的，」陈禄对机器之能说。「我相信有我这样经历的人不多。」

在这之前，他的经历跨越了自动驾驶与 VR。2011 年，他从浙江大学 CAD 实验室（计算机辅助设计与图形学国家重点实验室）博士毕业，先后供职于通用汽车和宝马，在宝马中国的技术中心，他曾是人工智能方向负责人。2016 年，跟随 VR 技术大潮，陈禄离开宝马，加入 VR 头显初创公司 Hyperreal，负责公司最核心的定位技术研发。

2017 年初，已经在「VR+汽车」领域摸索了近半年的 51VR 也看到了 VR 技术在无人驾驶领域的商机。陈禄看中了 51VR 的技术积累和资源，51VR 看中了陈禄的「跨界」背景，二者一拍即合，RealDrive 应运而生。

RealDrive CEO 陈禄

很快，借助建模、绘制、交互、模拟等诸多图形学领域技术的积累，陈禄带着 20 人左右的团队，开发了针对自动驾驶系统从「训练」到「路测」再到「体验」三大重要环节的产品：

用 VR 进行自动驾驶训练的 Cybertron-Zero；为消费者提供自动驾驶沉浸式乘车体验并为自动驾驶公司搜集消费者体验数据的 Cybertron-Matrix；为自动驾驶实路测试人员设计的 AR 眼镜产品 Cybertron-Eyes，佩戴该眼镜的测试人员能够在自动驾驶汽车的行进过程中实时了解到车辆系统的相关数据以及决策情况。

在无人驾驶系统的训练阶段，RealDrive 的虚拟训练场能够针对无人车的每一次决策失误进行泛化。具体说来，无人车的实际路测与虚拟训练是相互咬合着进行的。

例如在某次路测过程中，随车技术人员发现无人车在遇到某个车辆、行人、或障碍物时决策失误，需要人为干预。为了确保无人车已经掌握这一场景下的处理技巧，工程师往往需要在同样的情形下对无人车进行反复测试。但由于干扰无人车决断的环境因素众多，在现实世界中很难原封不动地对当时的情景进行复现。

那么此时，技术人员会将当时的场景在虚拟世界中重现，并进行泛化。例如改变障碍物的外观、光照情况、红绿灯的秒数等一系列参数组合，来训练并考验该系统是否完全掌握了这一场景下的决策。

在路测阶段，AR 眼镜 Cybertron-Eyes 能够在提高路测数据记录的效率的同时增加车辆在行驶过程中的安全性。目前大部分无人车的路测情景是随车配备两个技术人员，一位坐在主驾，负责在紧急情况下接管车辆，另一位坐在副驾，负责监视车辆相关数据，并在异常发生时进行记录。

这意味着，主驾驶员不是数据的第一知情人。Cybertron-Eyes 解决的正是这一问题，这个 AR 眼镜能够将数据实时显示在主驾驶员的眼前，这些数据包括无人驾驶车辆视觉模块所识别出来的物体框、决策系统的路径规划等。AR 视角与现实场景重合，这样系统看到了哪些物体、没看到哪些物体、看错了哪些物体、决策是否失误，对于主驾驶员来说一目了然。

在乘客体验方面，由于当前无人驾驶公司普遍还在死磕安全问题，因此对于乘客的舒适感关注度较低。但与此同时，例如晕车、急刹车等会对乘客身体带来不适的问题正越来越受到重视，因此一些大型车企已经启动相关研究。

 Cybertron-Matrix 着眼于无人驾驶产业这一未来的需求。这是一套无人驾驶体验平台，体验者能够在其中试乘无人驾驶车，公司能够从中收集乘客的反馈数据，用来提升自身车辆的舒适感。此外，无人驾驶公司及车企还可以利用这一平台向消费者及客户展示自己的产品。

建立虚拟驾驶环境的挑战

尽管 RealDrive 已经推出以上三款产品，但不可忽视地，团队依然面临着不小的挑战。其中最大的挑战在于，面向人眼的传统图形学理论在无人驾驶的虚拟训练环境中不太合用。

传统的图形学技术，是面向人眼的图形学。也就是说，传统图形学的评价标准是人眼看上去是否逼真、是否符合美学定义、甚至说酷不酷。在此基础上，传统的虚拟现实也就是针对人眼的虚拟现实。

人眼是可以被愚弄的。因此，传统的图形学理论中，已经有一套完整的理论体系，讲述人眼的感知原理、哪些因素对于人眼来说重要、哪些不重要、哪些因素需要相互配合等等。

在训练无人驾驶系统的虚拟环境中，物体的仿真建模是面向车辆视觉的，也就是激光雷达、毫米波雷达、摄像头、IMU、GPS 等传感器。与人眼相同，这些传感器也有自己看重与不看重的方面，但具体的行事准则却与人眼大相径庭。比如激光雷达所关注的是物体的几何信息、激光的反射率等因素。

人类视觉与机器视觉本质上的不同为虚拟驾驶环境的建立提出了挑战，陈禄称之为「图形学的重新定义」。对于这一原生性的技术挑战，团队需要重新摸索。RealDrive 与高校合作，通过一系列方法探索针对机器视觉的图形学标准。例如将虚拟图片与真实图片训练得出的神经网络进行对比，找出影响神经网络的关键因子等，进而对虚拟世界中的建模和渲染方式进行调整。

在陈禄眼中，这就是 RealDrive 当前需要面对的重大课题之一。有了底层技术的精进，RealDrive 的虚拟环境便能够支持除无人驾驶系统之外的其他人工智能应用的训练。例如被看作人工智能发展重要方向，但需要依赖虚拟环境进行训练的强化学习技术。

陈禄透露，RealDrive 计划在 2018 年初开启首轮融资。在未来可见的发展规划内，RealDrive 希望继续打磨三款产品，并加强底层技术的研发。