2021年11月22日-24日，由騰訊遊戲學堂舉辦的第五屆騰訊遊戲開發者大會（Tencent Game Developers Conference，簡稱TGDC）線上上舉行。 本屆大會以“Five by Five”為主題，邀請了海内外40多位行業嘉賓，從主論壇、産品、技術、藝術、獨立遊戲、市場及遊戲社會價值7大專場共同探讨遊戲産業趨勢和多元價值，以開發者視角與需求為出發點，助力遊戲行業良性發展，探索遊戲的更多可能性。
大家好，我是來自騰訊自動駕駛業務中心的孫馳天，今天我想跟大家分享一下我們用遊戲技術，來助力自動駕駛仿真所做的一些工作，在今天的分享開始前，想先有幾個問題向大家提問一下。
首先第一個是，不知道在座的各位，有多少是自己開車上下班的？下一個問題是，開車上下班的這些同學們，不知道你們有多少同學在車上是搭載有輔助駕駛或者說是智能駕駛的功能的。那麼搭載有輔助駕駛或者智能駕駛功能的同學們，不知道你們有多少同學敢真正的信任自己車上的輔助駕駛或者自動駕駛功能，讓它來代替你做自動駕駛和輔助駕駛運作和決策規劃呢。
其實當然我也看不到在座同學們的回報，但之前我們也在一些線下場合和交流裡也詢問過一些同學，我們得到的回報，其實并不如我們想象中的數字那麼樂觀。大家對于自動駕駛或者說智能駕駛的安全性還是有一定的擔心的，是以今天我們的分享主要是介紹我們用了哪些遊戲技術，來幫助我們更好的打造自動駕駛的仿真的技術，進而幫助我們自動駕駛本身的安全性有一個更高的提升。
騰訊自動駕駛部門介紹
首先介紹一下我們整個騰訊自動駕駛部門，其實很多朋友、很多同學都會問我騰訊還有自動駕駛部門，你們是不是要造車呀，因為确實是可以看到目前整個行業内部做自動駕駛以及造車的公司越來越多。但其實我們還是很明确的，騰訊是不會自己去造車的，那我們做什麼呢？
我們的定位是做汽車行業的工具箱和加速器，我們會去做幫助自動駕駛落地的工具、軟體以及服務，那會涉及到比如說包括面向自動駕駛的模拟仿真體系TAD SIM，包括自動駕駛車端的全套軟體TAD Pilot，也包括面向自動駕駛用的一套雲工具鍊和雲服務TAD Cloud，最後一個是我們面向自動駕駛專用的，一種地圖格式叫高精度地圖TAD HD MAP。
當然今天的分享主題可能跟我們面向自動駕駛仿真系統TAD SIM更相關一些，騰訊自動駕駛的合作夥伴會包括政府、車廠、汽車制造商或者Tier1一級供應商之類的，當然我們的合作夥伴也會和高校進行科研的、前沿的應用。
從技術研究走向落地應用
騰訊自動駕駛是2016年正式成立的，在這五年來我們也打造了三位一體的面向自動駕駛的研發體系，包括剛剛我們說過的一個自動駕駛的雲開發平台、自動駕駛的高精度地圖的平台，也包括一個專門為自動駕駛或者我們叫智能網聯汽車服務的仿真平台。
落地難題1：感覺算法訓練
那我們在這幾年的研發、探索和實踐中碰到了什麼樣的問題呢？其實我們很深切的感受到，在整個自動駕駛行業、或者我們說智聯網聯汽車這個行業，有一些難題是困擾着我們整個行業的前進和落地，是以我們将這裡面的最重要兩點總結了出來。
第一是我們在感覺算法訓練上所面臨到的挑戰，有一個比較有意思的段子是說，人工智能、人工智能，你有多少人工才能有多少智能，這個點其實在自動駕駛行業裡也是非常現實的，每年全球這些做自動駕駛的公司，需要投入非常多的人力物力還有财力，來進行自動駕駛專用的人工智能算法的标注還有訓練，這裡面需要标注的這些樣本，包括一般的汽車在路上經常碰到的交通場景，也會包括一些可能我們平時不是很經常碰到，但我們一旦碰到會發生比較危險的交通事件的一些場景，我們都是需要去進行資料的采集和标注的。
據第三方的統計，每年全球這些自動駕駛公司，光在這樣的資料集的采集和标注上，就有超過10億美元的投入，是以這個投入還是非常非常巨大的，而且這個資料集也是很難進行非常普适性的共享。原因是，當然，行業内有些公司會将自己采集和标注的資料集拿出來給大家去共用，但是其實在不同的國家、不同的城市内，是有不同的情況。
我們舉個例子，我國有些特色的場景，比如說外賣小哥、比如老頭樂這種電動車 這種場景或者說這種要素，在别的國家是很少見到的，那這種要素的采集、标注都是需要我們國家内部的這些科技公司來自己進行資料的搜集和标注、制作。
是以這方面就會導緻我們的資料集，基本上是每家都要自己去制作很多很多的标注和采集的投入，這樣的量級對于自動駕駛行業來說，還是比較沉重的負擔。
落地難題2：測試驗證
第二個比較重要的問題，需要行業解決的是測試驗證問題，在2016年的時候，蘭德智庫就提出來一輛自動駕駛汽車，需要經過110億英裡這個距離，才能證明它達到一個合格的人類駕駛員水準，它才可以進入一個量産的階段，那110億英裡是什麼概念。這裡我們舉了一個比較直覺的數字，地球到太陽距離大概是0.932億英裡，這樣相當于是不到1億英裡的樣子，110億英裡就相當于100多倍的地日距離，這個距離行業裡的公司們做到什麼程度呢？
我們拿行業裡可能路測資料最多的谷歌無人車的子公司叫Waymo，以他的資料來舉例，Waymo到目前為止，已經完成了超過2千萬英裡的路測，即折合成0.2億英裡的數字，大家可以看到0.2億英裡，和我們想達到的目标數字，110億英裡還是有一個非常大的距離，而且這也是花費了Waymo很多年的時間才能達到。是以這個數字将是我們自動駕駛落地的一個非常大的阻礙。
解決政策：虛拟仿真
那我們行業裡會去怎麼解決它呢？目前大家看到比較通用的辦法，是利用虛拟仿真的引擎、虛拟仿真系統，來生成各種各樣的場景解決剛剛所說的兩個問題。舉個例子，第一個問題感覺算法訓練的問題，那我們可能不需要通過這麼多的真實采集車去進行資料的采集和标注，而是借由仿真系統自己内部建構千變萬化、多種多樣的場景，比如說城市的、高速的、城區的、晴天的、雨天的、霧天的等等這些場景會生成各種各樣的圖像。點雲、不同的資料集用來給做感覺系統做訓練。這樣做的好處，除了我們可以很友善的生成各種天氣也好、極端的交通場景也好、直接生成出來這些對應的場景也好，這是一部分。
另外一個重要原因，是因為由仿真系統生出來的場景是自帶真值的，“真值”是指什麼呢？這可能是在人工智能裡，用得比較多的一個詞: ground truth。它是指一個物體或者一個元素的客觀屬性，其實我們在觀察和了解這個世界的時候，我們看到的東西、我們認知到的東西、或者我們摸到的東西，其實它都不是真值，它不是客觀值，它是觀測值。而真值是指這個物體本身就具備的客觀屬性，是以由觀測值去推導它物體本身具有的客觀真值，中間就會存在誤差，這裡面就會引入錯誤，但由仿真系統這種自帶真值的系統，它生成出來的、預帶标注結果的資料，它的結果是100%準确的。是以通過這種方式可以100%準确的，生成帶有标注結果的訓練資料。
第二個問題測試驗證，雖然行業内公認的谷歌無人車的子公司Waymo，雖然它目前隻進行了0.2億英裡的路測，當然這裡的“隻”是有一點引号的意思在，因為他已經是行業裡遙遙領先的一個路測距離了，但是他已經進行了150億英裡的仿真測試，當然不僅僅是waymo了，在整個行業内部，使用虛拟仿真技術來進行大範圍、大規模的裡程測試，是一個共識，大家也将虛拟仿真技術稱作為自動駕駛技術的奠基技術，為什麼要用虛拟仿真技術，來盡可能的代替道路測試呢？
當然我們不是說要完全代替，我們隻是說使用虛拟仿真技術來極大的代替，比如95%、99%的路測裡程。有三個非常重要的原因，首先第一是安全性問題，說到安全性問題，我想大家可以把時間帶回到2018年的3月18号，在那一天，有一位可能大家會比較熟知的人，一個很有名的作家李敖先生去世了，當然這事是比較受我們關注，但其實在同一天、在自動駕駛行業内也發生了一件非常有沖擊性的事情，就是在2018年的3月18号，在美國的亞利桑那州，uber的無人測試車發生了整個行業内、全球的第一起自動駕駛測試緻死事故，這個事故其實當時對于整個行業來說，是非常大的一個負面沖擊，因為自動駕駛目前面臨的挑戰，如最開始我提的那幾個問題一樣，大家關心的就是最核心的就是安全性這個點。你在測試過程中就已經發生了緻死事故，你又如何能夠保證你的産品，以後在大規模應用的時候，可以解決這些你本應該解決的安全問題呢？
是以使用虛拟仿真測試來代替真實的道路測試，就可以完全避免安全性的問題，因為在虛拟世界内部是不會有任何真實的傷亡，畢竟你在虛拟世界内部你把樓、把車、把道路都撞毀了也是不會有任何損失的，是以安全性我們是用虛拟仿真測試來代替真實路測的一個很重要的原因，也是我們放在第一個的原因。
第二個原因就是時間和金錢，可能在座的小夥伴們沒有真正從事過自動駕駛算法的測試，我舉一個我們去進行一次自動駕駛路測例子，早上可能準備代碼的釋出、發包、車端部署，中午我們上車，把車開到指定的測試區域，因為不是所有區域都可以測試的，你必須要去政府指定的自動駕駛的測試區域開展路測，測完之後下午再把資料拿回來，拿到本地我們進行資料的分析和處理。
這樣一來一回，那怕你隻是調了你算法裡非常小的一個參數、一個變量，那也是需要、至少需要消耗一整天的時間來進行驗證。我們可以想象，如果當你進行更多的、更豐富的場景測試，有幾千個、幾萬個、幾十萬個場景需要測試和覆寫的時候，那這個所消耗的時間和金錢是非常海量的數字。而使用虛拟仿真測試來進行這樣的測試，你唯一需要承擔就是電費一個成本。
第三個我們會重點提到軟體OTA的回歸測試，可能這個概念對于我們的小夥伴們來說會有一點陌生，在這裡我簡單解釋一下，軟體的OTA是指這個軟體可能一開始釋出到自動駕駛管道上是版本一，後面通過不停的雲端推送來進行長期的更新和疊代。比如特斯拉，它是最典型的自動駕駛行業内部，或者汽車行業内部，會使用OTA不停的進行智能駕駛或者說輔助駕駛軟體更新的一家公司。
回歸測試，是指我們每次更新之後，我們要進行一個非常全面的檢查和測試，來保證我最新的自動駕駛算法，是可以解決之前我所有已經解決的問題，而不是說撿了芝麻丢了西瓜，或者拆東牆補西牆。我解決了新的問題，舊的問題又出現了，是以回歸測試是非常重要的一點。
大家可以看到的是，如果一個軟體版本就需要進行110億英裡的裡程測試，那當每次你的軟體通過OTA進行更新之後，你需要進行回歸測試的時候，那這個總的裡程就是一個天量、天文數字，沒有一家公司是可以承受得起的。
“綠洲”虛拟仿真系統
是以，使用虛拟仿真測試來進行軟體OTA之後的回歸測試，這也是一個必然的趨勢。是以基于上面的這兩個解決方案，我們就做了一件什麼事情，我們的目标是要打造一個類似于電影《頭号玩家》中的“綠洲”系統，當然最近也上映了新的電影《失控玩家》，大家可能也有一些同學去看了，也是類似的概念。
本質我們的目的是要建構這樣的虛拟世界，隻不過接入到這個虛拟世界内部的，不再是人類的玩家使用者，而接入的是被測試的自動駕駛算法，我們的目的要生成不同的關卡、不同的副本，讓自動駕駛算法來體驗不同的場景，面對不同的困難和挑戰，讓我們來觀察他們是不是可以，很好的去解決這些不管是路上常見、還是路上不常見的交通場景和問題，進而我們來決定這個算法是不是已經成熟到可以部署到自動駕駛車輛上，進行真實的道路測試或者規模的商用 。
核心仿真系統的核心能力
基于這個目的，我們就需要打造我們的核心仿真系統，我們也總結了四個仿真系統最核心的能力，在這裡也是直接的列出來給大家。
第一個是對于一個真實世界的幾何還原能力，對于世界的幾何還原能力，大家可以了解為我們去建構了一個遊戲的場景，這裡面可能更需要在三維的靜态場景之上。不管是我們的遊戲裡，我們叫場景建構、還是地編，可能都是類似一個概念，隻有很準确的将一個世界、真實的還原出來，我才有可能比較準确的去觀測它。尤其是我們在做自動駕駛測試的時候，我們不僅要将世界非常真實的還原出來，我們還需要将去觀測這個世界的算法或者是子產品，我們叫傳感器，比較精确的還原出來。大家熟知的傳感器可能會包括攝像頭，這可能是大家最了解的，其實在自動駕駛或者智能網聯汽車領域，我們也會用雷射雷達，毫米波雷達這樣的傳感器。是以我們的目标是，通過對世界的完整、精确的幾何還原，來幫助我們進行世界的真實重建，以及基于真實重建的世界的傳感器仿真。這是我們做的第一步，對于世界的幾何還原。
第二步就是要進行，對世界一個非常精确的邏輯還原，那幾何還原解決了，我們如何比較精确的還原靜态場景的問題，那邏輯還原需要解決的是，我們如何去生成世界内部的動态的元素。動态場景問題，那動态元素就會包括我們說的車、行人、外賣小哥、老頭樂電動車。
想去還原這些動态要素，首先就要對這些動态元素有一個比較形象、比較準确的模組化，車的運動軌迹是什麼樣子的、人的運動軌迹是什麼樣子，當行人碰到别的障礙物車的時候，它會有什麼樣的反應，當行人碰到别的車、碰到别的行人的時候，是什麼樣的反應。這都需要我們在進行邏輯還原的時候，需要進行非常精确的還原，進而讓這個世界内部的所有元素、動态元素、車流人流都更精确的貼近真實世界的這些元素的回報。
第三要對于真實世界的實體還原，做實體還原的原因是因為我們在做整個自動駕駛仿真的時候，我們很關心這些汽車運動模型，這輛車的動力學模型、它的電機、發動機、變速器、動力傳動系統，當然我們也會關心汽車的輪胎和地面的摩擦等這些實體效應，是以隻有當比較準确、精确、真實還原出這些實體效果，才能得到一個比較精确的車輛仿真結果，這就是我們第三步要解決的問題。
第四步需要做的是高并發，這個可能在上一部分我也提到了，我們做仿真系統的目的，就是給這些自動駕駛算法建立非常多的副本，讓他們去進行挨個的困難和挑戰。是以你想建立成千上萬、幾百萬個副本，你就需要具備高并發能力。進而讓這些自動駕駛算法，可以并行的進入到這幾千、幾萬、幾十萬的場景或者副本當中去進行測試，而不是說我一個副本一個副本進行測試，那這樣十萬個場景量級的場景庫，可能需要等待數個月的時間才能得到一個結果。
是以這四個點是我們目前總結的，對于自動駕駛仿真來說最核心的四個能力。
TAD Sim 1.0 從無到有建構數字孿生世界
基于我們要去建構的這四個能力，我們在過去的這五年時間裡做了什麼呢？
首先我們TAD SIM1.0也就是我們第一個版本，我們是從無到有建構了數字孿生世界，來去将我們的自動駕駛算法放在裡面進行世界的測試，我們具體做了什麼事情？
首先我們基于自動駕駛專用的高精度地圖，來完整1：1還原了整個現實世界，然後我們會将我們的現實世界轉換成一些真值，輸出給不管是自動駕駛的算法也好，還是訓練集也好，下一步我們會在虛拟世界内部生成，千變萬化的測試場景，供我的自動駕駛算法進行測試。
TAD Sim 2.0 真實資料+遊戲技術雙擎驅動
這就是我們大概在前兩年的時候，也就是我們組建前兩年的時候所做的事情。後來我們發現隻有這些事情可能是不夠的，尤其在自動駕駛。我們非常關心的、仿真的真實性上是需要做提升的，是以我們又花費了比較多的時間，來利用遊戲技術以及真實資料這兩條腿、雙擎驅動的方式，來幫助我們極大的提升仿真系統的真實性，當然我們用了一些比較不同的技術路線和方式來提升真實性，包括在傳感器仿真上去用遊戲引擎的能力，包括我們在做交通流的仿真上。我們會使用AI、Agent AI的能力，後面會有一個更詳細的介紹。
首先我們談到用遊戲技術來提升，我們自動駕駛仿真系統的真實性，我們指的不是我們小時候，帶給我們無限歡樂的這些遊戲。
而是更新的使用最新的遊戲引擎、遊戲的渲染引擎或者遊戲AI技術等等。來建構的這些次時代的遊戲，這裡面有很多東西是我們可以拿來借鑒，建構自動駕駛仿真測試用的系統。
舉例來說，第一點是我們如何用這些遊戲技術來進行看似很真實，但實際上是虛拟場景的還原，這裡面舉了四個例子，大家可以看一看這四個場景的建構，哪一個是真實、哪一個是虛拟的。
這四個場景其實都是虛拟的，都是利用遊戲引擎以及一些場景的，建構技術來還原出來一個真實世界供自動駕駛汽車來進行測試。在這種場景還原的技術點上，有幾點是我們特别關心的，首先是模型的面數，包括所有模型所使用的材質，當然也有對應的光照變化和應用的優化，這些都結合起來會極大的影響我們整個虛拟測試的場景的還原真實度。而場景還原真實度也是，剛剛我介紹過的核心能力的第一條，對于一個真實世界的幾何還原，會極大的影響我們整個仿真測試的結果，是以使用遊戲技術裡面的場景還原技術，不僅僅是遊戲引擎也會用一些别的技術，來幫助我們極大提升場景的真實性，這對我們是非常有幫助。
同時我們也是用了一些，不管是騰訊地圖的資料還是衛星圖的資料，或者我們也用了人工智能算法來幫助我們大規模的生成城市級别區域，這都是我們用這些類似的技術來幫助我們進行仿真測試的。
這裡面大家可以看到，這是我們用騰訊地圖+衛星圖資料+我們自己的資料孿生的人工智能算法的工具鍊，可以直接純自動的生成。這是北京市五環以内576平方公裡的完全的城市重建，這裡面沒有任何人工幹預，不管是建築物還是道路，還是水系還是植被，完全都是純自動生成、一鍵生成的，我們所花的所有成本也就是在本地，運作了一個22小時的電腦和電費，僅此而已。
如果這個工作放在雲上的話，可以在一小時内快速完成576平方公裡的重建，是以使用這種技術來幫助我們重建，并在遊戲引擎内去渲染一個非常廣域和真實世界能夠對應上的場景，可以幫助我們去進行真實世界所對應的虛拟場景搭建，進而進行對應的虛拟世界的自動駕駛的測試。
剛剛介紹的是我們利用騰訊地圖、衛星圖還有一些我們用POI資料，來幫助我們建構城市級别的場景，當我們做自動駕駛仿真測試的時候，其實在一些局部的道路，我們是對精度有着非常高的要求。我們希望精度可以達到厘米級，比如3厘米、5厘米，這種情況下我們就會采用第二種技術手段，也就是一套依賴資料采集車的資料采集和重建技術，來非常高精度以3厘米的精度來還原整個真實世界。
還原真實世界的步驟
這裡介紹了我們整個還原真實世界的步驟，首先我們會進行一定的資料采集生成一定的虛拟世界，然後轉化成剛剛提到過通過真值系統轉換成深度值也好、語義資訊也好，就是語義分割後的結果也好。
通過這些資料，我們通過生成式對抗網絡，又将它們轉換成了真實圖檔風格的圖像，以及标注的結果，而且這個标注結果因為是進行了真值标注，是以是100%準确。通過這些真值的結果又反過來，訓練我們的場景生成和感覺的算法，又反過來可以提升我們場景的生成的自動化率，以及降低人工成本參與的比例，是以這樣閉環的工具鍊經過三年時間可以非常高自動化率、非常低成本不間斷的運作，幫助我們自動生成世界上各種各樣的場景。當然我們還是需要采集一定的真實資料，作為我們這個資料集的輸入來補齊的，但是這樣一個自閉環場景生成的工具鍊，幫助我們極大的解決了采集資料會花費一定的時間和成本，但要又要生成無限多種虛拟場景的問題。
這個可以看到是我們通過剛剛介紹的依賴采集車的資料孿生的工具鍊，幫助我們還原了一個仿真測試場景，右邊是真實的采集回來的路測資料，左邊是我們用采集回來的資料，可以完全還原的虛拟仿真的測試場景，這裡面包括我們對于靜态世界的還原，建築、道路、路牌、辨別牌、道路、路面上的一些地面辨別，當然也包括動态元素，這些行人這些車流， 包括也可以看到，我們也生成了外賣小哥的小車。将動态元素和靜态元素合在一起，我們就生成一個比較真實，可以進行虛拟仿真測試的一個虛拟環境。而且這樣做的好處是，我們可以通過有限的資料，可以去生成無限多種的測試場景，這裡我們是生成了一個和真實世界，非常一緻的、完全回放或者我們，在複現真實路采資料的虛拟場景，但我們可以用這個資料來生成，無限多種千變萬化跟真實世界，完全不一樣的場景，來進行進一步的自動駕駛的仿真測試。
基于數字孿生仿真的車輛在環測試
基于剛剛我說的這些工作，生成出來這些場景之後，我們還可以做進一步更真實的仿真測試，在行業内部我們管這個叫“車輛在環測試”。舉一個直覺例子，我們給自動駕駛汽車套上了一個AR眼鏡，大家可以看到在右側四幅畫面裡面，最右邊的兩側是我們由虛拟仿真系統直接生成的虛拟畫面，而靠左邊這兩側圖檔是我們将虛拟仿真系統生成的這些動态元素。這個圖層可以提取出來，以AR的方式疊加到自動駕駛汽車真實看到的真實世界的攝像頭的結果上面去，進而可以在完全空曠的測試場内部，去生成無數多種、千變萬化、各種各樣的交通參與者的測試。包括這裡面出現有老奶奶過馬路、有小貓小狗直接橫穿馬路的，這種你在真實世界内完全不會看到的場景，很容易通過我們這種方式。首先可以在虛拟場景内去生成，然後我們會将它這個圖層給提取出來，以AR的方式疊加到真實的攝像頭之上，進行一個車輛在環測試，這個也是我們借助遊戲引擎的一些能力，包括我們做的一些AR的工作可以幫助我們去進行一個非常真實的車輛在環的仿真測試。
Agent AI
下面我想介紹一下，我們使用Agent AI來提升我們在自動駕駛仿真裡所使用的這些交通流的智能，交通流一般包括車流和人流，主要是行人和其他障礙物車等等這些動态元素。
這裡面其實大家可能會很直覺的想到，我們需要面對的就是場景的内部所需要的這些元素，這可能跟遊戲内部的NPC是非常像的，隻不過我們提的要求，可能會和遊戲内部有些不一樣，遊戲内部的NPC一般是服務于一些特定的行為或者特定的運作規則。而對于我們來說 我們的目的是需要這些Agent AI、這些NPC的AI要極大的還原真實世界裡行人、車流、自行車，或者是電動車他們的真實運動行為，是以對于我們來說，光使用我們遊戲裡常用的behavior tree或者是一些别的狀态機，可能都是不足夠的。
基于這些遊戲裡我們常用的功能之外，我們還要使用我們采集回來的大量的真實資料，包括大量的車流資料、也包括大量的人流資料，用這些真實資料來訓練我們整個Agent AI的參數，進而讓我們Agent AI的各種參數，比如接近程度。
我們舉一個直覺的例子，比如他開車的時候有多麼想去并道、有多麼想去加塞，或者它去跟前車的距離，會保持在一個很安全的跟車距離，還是很危險很接近的跟車距離。這些參數都要通過真實采集回來的資料進行訓練和标定，進而得到一個非常貼近真實的交通場景的Agent AI的系統，這是我們使用Agent AI來去幫助我們，生成我們場景内部這些交通流的元素。
雲遊戲技術
下一個我想講的點是我們如何使用雲遊戲技術（主要是雲渲染的技術），來幫助我們進行自動駕駛仿真的運作結果的一個觸達。其實在自動駕駛仿真裡，我們的計算完全都是在雲端的背景，不管是我們整個場景的運算，還是我們對算法的運算，其實都是一個純背景的計算，我們如何将場景内部的目前運作的狀态，這個車碰到了什麼樣的場景，它現在處于什麼樣的元素内部，把這個結果呈現給終端使用者，這就需要使用雲遊戲或者準确來說是雲渲染的技術，将背景渲染出來的圖像，不管傳感器的也好、還是場景本身的也好，渲染出來的圖像通過推流的方式推送到前端、使用者端，可以讓使用者在随時随地，基本上以用網頁浏覽器的方式來進行通路，這樣使用者就可以非常輕松的通路到在背景高并發運作的，那幾千上萬甚至幾十萬個自動駕駛仿真測試場景内部。他關心的那一個場景内部，這個車到底碰到了什麼樣的場景，它在嘗試解決一個什麼樣的問題，它現在運作的狀态是什麼樣。這樣非常高逼真的可視化結果，就可以通過這個通路觸達到使用者的網頁端，讓使用者看到我們的結果。
MMO同步
第三個，我想跟大家介紹的是我們如何使用MMO同步技術，來幫助我們提升仿真系統在運算時的一緻性。其實MMO大家都比較熟悉了，不管是我們以前去經常玩的《魔獸世界》、還是我們騰訊自研的國風大世界遊戲《天涯明月刀》，其實它的背景都是用了很多MMO技術，來進行玩家間的資訊同步。
舉例來說，當玩家A攻擊玩家B的時候，我一拳揮出去的時候，在玩家B的視角内部，他也要看到是一個完全一樣的場景，而不能說玩家A看到我這個拳已經擊打到玩家B的身上了，而對于玩家B來說這一拳還隔着十萬八千裡，是以對于我們來說仿真測試，其實不僅是要能夠實作同步的結果，而且我們會比遊戲的要求會再更高一層、再更上一層，我們會要求在整個仿真的内部，我們所有元素的資訊同步需要做到強一緻性。
什麼叫強一緻性，在做遊戲的時候，在背景内部如果出現了丢幀、丢包、網絡抖動情況，我們在用戶端會是做一些補償，通過一些預測也好、或者一些內插補點的算法，來将我們丢掉的資料包、丢掉這一幀給補上來，但在我們做自動駕駛仿真的時候，是不允許進行這樣的操作。為了保證我們整個自動駕駛仿真世界内所有要素，不管是場景内部的車流、人流 這些要素也好，還是我們被測的自動駕駛車輛，它們所有要素看到場景必須在每一幀是完全一樣。為了保證這一點，我們就不能允許去做任何內插補點和預測，而要保證在每一幀所有要素的運算結果一定要完成，而且要同步到所有其他的要素結果上面來。
是以這裡的話，我們就要進行基于MMO同步技術的二次開發，來進行強一緻性的實作，保證場景内部，那怕是個非常大的地圖，可能幾百平方公裡、幾千平方公裡的地圖，在左上角一輛車動态它這個資料，也可以通過真值系統瞬間、完整、完全準确的傳達給整個地圖的最右下角的車輛的收到的資訊，這是我們使用基于MMO技術、同步技術，來進行更進一步的仿真強一緻性的背景技術，同步我們開發所做的一些工作。
以上就是我給大家分享，我們如何使用遊戲技術，來幫助我們打造自動駕駛仿真系統，來幫助我們提升自動駕駛仿真系統的真實性，進而使用自動駕駛的仿真系統來進一步提升自動駕駛汽車、智能網聯汽車也好，它的安全性的一個工作。
但不管是我們用到遊戲技術，或者是整個行業内一些别的同行會用，更廣闊的上下遊有不同領域的技術，我想強調的是這是件非常嚴肅的事情，說到底隻要涉及到安全，那都不是一個小問題，我們想做的事情是為了極大的保證，大家在使用智能駕駛汽車，使用自動駕駛模式的時候一個駕駛安全性問題。
雖然我們用了很多遊戲技術，但其實我們是非常嚴肅使用遊戲技術在自動駕駛這個行業内部，嚴肅去解決自動駕駛安全性問題。我們也是希望通過我們做這些工作，通過我們的這些努力，可以讓大家能非常有信心在未來3年、5年内，敢于将汽車的駕駛權交給汽車商的自動駕駛的算法，讓它來代替你進行汽車的駕駛。謝謝大家，以上就是我今天的分享。