WNEVC 2020 | 腾讯苏奎峰：数字孪生加速自动驾驶落地

2020年9月27-30日，第二届世界新能源汽车大会在海南省海口召开，本次大会以“共克时艰、跨界协同、合作共赢”为主题，为进一步加强国际交流与合作，加速突破新能源汽车市场化障碍，加快推进“电动化、智能化、共享化”融合发展，由中国科协、海南省人民政府、科学技术部、工业和信息化部、国家市场监督管理总局共同举办。其中，在9月29日举办的“数字化技术驱动汽车产业新变革”主题峰会上，腾讯自动驾驶业务总经理苏奎峰发表精彩演讲。

其主要观点如下：

• 虚拟孪生最大的价值是对虚拟世界的干预控制，并对现实世界的应用给以提示；

• 对虚拟孪生来讲，数据是基础、模型是核心、服务是重点；

• 虚拟孪生世界是一个动态的、实时更新的世界；是对现实世界的模拟、计算、预判、反馈的生态系统。

以下内容为现场演讲实录：

各位领导各位嘉宾，下午好。我今天给大家分享的题目是数字孪生技术驱动自动驾驶加速创新。前段时间科协公布了十大创新研究领域，最后一个叫虚拟孪生理论和技术应用研究。作为国家重点的研究方向，我们今天本质上是用虚拟孪生在做数字驾驶，更确切一点是用数字仿真来做我们的工作。

数字孪生其实用到的就是一些感知计算建模的技术，通过软件把物理进行描述，然后做诊断、预测、最终到决策的一个过程。我们回顾一下个技术的发展历程，本身就是从机械化、自动化、数字化、到智能化的过程，我们刚好处在一个数字化向智能化转变的过程中，处在数字化的浪潮中，刚刚迈进智能化的过程。数字化本身就是将物理世界的信息，转成一个连续的模拟信息再转换成数字信息，有了这样一个数字信息的基础才可以做智能化的工作。

那么在这个里面，无论将来还是当下的市场，数字化是核心，将这些数字在线进行描述，让在线的数据和现实数据互通，这才是我们真正要探索的方向。所以，我们整个物理上的世界通过传感器，这个传感器包括车辆智能传感器，比如说激光雷达、航空雷达、摄像头、手机等这些移动终端，也包括大规模的5G技术路测终端，将物理世界数据化以后进入模拟世界，数据驱动模型、精准模型进行校准描述。这其实体现另外一个虚拟孪生的点，它是一个动态的。过去我们只讲把这个世界进行描述，是一一影射的关系，当下正是因为传感器的数据上传，以及我们云端数据的闭环，使得我们这个系统是一个闭环更新的系统，是不断的更新，而且由于数据驱动也有一定自我学习，在云端虚拟孪生系统是通过模型构建的自我迭代的一个系统。

基于这样的系统我们才可以分析模拟和预测，进行精准的服务，这个过程中很重要的一个问题在于模型本身有一定的干预性。虚拟孪生更大的价值在于你对虚拟世界的干预，我做预测必须有干预的能力才可以做预测，干预完以后有了预测的结果才可以做更精准的决策，本质上数据是基础，模型是我们的核心。当然这个模型是有数据驱动的模型，也有我们传统的基于物理的模型。物理上的模型国内来讲还是比较落后的，需要加以努力，但是数据驱动模型方面，我相信在国内技术很好，云的服务也是领先的，是有一定的核心技术的。基于这样的模型，最终的重点是无论你怎么描述这个世界怎么干预这个世界，你核心的重点还是服务，这是我们的重点。建一个虚拟的孪生世界的核心最终的结果还是以服务出发。

我们腾讯以虚拟孪生做我们的数据驾驶，当下我们通过地面的无人车激光雷达、摄像头等来做一个静态的模型，有了静态模型以后，我们通过自动驾驶车的传感器，路测的感知设备，动态的获取这些数据，时时更新这些模型。在描述模型的时候基于物理的规则、数据的驱动，有了这些模型以后，有了这些动态数据以后，还可以有各种天气的模拟，这样整个虚拟孪生世界是动态时时更新的世界。在这个世界里，我们能直接看到，除了自动驾驶还可以仿真，过去城市交通治理的时候我们做的都是科研，没有实施数据。而现在可以从十字路口的监控摄像头和卡口的信号，甚至一些传感器获取时时信息做仿真，反过来基于这样的一些信息可以反哺自动驾驶。

举个例子，在一个交叉路口，这些传感器快速的形成模型，实际上在通过一些训练数据训练的模型以后，可以把其中任何一个车辆抽出来把自动驾驶车辆放在这个环境里面来进行测试，极大提升了测试的效果。一旦做仿真测试的时候，最大的问题就是和现实的一致性，如何做到一致，我们的方法就是拿现实数据来做。整个架构来说我们是云端实际的道路，总体数字化网络化智能化，在数字化方面，大家知道，通过路上各种设备以及移动的设备获取数据信息，通过5G网络和其他的通讯网络，实现云端的智能化的数字孪生的互通。

这是我们在上海做的一个测试，我们看路测的实际视频，左侧是仿真场景；通过拍摄环境信息，可以动态改变虚拟环境的情况。

刚才我提到这个过程当中很重要的一个方面是模型的图片，当我们物理模型还没有做到足够好的时候通过数据驱动的方式把这个短板一定程度上进行弥补。同时开辟另外一条道路，基于数据来做的不单单是仿真；在自动驾驶开发测试中，在数据利用效率和整套测试中，国内技术应该是走在全球的前列。

从数据的采集甚至到量产车数字回传的一些数据，通过这些数据可以进行场景的布建，实现场景分析平测以及仿真的测试，最后支持到车本身。按照我们的规则来验证，从软件的、硬件的、车载的，尤其车载的简单汇报一下，它是虚拟结合在一起，形成一个闭环的体系。我们原来做仿真的时候只能做到一些局部的仿真和场景仿真，对于车本身的自动系统我们就在马路上，在马路上跑的时候没有足够的场景和虚拟的场景给它注入到车里，我深知把高德地图也注入到车里面。经常举这个例子，赋能的地图场景环境映射到任何一个地方的一个测试区域里面，场景可能是任何一个场景，但是对于车本身，它就是一个水泥的马路或是柏油马路，它的整个动态交互都在车里面呈现，能够真正提高测试效率，尤其在道路方面模拟环境的时候也能够更接近真实的环境，这也是我们在做的一些工作。

当然模型和原来传统的测试最大的区别在于，我们需要大量的海量的场景，我们所面临的场景不再是有限的场景，它可能是无限的场景，面对不确定性，需要大量的数据生成这些场景，我们在这方面也做了大量的工作。一方面我们可以用真实的道路去生成一些场景，基于这些场景在做一些数据分析，另外通过原来的经验，甚至一些安全事故的数据库恢复一些场景，所以这些通过参数化以后可以更大规模的分析。只有通过这样的技术手段才可以更大规模的覆盖所有的场景，让这个系统更加安全，没有绝对的安全只有更加的安全。所以我们需要采用更多的技术来满足这些。

有了这么大的场景问题就来了，什么样的计算机满足我们的需求，我们只能借助云计算，100毫秒200毫秒，几十万场景几百万场景有多大，所以必须利用云数据，我们在运行加速的情况下大力的做场景快速的测试。这是整个数据驱动的测试体系。

总结起来我们做的这些实际上是，我们在仿真系统里做类似于L2.5、L1的测试，在单机上集成测试验证，同时有这样单机仿真体系以后，有云端的规模场景模拟。还有虚拟城市，我们说我们可以虚实孪生让它迭代运转，另外我们真的覆盖一个城市，让它产生随即的交通流，因为我们不知道真实的场景覆盖有多少，我只能让它加速去跑在这个区域里上千万台自动驾驶车，一旦出了问题，我把沉淀下来的作一个测试，只有这样的过程才能让你测试运力不断的完整。我们必须借助技术手段让我们的场景变得更加的接近于现实。这是我们在做的仿真的工作。

实际上解决自动驾驶的问题需要我们跳出来看自动驾驶，本身我们在解读一个交通的问题，我们只局限于自动驾驶的时候会面临一个交通问题，你只关注自动驾驶。我们需要站在一个城市的交通的治理角度去看如何解决自动驾驶的问题，我们也会基于仿真技术使这个交通更合理。有几个维度，一个是说我们在看这个交通问题的时候，或者说看自动驾驶问题的时候，看到核心的本源是什么，在我们看来，它实际上就是交通治理，更多的问题是因为交通出了事故，是人的不确定因素导致了交通的问题，我们自动驾驶的核心就是把人的行为不确定因素变成确定因素解决交通问题。所以我们会从这个角度去思考如何利用数据仿真模型做一个城市级的从微观到纵观、到宏观的来协助这个城市，让这个交通变得更加好，反过来也救助于无人驾驶的发展。所以无论是车路协同还是怎么样，我们都需要在一起去看，从大的范围来解决问题。这就是自动驾驶仿真的技术能够支撑智慧交通和城市发展。

最后有一段视频分享一下我们在做的工作。（播放视频）

所以你想做仿真，哪怕路上的车道线都应该是真实的。对腾讯来说不仅仅在游戏当中有很多的积累，希望在无人驾驶方面也有很多的积累，希望这些技术能更好的加速我们的发展，我们本身是助力无人驾驶，希望我们的技术积累能够使我们的交通变得更加的友好。谢谢大家。

（注：本文根据现场速记整理，未经演讲嘉宾审阅）