编译 / 刘梦婷
在开发和测试新型自动驾驶汽车时，仿真系统发挥着重要作用，其随机生成的虚拟场景的真实程度，对于构建基于视觉的算法和进行驾驶员实验至关重要。仿真环境真实度不足，会对自动驾驶系统的训练效果造成影响。
据外媒报道，俄亥俄州立大学（Ohio State University）的研究人员开发出一种新方法来为仿真系统创建真实感图像，为更好地测试无人驾驶汽车铺平了道路。这项研究还得到了美国交通部的支持，并发表在《IEEE智能交通系统汇刊》上。
该研究的主要作者、俄亥俄州立大学电气和计算机工程研究助理Ekim Yurtsever表示：「仿真系统看起来像电脑游戏时，大多数人都不会认真对待，所以我们希望可以使仿真看起来尽可能接近现实世界。」
当前，仿真系统存在看起来不够逼真的问题，尤其是树木和道路标记等背景物体。传统的计算机图形学使用精细的模型、网格和纹理来渲染来自3D场景的2D图像，该过程需要较多劳动力，且产生的图像往往不真实。
然而，通过使用一种称为生成式对抗网络（GAN）的机器学习框架，研究人员能够提高程序的视觉逼真度，训练其随机生成逼真的环境，这可以帮助测试人类在无人驾驶车辆中或路上的反应。
据悉，俄亥俄州立大学的研究人员以开源仿真系统器CARLA作为基础，使用基于生成式对抗网络（GAN）的图像合成器来渲染建筑、植被甚至天空等背景元素，并将它们与传统的渲染对象结合起来。
Yurtsever介绍，仿真系统将继续需要传统的、劳动密集型的图形渲染技术来显示主要对象，如附近的汽车，但人工智能可以训练GAN使用真实世界的数据，生成逼真的背景和前景。
总的来说，该团队提出的图像生成策略，是将不含纹理的简单物体模型组成的3D场景形成2D语义图像，然后通过在真实驾驶场景中训练的先进GAN，把语义图像转换成逼真的RGB图像，最后将部分渲染图像和GAN合成图像进行混合。研究表明，与传统方法相比，使用该方法生成的图像更接近于真实的驾驶数据集。
Yurtsever称，「它的美妙之处在于，模型中的这些图案和纹理不是由工程师设计的。我们有一个特征识别模板，但神经网络可以自己学习。」
不过，研究中他们也面临了一些挑战，其中之一是教程序识别环境中的模式。这是一项探测和创建车辆、树木和阴影等物体，并将这些物体彼此区分开来的必要技能。
研究人员发现，将前景对象与背景景物混合在一起可以提高整个图像的真实感，但该过程必须逐帧进行，而不是一次修改整个模拟过程。由于人类并不是生活在一个逐帧的世界中，该项目的下一步将是提高程序的时间一致性，让每一帧与其前后的帧保持一致，以便带来视觉上引人入胜的流畅体验。
「我们的研究是概念化和测试新想法极其重要的一步。实际上，我们永远无法取代真实世界的测试，但如果我们能把模拟做得更好一点，我们就能更好地了解如何改善自动驾驶系统，以及如何与它们互动。」Yurtsever说。
他还谈到，真实感技术的发展可以帮助科学家研究驾驶员分心的复杂性，且有助于改进真实驾驶员的实验。通过获取更大的路边场景数据集，更沉浸式的仿真系统可能会改变人类和人工智能共享道路的方式。
原文链接：
https://www.sciencedaily.com/releases/2022/08/220829130002.htm
