同时，灵活的随机排列也十分重要。基于此，在路上就不需要把车队和可靠的司机紧紧绑在一起。
我们仍未抵达终点
如今，诸如 Vires、TaSS PreScan、CarSim、Oktal ScanNer 和 ROS Gazebo 等产品给工程师模拟传感器及其发生机制和机械结构提供了可能。 尽管它们各有所长，但却同时忽视了对于模拟而言至关重要的领域，这包括过分简化现有的传感器输出，以及对环境如何影响自主模型的复杂程度的了解。
然而随着技术的不断发展，我们必须考虑如何以高保真的方式执行、插入和测试硬件与软件的融合之物。
高保真的模拟环境
虽然模拟大多数传感器对于外界的感知存在困难，但是简单的模拟在车辆上的应用越来越普遍。
由于低成本的 LiDARs 未实现的承诺和高端单元的短缺使得 OEMs 和 Tier 1 的可伸缩性变得困难，因此光学相机被报以期待。
模拟相机的模拟数据与输入的数据没有误差，因此为了正确地测试对外界感知程度，工程师需要建构出逼真的模拟环境。但是建造一个复杂的模拟光圈则非常昂贵且存在困难，因此没有人能够为了打造一辆无人汽车而模拟这个环境。
大约在一年前，我遇到了克雷格。当时他正在发布一个他称之为 DeepDrive 的东西。我后来得知，作为早期的工程师之一，他利用游戏兜售 1.37 亿美元的开发成本重现现实世界的场景，并通过展示高保真度的景象 。.. 来支持无人驾驶汽车。
几个月后，克雷格加入了一家名为 Uber 的小型初创公司，专注于研究模拟。
普林斯顿大学的一个研究小组详细介绍了使用 GTA V 的优势。它将世界范围划分为 100 平方英里、400 万人、262 种车辆、1167 种不同的生物、14 种天气条件、以及在城市、农村和林地环境中的 7 万多条动态路段。
模拟行使里程真的有用吗？
对于模拟里程效用的观点不一
支持一方认为，模拟可以用来模拟罕见情况和基线数据，罕见的情况是指难以重现或足够随机的场景。如果无人驾驶能够提供 99%的可靠性，因为大部分场景已经通过模拟得以优化。而 AI 或 ML 的一些未来技术迭代则允许我们在没有事先数据预备的情况下，对极端情况做出反应。
排除特殊情况之外，仿真对于构建基础数据集也非常有用，并且在此基础上不断进行进一步的测试。
反对一方则认为与此相对应的是：模拟环境不够好以至于不能高效地生成模型。通常，这是一个环境与车辆交互的场景，并且很难在现实场景中复现。此外，还存在着图像保真度过低的情景。