今天小编要和大家分享的是模拟技术相关信息，接下来我将从模拟技术在无人驾驶领域的应用，查看源网页这几个方面来介绍。
模拟技术相关技术文章模拟技术在无人驾驶领域的应用
无人驾驶车领域，技术的每一步发展都必须以保障个人安全为丈量，由是它的发展除了将带给人们欢喜鼓舞的便利之外，也引发了对其安全性的担忧。本文作者 Michael Dempsey 在“How to drive 10 billion miles in an autonomous vehicle”一文中分享了另一种解决思路，即利用模拟技术预演可能遇到的行车场景，并认为该逻辑能够进一步加深人们对于相关领域的认知。
谷歌、特拉斯、Zoox……还有更多公司借助模拟的方法力图使无人驾驶车的行驶里程尽快达到十亿英里。目前，无人驾驶车的发展存在两个瓶颈：一是官方对于车辆最低里程数的要求。二是实验和测试模型仍待优化。
工程师基于大数据完善无人车辆的行使模型，实验场景从太阳光到传感器，再从不同角度的传感器到汽车前方的飞行障碍以及异常的外界行为等。
而问题在于在重现现实场景并不容易，也不安全。
兰德的一份报告发现，如果要测试无人驾驶的安全性是否达到可以接受的程度，实则需要上万英里甚至数十亿英里的实验里程作证明。
“即使作最合理的打算，现有的无人驾驶车也需要几十年甚至数百年的时间才能完成预定的里程测试。而如果将测试放在现实道路上，则会是一个不可能完成的任务。”
用什么方法才能不断提高无人驾驶车辆的可靠性？
像 Uber、Lyft 和 Zoox 这样的公司诞生于大城市，并在一定条件下进行运作以降低自身的技术壁垒。但是这可能适用于世界各地的 Uber 们，而像传统的原始设备制造商则选择通过不断更新汽车的自动化功能来弥合与共享技术的差距。
因此，我们可以绕过在目前需要大量数据的传统技术方法，而建构起能够进行推理和学习小量数据的模型。公司在去年被 Uber 收购的加里·马库斯花了几年时间研究这个问题，但此类学习模型至今还没有在无人机中成为现实。
不要忘了仿真模拟
从软件到硬件的仿真模拟被合理建模时，就会为公司实验和测试他们的汽车模式提供可能性。
这包括各种各样的应用场景，包括交通、司机行为、天气以及道路环境等。
还要考虑传感器的使用情形。需要多少个相机和雷达？它们应该被放置在哪里？应该使用哪种模型硬件？