在一些關鍵的開發與駕駛場景中，系統根本不可能留給“影子駕駛員”充裕的反應時間，以充分了解當下的駕駛環境，重新取得對車輛的有效控制，并保證安全。

在自動駕駛汽車研發與測試中，開發商通常會采用公共道路“影子駕駛”模式，也就是說車上會配備一名人類駕駛員，但這位駕駛員并不操控方向盤，僅觀察被測系統的運轉情況。但這一作法實際有兩個大前提，第一是車輛已經學會如何適當地應對駕駛過程中的各種事件；第二是人類駕駛員（觀察者）的反應足夠快，可以阻止任何不利結果的發生。

由于各種各樣的原因，看起來“影子駕駛”模式似乎是目前完全自動駕駛汽車研發與測試中不可或缺的組成部分。

事實上，自動駕駛汽車的測試并不輕松，每家制造商均需累積大約一萬億英里的自動駕駛里程，并覆蓋甚至多次覆蓋所有可能的場景。根據作者的保守估計，假設配置 23.4萬 輛汽車，每天以時速 50 英里 24 小時運行，那么累計一萬億英里自動駕駛里程需要 10 年，成本高達 3000 億美元以上。

除了成本，“影子駕駛員”還存在安全方面的隱患。舉個例子，為了訓練人工智能和 SAE L3級自動駕駛及控制交接功能，廠商必須讓車輛經歷一系列真實事故場景。小至剮蹭追尾，大到其他更加危險、更加復雜的場景，整個訓練過程可能涉及成千上萬個事故場景，極有可能造成不同程度的傷害，甚至傷亡。另外，此類事故場景還必須加上公共道路測試，這也會讓整個測試過程更加危險。無論是一些正在借助“影子駕駛員”進行研發測試的系統，還是已經投入使用的 SAE L3 級公共自動駕駛汽車，目前這些系統根本不可能留給“影子駕駛員”充裕的反應時間，以充分了解當下的駕駛環境，重新取得對車輛的有效控制，并保證安全。

正如最近幾起自動駕駛事故所掀起的風波一樣，“影子駕駛員”出現在公共道路上，有可能削弱消費者對自動駕駛汽車的信心與支持，甚至引來鋪天蓋地的負面媒體報道，催生更加嚴格的監管，招致無休止的訴訟，還會造成投資者的信任喪失，給自動駕駛汽車的發展帶來沉重的后果，并最終將這項有潛力挽救成數十萬民眾的技術扼殺在搖籃之中。

值得慶幸的是，我們還有一個解決方案，那就是使用“完整模擬”完成主要驗證過程，降低行業對“影子駕駛員”的依賴。該解決方案采用“全系統工程”方法設計，以客戶的用戶需求和設計流程為基礎，并包含“最終狀態場景”。

福特和Argo AI正在開發一套虛擬駕駛員系統，支持汽車制造商及其他潛在公司的自動駕駛汽車研發。

合情合理的模擬手段

目前，汽車行業使用的模擬系統遠未達到航空航天行業的水平和復雜度（即美國聯邦航空管理局FAA的D 級規定），也沒有采用適當的實時架構。現階段，車輛、輪胎和道路模擬的模型均不夠精確，特別是在模擬一些惡劣條件時。人工智能看起來似乎已經做好了學習準備，但事實并非如此。更可怕的是，直至真實場景發生之前，此類情況通常都很難發現，而一旦發生，則會給項目進展帶來沉重的時間和執行壓力，甚至直接讓項目叫停。

注意，這些問題并不會暴露在一些常規測試場景下，只有當面對一些非常復雜，或對時間要求很高的場景，迫使車輛達到甚至超過性能極限時才會出現，而這通常也正是問題的開始。

假如不配備全動系統(full motion systems)，一些駕駛員在環（DiL）模擬器可能會讓開發人員的信心爆棚，但真實情況并非如此樂觀。運動系統設備可以配合真人模擬器使用，用于模擬自動駕駛行程，并允許開發人員評估車上人員的暈車感、舒適感及對自動駕駛汽車的信任水平。除了配備合適的運動系統外，開發人員還可以借助“航空航天/DoD/FAA”的仿真技術、最佳做法和測試方法，解決汽車行業面臨的自動駕駛模擬挑戰。這是因為，一些國防城市戰爭游戲的游戲場景與很多復雜駕駛場景高度重合，另外還有一些采用了專業模型并提供實時保真的效果，尤其可以發揮重要作用。

如圖所示，大多數自動駕駛汽車開發商均無法履行之前的承諾，即在有限范圍內推出真正具備SAE L4-L5級自動駕駛功能的自動駕駛汽車。(數據來源：Eric Paul Dennis/Center for Automotive Research)

數據方法論至關重要

并預先定義和構建最困難的場景，整個項目可能將最終遠超預計時間，才能做到所有模擬場景的執行，包括在當下及未來無休止地重復修補這些復雜場景。

如果采用敏捷開發流程，可能浪費的時間將難以預估，而且從歷史經驗來看，一些較為復雜的元素通常很難完成，這只能為日后開發埋下隱患。此外，除非遭遇到一些最復雜和最困難的場景，否則這些設計缺陷通常很難暴露。最終，項目可能不得不進行“修修補補”，大量返工，而不是在一開始就在許多常見場景中設置妥當。

目前，“邊緣場景”和“角落場景”經常用于描述事故情景。但事實上，事故情景與任何其他情景并無差別，只是結果是沒有人想看到而已。一些真正的“邊緣場景”或“角落場景”是在任何情況下都不應該，也不可能發生的 — 例如要求搜索引擎尋找一張貓的圖像，但最終得到的是一張垃圾桶的圖像。工程師通常不會覆蓋所有可能的事故場景，也就是被他們劃分在“核心場景”之外的“邊緣場景”或“角落場景”。也正因如此，人們有理由進行必要的盡職調查。

模擬仿真的目標應集中在為 AI 堆棧提供可用于辨別不同物體的數字表達式，采用相同的輸入速率，并具備相同的模糊度，從而找到妨礙 AI 堆棧做出正確決定的問題。這些數據集中，最難實現的部分常被稱為“邊緣”或“角落”場景；然而，這些場景才是判斷 AI 堆棧是否具備成功決策能力的關鍵案例。為了清晰定義這些案例，并明確每個案例的預期結果，我們需要一種條理分明的可管理式遞歸數據方法。

最終狀態場景矩陣

除了提供影響上述系統工程方法的場景數據之外，所有各方（包括政策制定機構、驗證機構、保險公司和制造商等）都需要盡早了解模擬目標，也就是“項目完工”的定義。只有具備對實時變化的支持能力（從而及時修正任何 AI 感知錯誤），場景數據集才能真正稱得上全面，但相應的工作量幾乎與為仿真過程清晰定義“整合’’與“系統模型”一樣可觀。

從地理圍欄到 SAE L4 級和 L5級自動駕駛汽車，要成功實現這些目標，該測試數據集的建立需要依賴眾多數據源和數據域；要求全球汽車開發界開展最高水平的盡職調查；必須確保達到必要的安全水平并能夠證明這一點；還必須映射到上文提到的仿真系統，并與之同步。

在目前的 AV 測試范例做出改變之前，汽車行業永遠不會迎來可以挽救萬千生命的 SAE L4 級自動駕駛汽車，也不會迎來真正的全自動駕駛汽車。