2017年6月，我們在位于安阿伯的密歇根大學北校區，建立了全球首個自動駕駛汽車全尺寸試驗臺——Mcity實施了增強現實環境。它占地32英畝，其8車道公里（5車道英里）的道路被安排在具有高速公路、多車道主干道或交叉路口屬性的路段。

自動測試車配備了車載設備，可以監測如位置、速度、加速度和航向等車輛狀態，每隔十分之一秒發出一次。利用專門的短程通信（DSRC）來實現無線傳輸（DSRC是一種類似于專為移動用戶設計的Wi-Fi的標準）。此外，分布在測試設施周圍的路邊設備接收這些信息并將其轉發給一個交通模擬模型，該模型可以通過將測試設備簡化為包含交通信號動作的等效網絡幾何來模擬該測試設備。一旦計算機模型接收到測試車信息，就會創建測試車的虛擬副本。然后，它根據真實測試車的運動來更新虛擬車的運動。

將真實測試車輛的數據輸入計算機模擬中只構成了一半的回路。我們通過向測試車發送計算機模擬的各種車輛的信息來完成另一半。這就是增強現實環境的本質。每一輛模擬車輛會產生頻率為10赫茲的車輛狀態信息，我們將這些信息轉發給路邊的設備，這些設備反過來又會實時散出（廣播）這些信息。當真正的測試車接收到這些數據時，它的車輛控制系統會使用這些數據來“查看”所有的虛擬車輛。對汽車而言，這些模擬的實體與真實的東西沒有什么區別。

通過路邊的設備傳遞信息——也就是說，用“V2I”的連接代替直接的“V2V”連接——真實車輛和虛擬車輛可以相互感應并進行相應交互。同樣，真實世界和模擬世界之間的交通信號狀態也是同步的。這樣，真實的和虛擬的交通工具都可以“看到”給定的光，并判斷它是綠色還是紅色。

在真實世界和模擬世界之間傳遞的狀態信息也當然包括車輛位置。這允許將實際的車輛映射到模擬的道路網絡中去，并將模擬的車輛映射到實際的道路上。實際車輛的位置由GPS坐標（緯度、經度和海拔）和模擬車輛的局部坐標（x、y和z）定位。

但是這種精確的轉換并不是全部需要。GPS和地圖細微的誤差，會阻止GPS的位置出現在模擬道路上。GPS獲取的位置是從實際的測試車轉過來，然后轉換到本地的坐標系統上。為此，我們使用單獨的映射算法來糾正這些錯誤。此外，當測試車停止時，我們必須在模擬環境中鎖定它的位置，這樣它的GPS坐標的波動就不會導致它在模擬中偏離。

無線電收發器［白色物體，頂部］從汽車中獲取數據，并返回計算機生成的虛擬數據。一個虛擬對象是一列火車。汽車剎車以避免闖紅燈的虛擬車（從上數第三）。許多交通模式可以在一個小空間中產生

無線通信將作為這一切的傳輸樞紐。為了確保其可靠性，我們在Mcity安裝了四個路邊收音機，足以覆蓋整個測試設施。DSRC無線標準，運行在5.9千兆赫波段，為我們提供了較高的數據傳輸速率和非常低的延遲，在高速行駛和緊急停車時，這些裝置對安全至關重要。DSRC在日本和歐洲廣泛使用;雖然凱迪拉克目前正在為其部分車型配備DSRC設備，但它在美國還沒有獲得太多關注。

然而，我們還不確定DSRC是否會成為汽車之間交流的方式。一些人認為，蜂窩通信（C-V2X），尤其是在即將到來的5G實現中，可能會提供更大范圍的低延遲。無論哪種標準勝出，我們系統中使用的通信協議都可以很容易地適應它。

我們希望用于構建系統的軟件框架能持續扛一段時間，至少能用幾年。我們使用PTV Vissim構建了我們的模擬，這是一個在德國開發的用于“微觀地”模擬交通流量的商業軟件包，即模擬每輛車的行為。

可以預期是，其他公司開始使用我們的系統來測試他們自己的自動駕駛車輛。目前，我們的一輛林肯MKZ混合動力作為測試車，它配備了DSRC，因此可以完全連接。我們添加到汽車上的線控系統允許軟件控制方向盤、油門、剎車和變速器。這輛車還攜帶多部雷達、激光雷達、照相機和一個實時運動定位的GPS接收器，通過參考來自地面無線電臺的信號來提高分辨率。

Mcity測試車攜帶激光雷達（一種激光測距儀），既可用于圓形視野（由旋轉的屋頂塔提供），也可用于前方聚焦。雷達補充了這種感覺，而GPS以一種高度精確的無線電校正——使裝備更加完善。

目前，我們已經實現了兩個測試場景。在第一個場景中，系統生成一個虛擬火車，并將其投射到測試車所感知到的增強現實中，此時火車正在接近Mcity的一個鐵路道口模型。關鍵是看測試車是否能及時停車，然后等待火車通過。我們還加入了其他虛擬交通工具，例如測試車之后的汽車。這些一列列的汽車——實際的和虛擬的——可以被正式安排為車隊（稱為車隊），或者是臨時安排：也許是排隊進入匝道的汽車。

第二個更復雜的測試場景涉及我們前面提到的情況——運行紅燈。根據美國汽車協會（American Automobile Association）的數據，在美國，闖紅燈的汽車造成的死亡人數占十字路口死亡人數的四分之一以上。這個場景有兩個目的：觀察測試車對交通信號的反應，以及它對闖紅燈違章行為的反應。

我們的測試車能夠分辨出信號是紅還是綠，并據此決定是停還是走。它還應該能夠注意到模擬的紅燈車的逼近，預測它的軌跡，并計算當測試車穿過軌跡時，它可能在的位置。測試車應該能夠做好所有這些事情來避免碰撞。

由于運行模擬的計算機可以完全控制紅光流道的動作，因此它可以在連續的實驗迭代中生成各種各樣的測試參數。這正是計算機能比任何人類駕駛員做得更精確的原因。當然，整個實驗可以在完全安全的情況下進行。

其實還有很多這樣的邊緣情況模擬可以做。例如，我們可以使用增強現實環境來評估測試車輛處理復雜駕駛情況的能力，比如從一個停車標志向左拐到一條主要公路上。車輛需要尋找來往兩個方向的交通空隙，同時留意可能會在標志處橫過的行人。汽車可以先在中間停車，也可以直接駛入想要的車道。這涉及到若干個階段的決策過程，所有階段都考慮到其他車輛的行動（包括預測它們將如何對測試車的行動作出反應）。

另一個例子是在沒有交通信號幫助的情況下，在環形交叉路口進行進出或讓車的情況。在這里，測試車需要預測其他車輛的下一步，決策一個可接受的差距，用來并道，并觀察其他的車輛。我們還可以與自行車、行人和其他道路使用者（如農用機械）一起構建增強現實場景。此類替代角色的可預測性越低，自動駕駛汽車所需的智能就越多。

最后，我們希望構建一個包含邊緣用例的大型測試場景庫，然后使用增強現實測試環境重復運行測試。我們現在正在建立這樣的數據庫，其中包括從實際車禍報告中搜集的數據，以及裝載傳感器的車輛觀察到的人們在不知道自己是實驗參與者的情況下是如何駕駛的。通過將不同的邊緣條件疊加一起，我們希望創造出對自動駕駛汽車上運行的軟件特別具有挑戰性的人工邊緣情況。

有了這樣的裝備，我們應該能夠看到一輛特定的自動駕駛汽車有多安全，而不必非得在有太陽的前提下才夠膽量去開了。