现在的问题是这类复杂算法需要摄像头、雷达以及基于真实世界实物和情景的其他感应器收集的海量数据。人类必须标明这些数据，识别行人、街道等等。收集和标注描述每一个可想象的数据情况是不可能的，例如，事故数据很难得到，这就是VR模拟路测可以帮得到的地方。
近期，Waymo揭露了一项名为Carcraft的道路模拟器。公司表示该模拟器提供了一种在现实世界中无法完成的测量方法。
Waymo的无人车可以在VR道路上花费比现实世界更多的时间。可想而知，与其他公司一样，Waymo也在探索他们的算法，无人车实际上可以从这种模拟器中学习到新的行为方式。
Pratt先生表示丰田汽车已经开始利用道路模拟图片来训练神经网络系统，此研究方法已经获得了前景不错的结果。换句话来说，VR模拟系统已经与真实世界足够相似来训练无人驾驶汽车。
VR模拟无人汽车路测的优势之一是研究人员能够完全掌控它。他们不需要花费时间以及金钱在图像标志上面。Pratt先生解释道，“你对路况真实情况、每辆车位置、行人位置、自行车、甚至天气都了如指掌。”
其他人正在探索一种更复杂的强化学习方法，其中包括DeepMind(Google拥有的伦敦实验室)，伯克利AI研究实验室和OpenAI( Tesla CEO Elon Musk和其他人合伙创建)，这些实验室正在构建算法，允许机器通过密集的试验和错误来学习VR世界中的任务。
DeepMind运用这个方法打造了一个玩古老游戏(围棋)比任何人类都厉害的机器。本质上，这台机器下过了数以千计的围棋，在过程中仔细记录了哪一步取胜，哪一步是败笔。现在， DeepMind和其他领先的实验室正在使用类似的技术来打造机器可以玩像《星际争霸(StarCraft)》这样复杂的电子游戏。
这看起来似乎不可相信，但是如果机器可以在这些VR世界中导航，那么他们同样也可以在真实世界中导航。
例如，在Uber的自动驾驶汽车运营中，研究人员已经将训练系统来玩流行的《侠盗猎车手》游戏，其目的是将这些方法最终应用于现实世界汽车身上。下一步是在拥有真实世界坐标的VR世界中训练系统。
打造连接VR和真实世界的桥梁并不是一件容易的事，Pratt先生说，同时公司必须确保算法不会在自主学习时学到任何意外的或者伤害性行为。这是AI研究人员最大的担忧。
由于各种原因，像丰田和Waymo公司并没有让这些车只完全自主机器学习，他们还手工编写一些更传统的软件来保证行为符合规定。Waymo汽车没有学习在红灯处，例如，关于停车的规则是严格的。
但是，社会更加倾向于机器学习，而非对它加以控制。它提供了更好的方式去训练无人汽车更好做任务像是识别小路。Waymo工程副总裁Dmitri Dolgov解释道，“尤其是当一辆无人汽车需要更加深入的理解它周围的世界的时候，机器人和机器学习是齐头并进，相辅相成的。”
免责声明：科技狗对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。 本网站转载图片、文字之类版权申明，本网站无法鉴别所上传图片或文字的知识版权，如果侵犯，请及时通知我们，本网站将在第一时间及时删除：yzl_300@126.com
