Надлежащее и надежное обучение ИИ необходимо для разработки надежных и безопасных автономных транспортных средств. Это, в свою очередь, требует богатых, качественных и непредвзятых обучающих наборов данных.
Сегодня большинство разработчиков автономных транспортных средств обучают и проверяют свои модели в реальном мире. Наборы данных получаются и кропотливо помечаются для получения обучающих данных. Однако существует огромное количество сложных случаев, которые невозможно легко воспроизвести, проехав пробные мили в реальном мире. Они редки и их трудно найти, но они представляют собой наиболее сложные и непредсказуемые сценарии, и о них следует позаботиться, чтобы оптимизировать безопасность автомобиля.
Кроме того, системы, обученные на реальных наборах данных, подвержены статистической погрешности из-за невозможности собрать статистически сбалансированный (непредвзятый) диапазон элементов окружающей среды (например, изменение условий погоды и освещения, неоднозначное расположение дорожек, нестандартные транспортные средства, запутанная сигнализация, пешеходы, животные и т. д.).
Синтетические наборы данных могут создавать неограниченные вариации цифровых сценариев, освещения (движение транспорта, улица, здания, положение солнца, ночные условия) и особенностей пейзажа, таких как атмосферные эффекты, повреждения объектов, другие транспортные средства, планировка дорог. и пешеходы. Миллионы виртуальных миль можно обучить и протестировать за долю времени и денег, гарантируя конкурентное преимущество перед командами, полагающимися исключительно на наборы данных из реального мира.
