Raquel Urtasun 谈 L4 级自动驾驶卡车：她的初创公司 Waabi 如何用仿真训练 AI
在自动驾驶领域，实现 L4 级（高度自动化）技术一直是行业追求的关键里程碑，尤其是在长途货运等商业场景中。近日，多伦多大学计算机科学教授、前 Uber ATG 首席科学家 Raquel Urtasun 分享了她的初创公司 Waabi 如何通过仿真技术训练 AI，以加速 L4 级自动驾驶卡车的研发。
Waabi 的核心理念：仿真优先
与许多依赖大量真实道路测试的自动驾驶公司不同，Waabi 采用“仿真优先”的策略。Urtasun 指出，真实世界测试成本高昂、风险大，且难以覆盖所有边缘案例（如极端天气、罕见交通事件）。通过构建高保真仿真环境，Waabi 可以快速生成海量训练数据，模拟各种复杂场景，让 AI 系统在虚拟世界中“学习”驾驶决策。
这种方法不仅提升了训练效率，还降低了安全风险——AI 可以在仿真中反复试错，而无需实际车辆上路。Urtasun 强调，仿真的关键在于逼真度：Waabi 的仿真平台整合了物理引擎、传感器模型和动态交通流，以确保 AI 学到的技能能有效迁移到现实。
技术优势与行业背景
在 AI 行业，仿真训练已成为自动驾驶研发的重要趋势。传统方法依赖数百万英里的路测，但仿真能无限扩展场景，尤其适合处理长尾问题（如应对突发行人或车辆故障）。Waabi 的 AI 系统通过强化学习在仿真中优化，专注于卡车特有的挑战，如重型车辆的制动距离、盲区管理和燃油效率。
Urtasun 的背景为 Waabi 提供了独特优势：她在计算机视觉和机器学习领域的专长，帮助公司开发出更高效的感知和规划算法。同时，仿真训练减少了硬件依赖，可能降低自动驾驶卡车的部署成本，这对于货运行业追求经济可行性至关重要。
潜在影响与未来展望
如果成功，Waabi 的方法可能推动 L4 级自动驾驶卡车更快落地。仿真训练可加速合规性测试，帮助应对不同地区的法规差异。然而，挑战依然存在：仿真与现实的差距可能导致“仿真过拟合”，即 AI 在虚拟世界表现良好，但在真实路况中失效。Waabi 需持续优化仿真模型，并辅以有限真实测试进行验证。
总体而言，Raquel Urtasun 和 Waabi 代表了一种创新路径——通过 AI 驱动的仿真，破解自动驾驶的数据瓶颈。随着技术成熟，这或将为货运行业带来更安全、高效的自动化解决方案，但实际进展仍有待观察。
