Jeremy Seaman中士和他的團隊在綜合訓練環境中測試了一個可重構虛擬集體教練機的原型，2ABCT的成員測試了下一代車輛訓練模擬器的不同版本，并提供了他們的反饋，以確保原型在部署前滿足所有要求的規范。

戰爭不適合收集數據。

雖然現代戰場是一個傳感器豐富的環境，但這些傳感器本身就是問題的來源。有時，故障可能是由于一些無處不在的東西，如來自太陽的眩光。

但在設計需要數據來訓練和運行的自主車輛時，產生了一個問題。輸入合成數據，或虛擬創建的傳感器輸入，反映可能發生但未在模擬外部記錄的場景。

對于罕見的事件或數據特別難以收集的場景，可以將合成數據合并到訓練模型中，使人工智能能夠從真實和模擬的經驗中學習。在真實但罕見的場景中訓練自動駕駛汽車，比如黃昏時穿過高速公路的反光平板，太陽的強光使得僅在中午白天訓練的視覺傳感器無法理解。

NVIDIA Federal的瑪格麗特?阿莫里（Margaret Amori）說：“我們立足于游戲公司，創造了一個完全合成的環境，在這個環境中我們可以測試和訓練這些汽車。”NVIDIA制造顯卡，功能強大的工具，最初用于渲染視頻游戲，現在支持許多高性能的圖像處理。

阿莫里說：“考慮到一輛經過訓練并準備好開動的汽車，要開上百萬英里的路是不可能的。我們可以創造各種瘋狂的條件和危險場景，我們不想在現實世界中復制。我的意思是，想象一個世界，就像沒有犯罪的‘俠盜獵車’一樣”。

阿莫里的這番話是11月在底特律舉行的美國陸軍協會人工智能與自主研討會的一部分。為什么軍隊會對學習駕駛汽車穿越街道的算法感興趣呢？

阿莫里說：“基于物理學，它非常逼真和精確。所以你可以隨意移動太陽，只需按一下按鈕，你就可以把它從夏天換到冬天，創造出各種條件，比如太陽眩光，這對我們的傳感器來說是個很大的問題。”

訓練自治系統在不太理想的條件下運行是虛擬環境的一個很好的用例，盡管合成數據并不是整個項目的全部。

對于這一領域的公司來說，找出訓練人工智能所需的合成數據和真實數據的正確組合仍然是一項正在進行的工作。到目前為止，NVIDIA已經注意到當使用至少50%的合成數據時，人工智能導航有了改進，盡管比例可能因任務而異。

在軍事場景中，合成數據可能是唯一可用的數據。

Cadence Systems的Frank Schirrmeister說：“你只需創建一個驅動數據或陸軍內容場景的菜單就行了，基本上可以根據需求自動創建合成數據。”

畢竟，軍用自主車輛的傳感器需要知道如何在強光下工作，但也需要知道如何處理突然出現的灰塵和閃光以及爆炸和其他戰場混亂的障礙物。在實驗室里進行建模，為未來戰場訓練真實世界的機器人，可能是一個增長領域，并把它當作一個需求和控制的問題。

責任編輯：ct