为了训练自动驾驶系统，搜集大量数据让系统学习如何应对各种状况是其中的关键——特斯拉通过量产汽车搜集，Google则是耗费8年的时间让无人车到处乱走 ，但现在有更省时省力的方式。
人工智能实验室OpenAI近日开源一套通过《侠盗猎车手》学习的自动驾驶系统，只需要一部电脑、购买一套游戏，人人都可以开发出自动驾驶系统。
可训练自动驾驶系统避免碰撞、到达目的地、维持在道路中央等
由OpenAI开源的自动驾驶训练项目来自“DeepDrive”，其在2015年将《侠盗猎车手》改为适合训练自动驾驶系统的环境（如拿掉游戏中的暴力或违法元素），再将游戏作为自动驾驶系统的训练模拟器，强化系统避免碰撞、到达目的地、维持在道路中央等驾驶行为。
OpenAI将DeepDrive整合进旗下训练AI的虚拟世界Universe，并于近日开源，将繁琐的事前环境设置简化到只需20分钟即可完成。
开源项目除包含将游戏设定为适合训练自动驾驶的程序码，也提供已训练了21小时、相当于60万帧图像的“代理程序”。
就好比你的“自动驾驶司机”已经从驾校学了开车的基本手法和理论，至于之后如何发展需要接回家自己再训练。
自动驾驶系统如同其他人工智能，必须通过大量数据学习。不过，真实世界收集数据的速度有限，相比之下，来自电脑合成并自动标记注释的数据，不仅快速且品质稳定，可加速人工智能训练。
DeepDrive隶属的OpenAI项目一直都是人工智能训练界的一股泥石流，他们的大量项目都是用各种PC、主机、手机游戏来训练人工智能。
而《侠盗猎车手》的高拟真环境，正好相当适合训练自动驾驶系统。该游戏的场景范围约是1/5个洛杉矶大，路况包含蜿蜒的城市街道、山区、沙漠和高速公路，提供广泛多样的训练场景，且每种场景都能搭配14种不同天气，以及257种不同汽车和7种脚踏车。
通过不同场景、天气和交通工具的排列组合，自动驾驶系统能在短时间内在大量场景中学习。
减少训练成本和时间、让自驾车上路测试前更安全
用《侠盗猎车手》这类的虚拟环境训练人工智能，优势在于可快速处理用于机器学习的数据，自动将场景内的物件分类，例如汽车、行人、自行车、动物、路面、交通标志等，省去辨认和分析的时间及成本。在真实世界，单是收集街道图像和标记物件，都要耗费上千小时。
此外，DeepDrive可加速测试过程、减少测试成本。
过去，要训练AI处理特定事件，如在结冰的道路上行驶，需收集上千小时的道路驾驶经验，但通过游戏模拟器，便可让系统直接针对特定场景学习。这也让自动驾驶系统在实际上路测试前变得更安全，因为在上路前他们已经历过大量模拟事件。
这套开源的程序给了更多人探索自动驾驶的可能，但自动驾驶距离“秋名山车神”的设定还有很长一段路可走。
