盖世汽车讯 据外媒报道，驾驶仿真公司rFpro开发了一种新的仿真方法，即Data Farming（数据农场），可以削减大规模仿真的硬件成本，甚至有可能取代人工逐帧添加注释创建测试数据的方式。
（图片来源：rFpro官网）
rFpro董事总经理Matt Daley表示，“目前，许多自动驾驶领域的玩家都雇佣员工，手动标注视频中、激光雷达点或雷达返回的每一帧，以识别场景中的物体（如其他车辆、行人、道路标志和交通信号）来创建训练数据。人工注释每帧大约需要30分钟，出错率为10%。而rFpro的新方法提供一种数字化的、成本效益高、不会出错的方法来创建完相同的数据，并且比人工标注快10,000倍。这一改进大大降低了生成训练数据所花费的成本和时间，将使深度学习发挥其潜力。”
Data Farming使客户能够建立涵盖整个车辆系统的完整数据集，在车辆系统中每个传感器都同时进行模拟。所有传感器，即使是具有复杂硬件设计的传感器的数据都将同步。当客户使用传感器融合技术将数据（例如来自多个8K HDR立体摄像头、激光雷达和雷达传感器的数据）同时融合在一起时，这一方法至关重要。”
Data Farming已被一些客户采用，包括全球Tier1供应商电装。电装项目经理Francisco Eslava-Medina称，“利用Data Farming，我们只需投资单一平台，就能创建大量的驾驶场景，并生成大量的场景变化。这使我们能够快速、低成本地生成大量高质量的训练数据，这些数据对于计算机视觉技术的特定产品开发阶段而言，尤其是对于自动驾驶汽车技术神经网络而言，都是至关重要的。”
此种新方法允许客户利用单个PC执行涉及多个传感器的复杂仿真。Daley补充说，“仿真不必实时运行，为用户提供了计算能力方面的灵活性。而且对于工程师而言，可以节省预算。总之，Data Farming能使客户更容易获得高质量的训练和测试数据。此外，Data Farming是完全可扩展的，允许客户准备加速数据生成时，跨多个硬件资源进行扩展。”
