不論是開發由人駕駛或由電腦駕駛的車輛，安全都是首重之要。
在開發無人自駕車時，必須在多種行車環境裡再三評估自駕技術，以確保它們比人類駕駛的情況還要更安全，有時候這代表在實際道路上
進行實境測試；然而同樣重要的是，這代表使用模擬道路畫面來增加實際行車里程數。
尤其是在危機重重或罕見行車環境裡進行測試時，有著靈活彈性和多樣性的模擬道路畫面能夠提高測試效果，讓它更受到重視。
要是少了模擬道路畫面，便會難以判斷自動駕駛車對於某些真實情況的應變能力，像是孩童從停放車輛的後方衝出街道，或是另一輛車闖紅燈。
先進的圖形技術也能重現現有路況並加以修正，像是就算你待在沙漠裡，模擬道路畫面仍能按照需求生出一場暴風雪，或是能擺放太陽的位置，模擬出日出日落時光線讓車輛「看不清」四周環境的情況。模擬道路畫面還能設定讓測試者身處險境的路況，像是在高速公路上擺放一處薄到難以看清的冰層。
模擬道路畫面還支援在短暫時間內測試多種路況。NVIDIA 執行長黃仁勳在慕尼黑
GTC Europe 大會開幕主題演講裡，對台下的聽眾們說將超即時的模擬道路畫面搭配
NVIDIA DGX 和嶄新的
TensorRT 3，工程師們就能在五小時內模擬行駛30萬英里的紀錄，只花了兩天就完成模擬在全美所有有鋪設路面之道路上開過一遍的紀錄。
NVIDIA 執行長黃仁勳在 GTC Europe 大會的舞台上介紹 GPU 技術出色的模擬能數位環境的各種特性必須與實體環境一致，以便模擬出的道路畫面有效用於訓練和測試自駕車。有 GPU 助力的細膩圖形與功能強大的物理引擎，誕生出畫面逼真的數位環境。
建立好的模擬道路畫面必須與自動駕駛系統相連結。NVIDIA 採用統一標準的 GPU 架構，讓使用者可輕鬆在實驗室或資料中心裡的模擬環境，以及車內的
NVIDIA DRIVE PX 間搬動自動駕駛技術。
在 GTC 展示模擬環境
DRIVE PX 是一款人工智慧車用超級電腦，會將來自多種車用感應器的資料融合起來、運行自動駕駛所需的複雜軟體演算法，再將自動駕駛指令傳到車輛。
還能設定 DRIVE PX 接受模擬出的感應器資料和輸出模擬的行車指令。多家公司在 GTC Europe 舉辦多場演講和演示活動，介紹他們如何將 DRIVE PX 用在這方面。
IPG 在模擬環境裡使用 DRIVE PX 以測試行人偵測能力。 IPG Automotive 的 Dominik Dörr 介紹了虛擬原型和感應器模型。IPG Automotive 的自動駕駛解決方案讓開發自動駕駛技術的工程師們，能整合多個開發項目，以單一整體的方式進行測試。Dörr 表示此舉能在完成整個原型前，便對單一功能或神經網路進行測試。
這些虛擬原型是在 DRIVE PX 上運行，並且設定 DRIVE PX 在模擬環境裡行駛。DRIVE PX 使用相同方式來評估模擬和實體環境，並且據此給予行車指令。工程師通過這個方式，便能評估他們新的自動駕駛解決方案是否正確運作。
VI-grade 動態駕駛模擬器公司的 Roberto De Vecchi 操控著一款物理模擬器，這款模擬器能用於測試低階自動化能力，人類駕駛在特定路況裡仍需手握方向盤。
VI-grade 的 Roberto De Vecchi 與來自該公司合作夥伴 AddFor 的 Enrico Busto，介紹他們想要測試行車軟體的精準性及軟體影響車內人類的程度。他們為此使用結合人類駕駛投入項目（像是車輛指示需要人類接手駕駛車輛），以及在 DRIVE PX 上運行之自動駕駛軟體的行車模擬器。
在獲得測試結果後便能判斷軟體是否正常運作，還有評估車內有人時的行車體驗。
以數據資料進行駕駛
Rodolphe Tchalekian 介紹 ESI Group 的模擬軟體 Pro-SiVIC 如何建立一個即時、符合真實物理情況的 3D 立體虛擬環境，以用於測試和訓練機器學習演算法。
企業想開發全新自動駕駛機器學習演算法時，需要龐大的訓練資料。如果從實體環境裡收集這些資料，必須煞費苦心地加上各種標籤，自動駕駛演算法才能消化和從中學習。在另一方面，模擬資料卻在建立時便自動加上標籤，省下不少處理時間。
在使用人造資料訓練好新的演算法後，ESI 使用 DRIVE PX 來驗證演算法是否能正確運作。透過上方的影片，可以看到在 Pro-SiVIC 模擬環境裡運行一項經過訓練的機器學習演算法的過程。
TASS 使用 DRIVE PX 在模擬行車環境裡測試保持在車道裡行駛的能力。TASS International 的 Martijn Tideman 則是在 GTC Europe 的一場會議裡，介紹了該公司的 PreScan 模擬平台。PreScan 是一款以物理為基礎的模擬平台，用於評估自動駕駛和其它車輛應用項目。
PreScan 過去用於測試駕駛輔助及車對車通信功能。TASS 近期則是將 PreScan 的資料用於訓練和驗證自動駕駛所需的深度學習演算法。
Tideman 還分享了一項與德國人工智慧研究中心及西門子共同進行的研究案心得，展現出人造資料用於深度學習的價值。該研究案指出在訓練深度學習駕駛演算法時，在實體環境資料裡加入人造資料，會比單獨使用實體環境資料更為有效。
繼在慕尼黑舉行的 GTC Europe 大會後，NVIDIA 還
在以色列舉辦首屆 GPU 科技大會。研發模擬技術的新創公司
Cognata 向五人評審小組說明該公司的商業策略，最終贏得
Inception 大獎競賽活動的冠軍（這是一項為前途光明之人工智慧新創公司所舉行的比賽）。
Cognata 運用獲得專利的演算法，建立有著寫實車輛和行人特徵的模擬城市；也會在模擬環境裡重製感應器的輸入內容，並加入深度學習技術，確保模擬出的感應器動作跟在實體環境裡一模一樣。
從訓練到測試，模擬環境提升了自動駕駛技術的開發結果，在訓練過程中省下了時間和提高效能，也創造出危機四伏或在實體環境裡不符合實際路況的測試情境。
必須由人類駕駛在實際道路上進行測試，以評估新式自動駕駛技術的效能，不過模擬道路畫面也讓我們能補充實體環境的行車時數，創造出更安全的駕駛環境。
想要深入瞭解 GPU 在自動駕駛方面所扮演的角色，以及人工智慧如何改寫了各產業的發展樣貌，請參加
在華盛頓舉行的 GTC DC 大會。