虛擬數(shù)據(jù)生成的案例
SimData：基于aiSim的高保真虛擬數(shù)據(jù)集生成方案
一、前言
在自動駕駛感知系統(tǒng)的研發(fā)過程中，模型的性能高度依賴于大規(guī)模、高質(zhì)量的感知數(shù)據(jù)集。目前業(yè)界常用的數(shù)據(jù)集包括 KITTI、nuScenes、Waymo Open Dataset 等，它們?yōu)樽詣玉{駛算法的發(fā)展奠定了重要基礎。
然而，構建真實世界的感知數(shù)據(jù)集并非易事——不僅需要投入大量人力、物力與時間成本，還需要面對數(shù)據(jù)采集受限、隱私合規(guī)、標注耗時以及極端場景（corner case）難以獲取等諸多挑戰(zhàn)。
在此背景下，高保真虛擬數(shù)據(jù)集正成為自動駕駛感知算法研究的新方向。通過仿真平臺生成的虛擬數(shù)據(jù)，不僅能夠快速擴充數(shù)據(jù)規(guī)模，還可靈活構造復雜路況、惡劣天氣及罕見事件，為模型提供更全面的訓練樣本。
基于此，本文介紹全新的高保真虛擬數(shù)據(jù)集——SimData。SimData依托aiSim的高精度物理建模與逼真視覺渲染能力，能夠生成多傳感器同步數(shù)據(jù)（包括相機、激光雷達、雷達、IMU 等），實現(xiàn)與真實世界數(shù)據(jù)一致的多模態(tài)特性。SimData數(shù)據(jù)結構嚴格遵循nuScenes數(shù)據(jù)集格式規(guī)范，可直接使用官方nuscenes-devkit工具解析和可視化，大幅降低開發(fā)者上手成本。
本文將介紹SimData的核心特性與構建流程，并展示其在典型感知任務中的表現(xiàn)。SimData 正式版及相關對比測試報告將于近期發(fā)布。
二、SimData構建過程
1、傳感器布局
在 aiSim 仿真平臺中，我們嚴格復現(xiàn)了 nuScenes 數(shù)據(jù)集的傳感器布局，以確保數(shù)據(jù)結構和多模態(tài)同步特性的一致性。 仿真車輛共配置了 6 路環(huán)視相機、5 個雷達（Radar）、1 個激光雷達（LiDAR）、1 個慣性測量單元（IMU）以及 1 個定位系統(tǒng)（GPS）。 其中，相機與雷達的采樣頻率均為 40 Hz，激光雷達的采樣頻率為 80 Hz，能夠滿足高時序精度的多傳感器同步采集需求。
展開 SimData深度解析：高保真虛擬數(shù)據(jù)集的構建與評測
在自動駕駛感知的下半場，數(shù)據(jù)已成為驅動算法迭代的核心燃料。然而，真實路測數(shù)據(jù)面臨著成本高昂、標注困難、極端場景（Corner Cases）難以覆蓋以及安全性受限等“卡脖子”問題。
面對這一核心痛點，虛擬仿真數(shù)據(jù)已成為解決方案中的關鍵角色，成為確保開發(fā)效率與安全性的不可或缺一環(huán)。免費獲取 | SimData高保真虛擬數(shù)據(jù)集開源發(fā)布，兼容nuScenes，開箱即用！文章中，簡單介紹了一下SimData數(shù)據(jù)集情況，本文將深度解析該SimData自動駕駛虛擬數(shù)據(jù)集——由aiSim仿真平臺構建，從數(shù)據(jù)生產(chǎn)工具鏈、數(shù)據(jù)集結構到基于BEVFormer的深度評測，全方位展示高保真合成數(shù)據(jù)的應用價值。
一、 從仿真到標準格式的工具鏈
虛擬數(shù)據(jù)要真正落地，首要解決的是與現(xiàn)有主流數(shù)據(jù)格式的兼容性。SimData方案不僅提供數(shù)據(jù)，更提供了一套完整的aisim2buscenes自動化轉換工具鏈，并且構建了虛擬數(shù)據(jù)集的評測流程框架。
虛擬數(shù)據(jù)集構建以及評測流程框架
1、無縫兼容 nuScenes
我們開發(fā)了自動化腳本與GUI工具，實現(xiàn)了從aiSim導出數(shù)據(jù)到nuScenes標準格式的一鍵轉換。
格式對齊：自動將aiSim原始數(shù)據(jù)（TGA圖像、LAS點云、Radar JSON）轉換為nuScenes兼容格式（JPG、BIN、PCD）。
結構一致：生成的文件夾結構（maps, samples, sweeps, v1.0-custom）可直接被官方nuscenes-devkit解析，無需修改現(xiàn)有訓練代碼。
智能切片：腳本支持多場景、多地圖轉換，默認每場景40關鍵幀（每10幀抽取1關鍵幀），自動處理非關鍵幀歸檔。
展開 從高效計算到數(shù)據(jù)貫通：“MBD+虛擬點”重構公差分析價值
在復雜裝備制造中，公差分析一直面臨兩個現(xiàn)實問題：一是計算效率低，二是數(shù)據(jù)用不起來。前者影響工程進度，后者影響質(zhì)量穩(wěn)定性。如何同時解決這兩個問題，成為公差工程升級的關鍵方向。
為此，誠智鵬基于MBD（基于模型設計）的公差分析，融合虛擬點建模能力，正在形成兩條并行路徑：一條解決“算得快”，一條解決“數(shù)據(jù)貫通”。
（圖1 MBD驅動的高效公差計算與數(shù)據(jù)閉環(huán)體系）
在計算側（圖1左側流程），3DCC通過“MBD +虛擬點建模”的方式，對傳統(tǒng)流程進行了明顯優(yōu)化。工程師可以直接導入帶PMI標注的三維模型，無需重復定義公差；基于模型特征自動生成裝配約束與測量關系，減少虛擬特征創(chuàng)建；通過高集成度約束算法，降低約束數(shù)量和操作步驟。
這一變化的直接結果，是把原來分散、重復的建模工作前移并自動化。在汽車懸架、飛機機身接口等復雜裝配中，尺寸鏈分析效率可提升30%以上，明顯減少人工操作時間。
但在實際工程中，算得快只是第一步。更關鍵的問題是：這些公差數(shù)據(jù)能不能在后續(xù)環(huán)節(jié)繼續(xù)使用。
在數(shù)據(jù)側（圖1右側流程），MBD的作用開始體現(xiàn)出來。過去，設計用的是CAD模型，公差分析單獨建模，工藝和測量又是另一套數(shù)據(jù)，信息在不同系統(tǒng)之間反復轉換，不僅效率低，還容易出錯。而基于MBD的方式，是把公差、尺寸和裝配語義直接寫在三維模型里（PMI）。該模型作為統(tǒng)一數(shù)據(jù)載體，可被設計、仿真、工藝及測量等環(huán)節(jié)直接復用，避免多源數(shù)據(jù)重復構建。
以3DCC為例，公差分析直接基于MBD模型開展，可減少約20%的人工補錄，同時保證設計與制造階段的語義一致。在制造階段，測量數(shù)據(jù)可以回傳，用于驗證分析結果；在后續(xù)型號或批次中，這些數(shù)據(jù)還能作為參考繼續(xù)使用。
展開 自動駕駛虛擬仿真技術（三）：仿真測試場景數(shù)據(jù)格式
表 2 動態(tài)仿真場景要素
環(huán)境要素
屬性
光照
強度、顏色、方位
霧/霾
能見度、范圍、濕度、密度、反射衰減
雨雪
降水量、濕度、反射衰減
風
強度、方向
云
相對位置
可以看出，環(huán)境場景數(shù)據(jù)相當復雜，目前行業(yè)內(nèi)尚無通用的環(huán)境場景數(shù)據(jù)格式，在后續(xù)的OpenSCENARIO標準中計劃納入該部分數(shù)據(jù)。
自動駕駛虛擬仿真技術（一）：自動駕駛虛擬仿真概述
自動駕駛虛擬仿真技術（二）：仿真測試場景設計
CAE仿真與大數(shù)據(jù)、虛擬現(xiàn)實以及人工智能
新技術的運用，有助于仿真軟件走向智能化
仿真與大數(shù)據(jù)的碰撞
仿真的目的在于發(fā)現(xiàn)問題和預測未來，但在某些情況下，大數(shù)據(jù)可能做得更好。美國航空航天局（NASA）正是借助大數(shù)據(jù)來提前預知各種天文奇觀。大數(shù)據(jù)的出現(xiàn)，對各行業(yè)的文化、組織、管理、方法、技術等均提出了挑戰(zhàn)，仿真技術也不例外。
仿真是從模型到數(shù)據(jù)，而大數(shù)據(jù)則是數(shù)據(jù)到模型。大數(shù)據(jù)對建模仿真的挑戰(zhàn)主要體現(xiàn)在思維方式、科研方式和方法手段等方面，利用現(xiàn)有建模仿真技術處理大數(shù)據(jù)還存在問題。比如，傳統(tǒng)的仿真思維方式認為仿真是基于模型的活動，其科研方式是根據(jù)系統(tǒng)實驗的目標建立系統(tǒng)模型，進而建立仿真系統(tǒng)運行系統(tǒng)模型，最后再分析、處理模型運行結果。
那么，未來，仿真結合大數(shù)據(jù)會有怎樣的發(fā)展？這個問題還在探索中，但從目前來看，至少大數(shù)據(jù)為仿真結果的分析提供了更好的手段，為復雜系統(tǒng)的建模提供可新的出路，更為長遠地看，大數(shù)據(jù)有助于人類實現(xiàn)智能仿真。
圖1 仿真與大數(shù)據(jù)
仿真與虛擬現(xiàn)實的碰撞
虛擬現(xiàn)實是時下非常火爆的技術，但是很多人對仿真與虛擬現(xiàn)實都存在認識上的誤差，認為二者說得是一回事。其實，仿真技術與虛擬現(xiàn)實技術有著一定的相似點，但也存在差異性。
在感知方面，仿真以視覺和聽覺為主，而虛擬現(xiàn)實不僅有視覺、聽覺，還有觸覺等方面的感知，可以說仿真基本上將用戶視為“旁觀者”，而虛擬現(xiàn)實則將用戶視為“當局者”；在逼真度方面，仿真技術，仿真技術是對真實物理系統(tǒng)某一層次上的抽象，而虛擬技術采用實時三維圖像與顯示、三維聲音定位與合成技術、傳感器等技術，做到了人與環(huán)境的交互性，有非常高的逼真度。
縱觀當下工業(yè)仿真軟件，可視化、智能化的仿真已成趨勢，在仿真中運用虛擬現(xiàn)實技術，不僅能更加形象直觀地顯示仿真全過程，而且會讓計算機與人之間的溝通更人性化，增強仿真系統(tǒng)的尋優(yōu)能力。
展開 VI-GRADE 2025 全球大學生虛擬方程式大賽-中國站冠軍宣布及數(shù)據(jù)分析
4---車輛抓地水平
我們還額外對大家的最快圈進行了車輛抓地力水平的分析，定義如下：
Overall Grip：當綜合加速度的絕對值大于1g時，認為此刻車輛的狀態(tài)為綜合抓地情況，提取出該值后再取平均；
Corner Grip：當側向加速度的絕對值大于0.5g時，認為此刻車輛的狀態(tài)為側向抓地情況，提取出該值后再取平均；
Brake Grip：當縱向加速度的小于-0.5g時，認為此刻車輛的狀態(tài)為制動抓地情況，提取出該值后再取平均；
Acc Grip：當縱向加速度的大于0.5g時，認為此刻車輛的狀態(tài)為驅動抓地情況，提取出該值后再取平均；
顯然，這些值是越大越好，隊員們可以用這些數(shù)據(jù)對比同一輛車，不同車手之間駕駛水平的差異，以下圖為例，對比了武漢理工大學油車的車手和丹寧思專家的數(shù)據(jù)，在Overall Grip上，丹寧思的專家處理得更好一些。在Corner Grip二者是一樣的，但在Brake Grip上武漢理工大學的車手則更好，結合前面Overall Grip，可能原因是丹寧思的專家使用更多的循跡剎車，車輛會處在更多的復合工況中，對于Acc Grip，很明顯，該性能取決于動力系統(tǒng)和車重，空氣動力學，輪胎，車手水平改變不了太多，因此二者是一樣的。
同時該方法也可以對比不同隊伍之間的數(shù)據(jù)，我們對比了六支車隊的最快圈，如下方的雷達圖所示，武漢理工大學油車除了在Acc Grip上不是第一，其它方面都是第一，廈門理工學院電車在各方面都取得相對不錯的水平，但是在Brake Grip上表現(xiàn)較差，與主觀評價的數(shù)據(jù)一致，隊員們需要去注意制動系統(tǒng)的設置。
展開 報名贏U盤/數(shù)據(jù)線 | 達索官方3DEXPERIENCE建模與仿真全球虛擬大會
點擊鏈接報名：https://3dexperience-modeling-and-simulation-conference.expo-ip.com/registrieren
報名成功頁面截圖保存掃碼聯(lián)系微信客服（jishulink000）
您將有機會獲得：話費、技術鄰U盤、技術鄰抱枕、技術鄰數(shù)據(jù)線、1111金幣等好禮！！同時，為了方便與會的小伙伴交流、互動，我們特別組建了“達索大會交流群”，不僅可以在大會過程中實時交流，群里還將分享大會有關資料！回復“達索大會”即可入群哦~
市場環(huán)境變化莫測，轉型與創(chuàng)新迫在眉睫。行業(yè)的全新應用與前沿技術，專家的技術心得與實踐經(jīng)驗……您想要的，盡在于此！
今年的全球3DEXPERIENCE建模與仿真用戶大會由達索系統(tǒng)SIMULIA和CATIA兩大品牌聯(lián)合舉辦，將以在線虛擬的方式全球同步直播。官方注冊通道現(xiàn)已開啟，足不出戶，領略全球！機會難得，名額有限，快來注冊參會吧！
本次大會將分享行業(yè)應用、新品亮點和前沿技術，提供豐富的互動交流機會，點燃大家對設計和創(chuàng)新下一代產(chǎn)品的熱情！
時間：2020年11月17日-18日
方式：線上參與
你將得到：
1、與數(shù)十個國家的用戶互動，觀看全球專家的優(yōu)秀建模與仿真解決方案，會后領取錄播；
2、向出席本分會的業(yè)內(nèi)專家及高級管理層發(fā)表您的觀點和看法；
3、與志同道合的人歡聚和聯(lián)誼，了解一流的應用實踐和成功經(jīng)驗；
4、報名后聯(lián)系客服發(fā)送報名成功的截圖，必得200技術鄰金幣，還能額外抽取：技術鄰定制U盤、數(shù)據(jù)線、10元話費、大額金幣等豪禮，詳見文末報名福利。
展開 CAD里如何生成橫斷面數(shù)據(jù)
在使用 CAD 對工程和地形圖進行繪制的過程中，我們經(jīng)常需要在圖紙上生成橫斷面數(shù)據(jù)。那么如何在 CAD 中生成橫斷面數(shù)據(jù)？本篇文章將介紹幾種常見的生成橫斷面數(shù)據(jù)的方法：
方法一：使用 CAD 插件
一些 CAD 插件專門用于生成橫斷面數(shù)據(jù)，特別是用于土木工程和地形圖。這些插件通常提供從已有數(shù)據(jù)生成橫斷面的功能。
方法二：創(chuàng)建基礎幾何形狀
1. 創(chuàng)建基礎幾何：使用 CAD 中的多段線、樣條曲線、圓弧等工具，創(chuàng)建代表不同數(shù)據(jù)的幾何形狀。這可能是地形、道路、建筑物或其他項目的剖面。
2. 定位剖面位置：根據(jù)需要確定橫斷面的切割位置，并繪制相應的參考線。
3. 使用切割或投影工具：根據(jù)參考線使用 CAD 中的切割或投影工具，生成剖面數(shù)據(jù)。你可以用命令 “SLICE” 切割三維對象，或使用 “SECTION” 生成剖面線。
方法三：從地形數(shù)據(jù)生成橫斷面
1. 導入地形數(shù)據(jù)：將地形數(shù)據(jù)導入 CAD。這些數(shù)據(jù)可能是從測量、GIS、或其他來源獲得的三維數(shù)據(jù)。
2. 使用工具生成橫斷面：CAD 中的一些工具允許從地形數(shù)據(jù)生成橫斷面。比如，在 AutoCAD Civil 3D 中，你可以使用 “截面樣式” 和 “截面查看器” 等工具來生成和查看橫斷面。
3. 提取橫斷面數(shù)據(jù)：使用 “截面樣式” 或類似工具生成橫斷面，然后可以通過命令導出數(shù)據(jù)到 Excel 或其他文件格式，供進一步分析。
方法四：自定義編程
1. 使用 AutoLISP 或 VBA：如果你有編程經(jīng)驗，可以使用 AutoLISP、VBA 或.NET 等語言編寫腳本，以自動生成橫斷面數(shù)據(jù)。這需要了解 CAD 的 API 和編程接口。
2. 讀取幾何數(shù)據(jù)：從 CAD 中讀取現(xiàn)有幾何數(shù)據(jù)，并使用編程方法計算和生成橫斷面。
3.
展開 一個網(wǎng)格生成數(shù)據(jù)導入fortran程序的問題。
我是一個新手，想請教一下：
我想用軟件生成網(wǎng)格，然后導入我的fortran程序進行流場計算，是不是用gridgen比較方便啊？還有就是實體模型，能推薦一下用什么做嗎？gridgen可以導入我自己用fortran程序生成的實體坐標嗎？
盼回帖，謝謝大家！！！
使用大數(shù)據(jù)最大限度地減少用戶生成內(nèi)容的風險
幸運的是，大數(shù)據(jù)可以幫助企業(yè)更有效地審查內(nèi)容。他們可以使用復雜的數(shù)據(jù)挖掘工具在其平臺上識別不良內(nèi)容，并及時將其刪除。
在廣告中使用之前驗證用戶生成內(nèi)容的準確性
如果用戶沒有發(fā)布不良信息或支持企業(yè)，他們通常不會對用戶生成的內(nèi)容負責。他們開始積極推廣后，承擔的責任要高得多。
例如，Quiznos公司在向客戶收集Subway公司的視頻時遇到問題。Subway公司認為一些人分享的視頻有一些信息對其不利，而Quiznos公司在其自己的廣告活動中使用了這些視頻，因此Subway公司認為Quiznos公司是這些不利信息來源的罪魁禍首。
大數(shù)據(jù)使企業(yè)更容易審核用戶生成內(nèi)容，這有助于他們在將內(nèi)容用于自己的廣告之前對內(nèi)容進行清理。它有助于增強自己的信譽，并將民事訴訟的風險降到最低。
對用戶生成的內(nèi)容進行引導
企業(yè)總是無法控制用戶生成的內(nèi)容的方向。這是麥當勞公司三年前不得不面對的一個教訓，當時麥當勞公司希望客戶通過#MeetTheFarmers#標簽分享他們的故事時，消費者卻分享了一些麥當勞不良行為的故事，其效果適得其反。
大數(shù)據(jù)可以通過事先了解公眾情緒可以幫助企業(yè)避免這些失敗。如果公眾的看法是消極的，他們可以專注于建立更多的關系，然后讓客戶對用戶生成的內(nèi)容策略產(chǎn)生影響。
用戶生成的內(nèi)容似乎是企業(yè)構建一種良好關注的方式。但理解這些風險對于企業(yè)保持更好的運營和聲譽至關重要。因此，使用大數(shù)據(jù)可以用來協(xié)助企業(yè)在這方面持續(xù)努力。
展開 數(shù)據(jù)分析與AI丨在企業(yè)環(huán)境中利用知識圖譜賦能生成式 AI
</p><p><br></p><p>在圖像生成方面，即便能生成部分細節(jié)正確的圖片，但需要微調(diào)的細節(jié)也很難達到理想效果。</p><p><br></p><p><strong>? 易產(chǎn)生幻覺：</strong></p><p><br></p><p>LLM 看似知識淵博，實則不然。其知識源于訓練數(shù)據(jù)、字母組合概率等，<strong>響應是基于訓練學習路徑和相似概念生成</strong>，并非來自結構化知識庫或數(shù)據(jù)庫。</p><p><br></p><p>而且，<strong>在沒有使用新數(shù)據(jù)訓練時，LLM 也無法提供最新信息</strong>，信息局限于訓練截止日期。這使得 LLM 容易產(chǎn)生看似可信但實際錯誤的 “幻覺” 信息，誤導對相關領域了解不足的用戶。</p><p><br></p><p><strong>? 存在偏見：</strong></p><p><br></p><p>LLM 依據(jù)數(shù)據(jù)模式生成響應，缺乏真正的理解，這導致其訓練數(shù)據(jù)易受偏見和限制影響，進而使輸出響應也帶有同樣的問題，而不會考慮用戶感受。</p><p><br></p><p>不過，也有應對這些局限的方法。例如，當在提示中包含上下文基礎時，GenAI 的表現(xiàn)會有所提升。將 <strong>LLM 生成的響應限制在給定上下文信息內(nèi)，若上下文準確，響應也可能更準確，這種技術被稱為檢索增強生成（RAG）技術。</strong></p><p><br></p><p>很多主流搜索引擎已開始將 RAG 技術與現(xiàn)有搜索索引結合，以有效生成對搜索問題的答案，通常還會提供用于為LLM提供上下文的網(wǎng)頁參考URL。<strong>知識圖譜作為 RAG 的重要新形式，為生成或利用上下文基礎的技術提供支持。
展開 
【代碼分享-04-Delft3d結構化網(wǎng)格轉MIKE非結構化網(wǎng)格存儲及Delft3D、MIKE網(wǎng)格生成前處理GIS數(shù)據(jù)轉換
///
/// 將GIS的線矢量shp文件轉換為MIKE網(wǎng)格繪制需要的邊界xyz文件（格式為：x y connectivity）
///
///
///
public static void Shp2xyz(string shpfile, string xyzfile)
{
if (File.Exists(shpfile))
{
//存儲所有線段的坐標點
List<</SPAN>IList<</SPAN>Coordinate>> lstpts = new List<</SPAN>IList<</SPAN>Coordinate>>();
IFeatureSet fs = FeatureSet.Open(shpfile);
IFeatureList lstf = fs.Features;
foreach (Feature f in lstf)
{
lstpts.Add(f.Coordinates);
}
//寫x,y,connectivity格式ascii文件
StringBuilder sb = new StringBuilder();
int idx = 1;
foreach (IList<</SPAN
展開 自動駕駛需要做哪些測試？
在環(huán)測試是借助虛擬現(xiàn)實數(shù)據(jù)生成、傳輸與交互技術，模擬自動駕駛汽車在真實道路環(huán)境行駛，并通過概率分布的危險場景強化模擬方法，進行的自適應加速測試。
通過在環(huán)測試，可以在大幅節(jié)約測試時間和成本的同時，給虛擬測試提供了驗證結果，并為實際道路測試提供了較為真實的參考數(shù)據(jù)。
XiL是各種測試環(huán)境的通用術語，它包括模型在環(huán)(MiL)軟件在環(huán)（SiL）、硬件在環(huán)（HiL）、車輛在環(huán)（ViL）是在環(huán)測試的不同類型，其側重點不同。
4、場地測試主要測試內(nèi)容包括什么？
案例分享 | 寶馬集團用 VIRES VTD 生成并驗證自動駕駛系統(tǒng)的傳感器模型
簡介
近年來，隨著傳感器技術和數(shù)據(jù)處理算法的不斷發(fā)展，自動駕駛系統(tǒng)已經(jīng)取得了長足的進步，使車輛駕駛員和乘員的安全性及舒適性得以不斷改善。但由于自動駕駛極其復雜，因此主要挑戰(zhàn)之一仍然是確保并驗證自動駕駛系統(tǒng)在公共場所使用時的安全行為。
虛擬世界提供了一個適當、安全且可控的環(huán)境，可以處理所要求的測試和驗證工作的重要部分。正確選擇場景并生成緊密貼合現(xiàn)實的虛擬傳感器數(shù)據(jù)，是虛擬開發(fā)方式得以成功的核心要求之一。虛擬傳感器數(shù)據(jù)由傳感器模型生成，而該模型則構成了虛擬環(huán)境感知的核心組成部分（圖 1）。上述感知數(shù)據(jù)是自動駕駛系統(tǒng)決策算法的主要輸入流之一。因此，傳感器模型的保真度是確保虛擬開發(fā)及測試可行性和有效性的決定性因素。
圖 1.VIRES VTD 環(huán)境中的虛擬傳感器模型
通常有兩種類型的傳感器模型：
理想傳感器，一方面可以基于場景直接生成目標信息列表，作為決策的激勵輸入，另一方面可以復現(xiàn)車輛傳感器在進行測量和感知時的誤差統(tǒng)計特征，即感知值與真實值之間的偏差。
另一類傳感器測量模型基于對測量過程的物理描述，并且會以虛擬場景為基礎生成低級測量數(shù)據(jù)。這種類型的模型通常用于機器人研究中的各種傳感器，而用于汽車傳感器的測量模型還是新鮮事物。
在本文中，我們將介紹用于汽車激光雷達傳感器的傳感器測量模型。該激光雷達模型基于光線跟蹤法對測量過程進行仿真。這樣就可以在仿真環(huán)境內(nèi)實時生成激光雷達點云。
展開 自動駕駛多目視覺感知
向量空間感知（右下）
4.2 向量空間中的標注
既然是深度學習算法，那么數(shù)據(jù)和標注自然就是關鍵環(huán)節(jié)。圖像空間中的標注非常直觀，但是系統(tǒng)最終需要的是在向量空間中的標注。
Tesla的做法是利用來自多個攝像頭的圖像重建3D場景，并在3D場景下進行標注。
標注者只需要在3D場景中進行一次標注，就可以實時的看到標注結果在各個圖像中的映射，從而進行相應的調(diào)整。
3D空間中的標注
人工標注只是整個標注系統(tǒng)的一部分，為了更快更好的獲得標注，還需要借助自動標注和模擬器。自動標注系統(tǒng)首先基于單攝像頭的圖像生成標注結果，然后通過各種空間和時間的線索將這些結果整合起來。形象來說就是各個攝像頭湊在一起討論出一個一致的標注結果。除了多個攝像頭的配合，在路上行駛的多臺Tesla車輛也可以對同一個場景的標注進行融合改進。當然這里還需要GPS和IMU傳感器來獲得車輛的位置和姿態(tài)，從而將不同車輛的輸出結果進行空間對齊。自動標注可以解決標注的效率問題，但是對于一些罕見的場景，比如報告中所演示的在高速公路上奔跑的行人，還需要借助模擬器來生成虛擬數(shù)據(jù)。以上所有這些技術組合起來，才構成了Tesla完整的數(shù)據(jù)收集和標注系統(tǒng)。關于數(shù)據(jù)的問題，這里只是稍微涉及了一點，完整的工作鏈還是相當復雜的，之后專欄中會有專門的文章進行這方面的探討。
備注：
點擊閱讀原文，關注作者知乎。
展開 