合成數據生成的案例
康謀產品 | 仿真驅動、數據自造：Anyverse巧用合成數據重構智能座艙
然而，這些感知系統要在多樣駕駛行為、復雜座艙布局和極端光照條件下持續穩定運行，傳統的真實數據采集方式已難以支撐其開發迭代需求。智能座艙的技術演進，正由“采集驅動”轉向“仿真驅動”。
一、智能座艙仿真的挑戰與突破
圖1：座艙實例圖
智能座艙中的AI系統，不僅需要理解駕駛員的行為和狀態，還要同時感知乘員、兒童、寵物乃至環境中的潛在交互風險。其仿真面臨幾大挑戰：
（1）行為維度復雜：如疲勞駕駛、身體遮擋、嬰兒誤留、飲水打電話等多樣行為難以統一采集；
（2）環境變因多樣：如夜間光照、紅外反射、遮擋物等情況干擾傳感器判斷；
（3）隱私合規嚴苛：特別是在兒童檢測等場景，獲取真實數據存在法律與倫理障礙。
這些因素決定了：高質量的、多模態的合成數據與虛擬仿真，已成為智能座艙感知系統研發不可或缺的支撐工具。
二、合成數據：真實世界外的“數據宇宙”
在智能座艙開發中，獲取高質量訓練數據往往面臨隱私、成本和長尾場景覆蓋不足的問題。合成數據以其可控、高效、多樣、合規等優勢，正成為訓練AI感知系統的重要資源。
圖2：多種類型傳感器下的合成數據（Anyverse）
相比真實數據，合成數據具有以下優勢：
（1）全面多樣：可靈活生成不同人群、行為、座艙結構與環境變量組合，輕松覆蓋極端和低頻場景；
（2）精準標注：輸出像素級真值、凝視向量、關鍵點、分割圖等，省去人工標注；
（3）高效合規：不涉及真實乘員或兒童影像，天然滿足GDPR等隱私法規；
（4）可重復與可擴展：相同條件下隨時重建，便于模型對比測試與大規模數據擴增。
在 DMS、OMS、兒童存在檢測（CPD）、安全帶識別、寵物識別等多個智能座艙感知模塊中，合成數據不僅作為訓練數據使用，也廣泛應用于模型驗證、場景補全與魯棒性測試。
展開 智能汽車合成數據架構與應用實踐分享
提供多種數據分割方式及標注JSON文件的艙內合成數據示例
05 合成數據：助力感知系統開發
綜上所述，合成數據不再是數據稀缺時的權宜之計，而正在演變為智能汽車感知系統大規模、高頻率、端到端開發的關鍵支撐。通過系統性建設合成數據體系，開發團隊可以實現：
1、快速生成高質量訓練數據，覆蓋邊緣與稀缺場景；
2、標注自動化與一致性保障；
3、多模態融合的標準化輸出；
4、可追溯、可重現的驗證機制。
企業在構建合成數據平臺時，重點關注以下三點：
1、平臺工具鏈解耦：保持生成邏輯獨立于具體仿真平臺；
2、結構對齊標準數據集：如 nuScenes、COCO 等；
3、自動化與參數化流程完整閉環。
通過艙外與艙內雙向并進的合成數據體系，智能汽車的感知能力將具備更高的魯棒性、覆蓋性與工程實用性。
展開 高逼真合成數據助力智駕“看得更準、學得更快”
一、引言
隨著自動駕駛技術的逐步落地，感知系統對數據的依賴正以前所未有的速度增長。傳統實車采集雖然真實可信，但在效率、安全性、標注精度以及邊緣場景覆蓋方面均存在顯著限制。
合成數據（Synthetic Data）因具備低成本、高可控性、無限擴展性和高精度標簽等優勢，已成為感知算法訓練與驗證的重要數據來源。尤其在多模態、多場景、大規模自動化生成等方面，仿真平臺正成為構建感知數據體系的重要工具。
在感知系統的開發過程中，我們依托仿真平臺生成覆蓋多種場景和傳感器類型的合成數據，用于支持AVM（環視系統）開發，同時也利用合成數據生成符合公開格式標準的數據集，助力算法在真實部署前實現高效迭代與驗證。本文將系統介紹利用合成數據開發的具體應用流程和實踐效果。
二、 AVM系統開發中的仿真驗證應用
環視系統（AVM, Around View Monitor）是自動駕駛和高級輔助駕駛系統（ADAS）中常見的功能模塊，通常由4個或更多廣角魚眼相機構成，通過拼接多個攝像頭圖像生成車輛周圍360°的鳥瞰圖。
自動泊車系統（APA）需要環視圖像提供對車輛周圍環境的精準感知。通過仿真方式模擬魚眼相機布設和 BEV 拼接，可生成多種泊車場景下的高保真圖像，包括地庫、斜列車位、窄通道等復雜工況。相比實車采集，仿真不僅可以批量構造極端和邊緣泊車條件，還能自動提供精確的障礙物位置與車輛姿態標注，大幅加速感知模型的訓練和驗證流程，減少實車調試時間。
傳統 AVM 系統的相機標定依賴人工操作和實車設備，流程繁瑣且精度受限。通過仿真，可控制各攝像頭位置與視角，并生成可重復、可驗證的圖像和標定數據，適用于整車項目開發初期的快速迭代。虛擬標定不僅提高了標定效率，還支持在方案切換、批量測試、相機布局驗證等場景中自動生成對齊標注，降低人力投入，提升系統上線速度。
展開 使用合成數據集來做目標檢測：目標檢測的介紹
nuScenes數據集包含1000個場景，每20秒以2Hz的頻率進行關鍵幀采樣，所以總共有40000張非常相似的40張標注圖像(來自同一個場景)。給這類數據貼上標簽已經是一項龐大而昂貴的工作。
將其與名為ProcSy的自動駕駛合成數據集進行比較。它的特點是像素完美的分割(使用合成數據，沒有區別，你可以像要求分割邊界框一樣簡單)，使用CityEngine構建深度地圖的城市場景與交通，然后用虛幻引擎渲染。它看起來像這樣(帶有分割、深度和遮擋圖)：
在論文中，比較了不同分割模型在惡劣天氣條件和其他可能使問題復雜化的因素下的性能。為此，他們只需要11000幀的小數據樣本，這就是你可以從上面的網站下載的(順便說一下，壓縮文件就有30Gb)。他們報告說，這個數據集是從135萬可用的道路場景中隨機抽取的。但最重要的部分是數據集是程序生成的，所以實際上它是一個潛在的無限數據流，你可以改變地圖、交通類型、天氣狀況等等。
這是合成數據的主要特點：一旦你預先投資創建(或者更準
確地說，尋找和調整)你感興趣的目標的3D模型，你就可以擁有盡可能多的數據。如果你做了額外的投資，你甚至可以轉向全尺寸交互式3D世界，但這又是另一個故事了。
英文原文：
https://synthesis.ai/2020/08/05/object-detection-with-synthetic-data-i-introduction-to-object-detection/
展開 
方案分享 | AVM合成數據仿真驗證方案
圖7：環視BEV合成AVM示例
以此類推可以得到4個方向的BEV視圖及對應的投影參數，結合車輛圖層作為覆蓋，即可生成對應傳感器布置下的二維AVM合成圖像，如圖7所示，其中每個像素分辨率為1cm2。
圖8：傳感器外參優化示例
通過仿真軟件，一方面可以在控制算法不變的情況下尋找出更優的傳感器外參布局，另一方面也可以在控制傳感器不變的情況下在多種不同場景驗證，進而迭代優化AVM算法的表現。結合相機傳感器自帶的標注信息，后續也可以進行包括障礙物識別在內的更多功能驗證。
圖9：不同場景下的AVM合成數據
四、總結與展望
本文介紹了基于aiSim仿真軟件生成AVM合成數據的完整流程，包括傳感器與地圖的配置、圖像處理與BEV視圖生成以及最終的AVM合成驗證。
不難看出，仿真軟件的高效性與靈活性保障了在安全可控的環境中快速驗證算法性能的可行性，并可以通過多場景測試與參數優化改進算法，最終提升其綜合表現。
展開 使用合成數據集來做目標檢測：目標檢測的介紹
以下是數據的一個樣本：
所有這些都是在視頻中完成的！nuScenes數據集包含1000個場景，每20秒以2Hz的頻率進行關鍵幀采樣，所以總共有40000張非常相似的40張標注圖像(來自同一個場景)。給這類數據貼上標簽已經是一項龐大而昂貴的工作。
將其與名為ProcSy的自動駕駛合成數據集進行比較。它的特點是像素完美的分割(使用合成數據，沒有區別，你可以像要求分割邊界框一樣簡單)，使用CityEngine構建深度地圖的城市場景與交通，然后用虛幻引擎渲染。它看起來像這樣(帶有分割、深度和遮擋圖)：
在論文中，比較了不同分割模型在惡劣天氣條件和其他可能使問題復雜化的因素下的性能。為此，他們只需要11000幀的小數據樣本，這就是你可以從上面的網站下載的(順便說一下，壓縮文件就有30Gb)。他們報告說，這個數據集是從135萬可用的道路場景中隨機抽取的。但最重要的部分是數據集是程序生成的，所以實際上它是一個潛在的無限數據流，你可以改變地圖、交通類型、天氣狀況等等。
這是合成數據的主要特點：一旦你預先投資創建(或者更準確地說，尋找和調整)你感興趣的目標的3D模型，你就可以擁有盡可能多的數據。如果你做了額外的投資，你甚至可以轉向全尺寸交互式3D世界，但這又是另一個故事了。
英文原文：
https://synthesis.ai/2020/08/05/object-detection-with-synthetic-data-i-introduction-to-object-detection/
展開 AI行業七大趨勢：合成數據、多模態AI崛起
為了保護隱私，醫療行業、電信以及金融業開始利用 synthetic data（合成數據)，為數據共享提供更多的機會。
人工智能賦能產業，正成為引領經濟、科技發展的重要驅動力。
在較為低迷的投融資大環境下，全球投資者對于 AI 的關注度有增不減。2021 年，全球 AI 初創企業融資破紀錄達到 668 億美元，是 2020 年融資總額的兩倍之多。2022 年 Q1 相較于 2021 年 Q4 融資額下降了12%，但仍低于同期全球風險投資整體下降幅度。
新的一年，人工智能會朝著什么方向發展？CB Insights 提出了 2022 年值得關注的七大 AI 趨勢。
合成數據，保護隱私
目前，由于 AI 技術呈指數級發展，變得更加先進，但其局限性仍然存在。例如，某些行業缺乏足夠的真實數據來訓練 AI 模型，又或者合規隱私成為一些行業技術發展的痛點。
企業紛紛開始部署 Synthetic data （合成數據），即由計算機人工生成的數據，可用于替代自現實世界中采集的真實數據集。
雖然有人質疑合成數據模擬真實數據的準確性，但仍有一些大公司將賭注押在了這項技術上。
illumina 正在使用由創業公司 Gretel 開發的合成基因數據進行醫學研究。在一項聯合研究中，兩家公司均強調了，取得患者的知情同意權等舉措限制了部分醫學研究的速度和規模。Gretel 便使用真實的基因型和表型數據進行 AI 算法訓練，生成人工基因組合成數據。
在金融領域，J.P. Morgan 正在利用合成數據訓練金融 AI 模型。而在電信行業，由于無法獲得客戶同意，預計高達 85% 的真實數據無法獲取，這給行為分析和預測造成了極大障礙。西班牙電信公司 Telefónica 與 Most AI 合作，模擬真實數據的統計模式，創建 GDPR 合規的客戶合成數據檔案。
展開 康謀分享| 揭秘C-NCAP ：合成數據如何助力攻克全球安全合規難關？
這使得目標為進入歐洲市場的中國 OEM 能夠提前驗證其系統，利用合成數據滿足最新的歐盟法規。
Anyverse| InCabin 是一個符合 NCAP 要求的一站式平臺，能夠生成所有需要的數據，根據 C-NCAP 和 Euro NCAP 的精確測試場景驗證系統。使汽車企業能夠 “一次構建，全球合規”，在加快上市時間的同時，降低驗證的成本和復雜性。
四、結論
在汽車安全標準日益嚴苛的今天，C-NCAP新規的出臺無疑為汽車行業指明了新的發展方向——從被動安全向主動安全全面轉型。
通過與 GB/T 標準保持一致并利用基于物理的仿真，OEM 和供應商才可以實現遵守、超越，并提供強大、可靠的艙內 AI，進而滿足中國及其他地區最嚴格的安全和監管基準。
因此面對技術實現難點與法規合規的雙重挑戰，車企亟需創新解決方案以提升產品安全性能并加速市場布局。
展開 CAD里如何生成橫斷面數據
在使用 CAD 對工程和地形圖進行繪制的過程中，我們經常需要在圖紙上生成橫斷面數據。那么如何在 CAD 中生成橫斷面數據？本篇文章將介紹幾種常見的生成橫斷面數據的方法：
方法一：使用 CAD 插件
一些 CAD 插件專門用于生成橫斷面數據，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據生成橫斷面的功能。
方法二：創建基礎幾何形狀
1. 創建基礎幾何：使用 CAD 中的多段線、樣條曲線、圓弧等工具，創建代表不同數據的幾何形狀。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：根據參考線使用 CAD 中的切割或投影工具，生成剖面數據。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：從地形數據生成橫斷面
1. 導入地形數據：將地形數據導入 CAD。這些數據可能是從測量、GIS、或其他來源獲得的三維數據。
2. 使用工具生成橫斷面：CAD 中的一些工具允許從地形數據生成橫斷面。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. 提取橫斷面數據：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據到 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據。這需要了解 CAD 的 API 和編程接口。
2. 讀取幾何數據：從 CAD 中讀取現有幾何數據，并使用編程方法計算和生成橫斷面。
3.
展開 SimData：基于aiSim的高保真虛擬數據集生成方案
一、前言
在自動駕駛感知系統的研發過程中，模型的性能高度依賴于大規模、高質量的感知數據集。目前業界常用的數據集包括 KITTI、nuScenes、Waymo Open Dataset 等，它們為自動駕駛算法的發展奠定了重要基礎。
然而，構建真實世界的感知數據集并非易事——不僅需要投入大量人力、物力與時間成本，還需要面對數據采集受限、隱私合規、標注耗時以及極端場景（corner case）難以獲取等諸多挑戰。
在此背景下，高保真虛擬數據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據，不僅能夠快速擴充數據規模，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據集——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據（包括相機、激光雷達、雷達、IMU 等），實現與真實世界數據一致的多模態特性。SimData數據結構嚴格遵循nuScenes數據集格式規范，可直接使用官方nuscenes-devkit工具解析和可視化，大幅降低開發者上手成本。
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。SimData 正式版及相關對比測試報告將于近期發布。
二、SimData構建過程
1、傳感器布局
在 aiSim 仿真平臺中，我們嚴格復現了 nuScenes 數據集的傳感器布局，以確保數據結構和多模態同步特性的一致性。 仿真車輛共配置了 6 路環視相機、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（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 一個網格生成數據導入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！！！
使用大數據最大限度地減少用戶生成內容的風險
幸運的是，大數據可以幫助企業更有效地審查內容。他們可以使用復雜的數據挖掘工具在其平臺上識別不良內容，并及時將其刪除。
在廣告中使用之前驗證用戶生成內容的準確性
如果用戶沒有發布不良信息或支持企業，他們通常不會對用戶生成的內容負責。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。
大數據使企業更容易審核用戶生成內容，這有助于他們在將內容用于自己的廣告之前對內容進行清理。它有助于增強自己的信譽，并將民事訴訟的風險降到最低。
對用戶生成的內容進行引導
企業總是無法控制用戶生成的內容的方向。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。
大數據可以通過事先了解公眾情緒可以幫助企業避免這些失敗。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容策略產生影響。
用戶生成的內容似乎是企業構建一種良好關注的方式。但理解這些風險對于企業保持更好的運營和聲譽至關重要。因此，使用大數據可以用來協助企業在這方面持續努力。
展開 數據分析與AI丨在企業環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正確的圖片，但需要微調的細節也很難達到理想效果。</p><p><br></p><p><strong>? 易產生幻覺：</strong></p><p><br></p><p>LLM 看似知識淵博，實則不然。其知識源于訓練數據、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據庫。</p><p><br></p><p>而且，<strong>在沒有使用新數據訓練時，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 依據數據模式生成響應，缺乏真正的理解，這導致其訓練數據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 的表現會有所提升。將 <strong>LLM 生成的響應限制在給定上下文信息內，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結構化網格轉MIKE非結構化網格存儲及Delft3D、MIKE網格生成前處理GIS數據轉換
///
/// 將GIS的線矢量shp文件轉換為MIKE網格繪制需要的邊界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 L3+智能座艙時代，主機廠三大核心需求揭秘！
例如，圖像應能準確模擬真實攝像頭的曝光、模糊和遮擋；人物動作需基于真實骨骼驅動而非靜態拼接；同時還應支持多種模態協同輸出，以滿足訓練對數據質量的一致性要求。
四、平臺實現參考：Anyverse 的應用實踐
在平臺實現層面，Anyverse 提供了一個相對成熟的參考范式，覆蓋了艙內感知數據合成中的多個關鍵環節。
1、模態生成方面
平臺支持多通道同步輸出，包括 RGB、NIR、深度圖、紅外圖、語義圖、關鍵點和動作標簽等，滿足多種感知模型的數據輸入需求；
2、場景構建方面
平臺可以靈活配置人物數量、姿態、遮擋物、光照條件等變量，以生成多樣化甚至極端條件下的艙內場景；
3、圖像與行為建模方面
平臺使用物理渲染與骨骼動畫系統，對座艙結構、乘員動作及其與環境交互過程進行了細致建模，提升了數據的真實感與一致性。
這些工程機制協同構成了一個面向規模化訓練的合成數據生成基礎，也為艙內感知模型在復雜環境中的表現提供了有力支撐。
五、合成數據應為艙內感知系統“數據主力軍”
從客戶反饋出發，我們始終認為：
合成數據的價值，不僅在于節省成本，更在于它能合成“你永遠采不到、但必須要有”的關鍵場景。
真正面向工程落地的艙內合成數據平臺，應同時滿足以下三點：
（1）模態豐富、標注完整
（2）邊緣場景可控、可批量
（3）圖像逼真、擬合實車部署
這將是支撐下一階段艙內智能感知系統發展的關鍵基礎設施。
展開 