Unreal的案例
掌握 3D VTOL 創作和虛幻引擎集成
Mastering 3D VTOL Creation & Unreal Engine Integration
2025 年 2 月出版
MP4 |視頻：h264、1280×720 |音頻：AAC，44.1 KHz，2 Ch
語言：英語 |時長：40h 16m |大小： 31.6 GB
學習在虛幻引擎中為游戲愛好者設計、紋理和渲染 VTOL
您將學
到什么 掌握 3D 建模：學生將學習使用 3ds Max
從頭開始創建詳細的中多邊形版本的 VTOL 高級展開和紋理技術：學習者將獲得使用 Rizom UV 展開 UV 所需的技能，并掌握 Painter
nreal Engine 中的紋理藝術集成：學生將了解如何將他們精心制作的 VTOL 無縫集成到 Unreal Engine
中ame 開發技能： 在本課程結束時，學習者將通過實踐經驗
獲得對游戲開發過程的寶貴見解 要求
熟練使用 3ds Max 等 3D 建模軟件。
熟悉使用 Rizom UV、Substance Painter 和 Photoshop 等軟件的 UV 展開和紋理技術。
對游戲引擎有基本的了解，尤其是 Unreal Engine。對游戲引擎有基本的了解，尤其是 Unreal Engine。
訪問安裝了必要軟件（3ds Max、Rizom UV、Substance Painter、Photoshop、Unreal Engine）的計算機。
描述
通過我們關于創建 VTOL（垂直起降）飛機的綜合課程，深入研究 3D 建模和游戲開發的世界。無論您是狂熱的《使命召喚》玩家，還是僅僅對數字藝術和游戲設計充滿熱情，本教程都將為您提供將虛擬創作變為現實所需的技能。
展開 如何高效構建與測試非結構化道路場景？
此外通過OpenDRIVE至Atlas的邏輯轉換，結合Unreal Editor與Blender的編輯能力，即可在仿真環境中構建各類具有挑戰性的非結構化道路場景，為自動駕駛算法的完善與驗證提供有效支撐。
引用：https://pdf.dfcfw.com/pdf/H3_AP202304181585544332_1.pdf
PX4官方動態 | 通過WSL2在AirSim下實現PX4仿真
在2017年，微軟Microsoft的AI研究部門開源了AirSim項目，一款基于Unreal虛幻引擎的無人機/汽車仿真平臺。AirSim支持PX4和Ardupilot等開源飛控，使其在有著逼真視覺效果和真實物理特性的仿真環境中進行無人機、自動駕駛的AI研究。
微軟通過在AirSim和PX4上做的工作，于2019年成為了Dronecode的金牌會員，與PX4開源社區進行了深度合作。自那時以來，AirSim在Github獲得了超過10000顆星?，許多開發人員開始采用AirSim / PX4的工作流程進行測試和仿真。
（https://www.dronecode.org/a-bright-future-for-px4-and-airsim-thanks-to-gold-member-microsoft/）
AirSim是以Unreal虛幻引擎的插件開發的，有著目前最為強大的仿真效果。插件的特性也使得AirSim中的仿真內容可以被直接放置于任何Unreal虛幻引擎的場景中。另一方面，AirSim支持跨平臺使用，這對不熟悉Linux和ROS的小伙伴來說，又是一大優勢。
AirSim自發布以來，一直維持著穩步的更新頻率。最近，AirSim的主要維護者之一Chris Lovett，發布了AirSim的新功能——通過WSL2（Windows Subsystem for Linux version 2）在AirSim上實現PX4的仿真。在過去，我們只能在虛擬機中運行PX4，再與仿真器進行通信，這會導致PX4和Windows Host具有不同的IP地址，因此它們之間無法共享本地主機的圖形計算性能。
展開 方案分享 | AVM合成數據仿真驗證方案
本文所使用的仿真軟件支持在Unreal Engine中進行地圖編輯與導出，并帶有一定數量的3D資產庫，因此可以基于一張基礎室內地圖，布置一定數量的正方形黑白標定板，根據需要搭建一個標定地圖：
圖4：基于aiSim插件的Unreal Engine地圖編輯
首先，在Unreal Engine中打開項目，并進入室內合成地圖；
然后，從3D資產庫中選擇100cm×100cm×5cm的標定板靜態網格體，拖放到地圖中；
隨后，通過直接拖動模型上的變換工具或者修改側邊欄中的變換屬性框調整標定板的位置與姿態；
進而，配置標定板的材質，以黑色、白色的交替順序鋪展標定板；
最終形成一個長方形的標定區域。
圖5：編輯完成后的地圖效果參考
批量鋪展的過程可以拆分為對2×2的標定板組合實施橫向與縱向陣列，完成后的地圖如圖所示，整體是一個6m×11m的矩形區域，車輛放置在中間2m×5m的矩形區域中。
展開 
從FBX到可運行虛擬車輛：一種標準化的仿真模型轉換流程
通過Blender + Unreal Editor + aiSim 的組合，可以建立一條標準化、可復用的車輛接入流程：</p><ul><li>從多源模型導入（支持.fbx、.blend）</li><li>到結構重構與規范化建模</li><li>再到UE中的藍圖組裝與動力學配置</li><li>最終進入aiSim完成閉環驗證</li></ul><p>這一流程不僅解決了模型“能不能用”的問題，更提升了“用得好不好”的效率與上限。</p><p>當企業能夠快速構建自定義車輛，并在仿真環境中穩定運行，自動駕駛開發就具備了規模化迭代的基礎，這也是提升研發競爭力的關鍵支撐。</p>
展開 技術革新 | VI-grade 借助VR技術推動駕駛仿真技術革新！
該技術集成通過虛幻引擎 5（Unreal Engine 5）的OpenXR技術框架實現，標志著專業駕駛仿真領域在虛擬現實（VR）與混合現實（XR）技術融合方面取得重要突破！
通過虛幻引擎5（Unreal Engine 5）的OpenXR技術支持，仿真工程師現在可以利用以下優勢：
最高分辨率的顯示效果
寬廣視場角
先進 XR 功能
這些技術優勢將賦能工程師進行：
ADAS 及自動駕駛汽車測試
HMI 開發與駕駛員培訓
底盤及車輛動力學開發
???跟隨Varjo XR-4設備體驗逼真駕駛場景
正如我們的產品開發負責人 Roberto De Vecchi 所言：
“在專業駕駛模擬器中支持高品質混合現實技術，標志著我們在跨學科發展道路上又邁出重要一步-這將我們的能力邊界拓展至更先進的 HMI 應用領域。”
關于 VI-grade：
VI-grade是實時仿真和專業駕駛模擬器解決方案的領先供應商，可加速整個車輛交通行業的產品開發。VI-grade的駕駛模擬器包括從靜態桌面解決方案到全尺寸駕駛員在環動態模擬器，使主機廠、供應商、研究中心、賽車隊和高校能夠減少物理原型的開發并加速創新。
VI-grade在仿真領域擁有超過30年的經驗，總部位于德國達姆施塔特，在意大利、英國、日本、中國和美國設有技術中心。
自2018年9月以來，VI-grade成為思百吉的一部分。思百吉公司在四個主要領域開展業務——材料分析、測試與測量、在線測量儀器和精密控制，并廣泛服務于從車輛交通到航空航天、電子、能源、采礦、制藥等眾多行業。
展開 解鎖端到端仿真新可能 ：全新aiSim 6 即將發布
（2）附加亮點：Gaussian Splatting Renderer for Unreal Engine 5
針對需要在 Unreal Engine 環境下開展工作的團隊（如座艙 UI 的 VR 測試），aiSim 提供 GS Renderer 插件，支持將 3DGS 數字孿生場景直接導入 UE5 編輯器，即插即用。該功能已完成實現，計劃 Q1 2026 發布。
2、AI驅動的場景生成
測試場景的構建效率，一直是規模化仿真的隱性瓶頸。
aiSim 6 通過集成 Model Context Protocol（MCP），將主流 AI 大模型（Gemini、ChatGPT、Copilot 等）直接接入仿真編輯器工作流。工程師可以通過自然語言 prompt 描述測試意圖——例如"在四路交叉口隨機放置 8 輛車，包含 2 輛大型貨車"——系統自動生成符合 OpenSCENARIO 標準的場景文件。
這一能力的意義不只是提速。當場景生成的門檻降低，測試覆蓋率的上限就會被重新定義。
MCP 的標準化接口設計同樣值得關注，使AI助手能夠感知仿真上下文（場景元素、地圖結構），避免盲目生成。
3、Navier-Stokes 粒子仿真
Navier-Stokes 方程是描述流體運動的經典物理方程組。aiSim 6 將該方程應用于環境粒子物理仿真，可真實模擬車輛行駛氣流帶動的落葉運動、雨天路面濺起的水花、井蓋蒸汽與交通參與者的動態交互效果，補齊邊緣場景物理真實性短板，開發者預覽版已完成開發。
展開 生成式 AI 重塑自動駕駛仿真：4D 場景生成技術的突破與實踐
主要功能包括：
（1）根據IMU與GNSS數據還原車輛軌跡；
（2）使用圖像與點云重建環境幾何與紋理；
（3）提取行為序列并重建動態參與者；
（4）輸出統一格式場景文件，支持仿真平臺直接加載（如Unreal、CARLA、LGSVL等）。
log2world顯著降低了真實場景數字化與復現成本，是構建基于真實行為數據的4D測試場景的重要手段。
用于Log2World仿真的流程示例(IVEX+aiSim)
四、應用場景與系統集成實踐
生成式AI+4D場景生成技術目前已在以下典型場景中形成落地：
（1）閉環驗證系統：自動識別模型薄弱場景，動態生成補全，形成仿真-訓練-驗證閉環；
（2）多模態數據生成引擎：結合仿真接口輸出RGB圖像、深度圖、點云、語義標簽等，用于感知模型訓練；
（3）長尾用例擴增：生成特定條件組合下的稀有事件，如夜間施工、交通事故、人車混行等；
（4）仿真平臺集成：與CARLA、Unreal、aiSim等平臺對接，作為自動構圖/行為驅動模塊使用；
（5）城市級數字孿生：快速還原城區典型路段結構及交通特征，支持區域智能交通仿真與決策測試。
五、結語
未來，隨著大模型融合語義驅動生成（如Prompt-to-Scene）、行為軌跡生成器與語義控制接口集成、生成內容與實車反饋協同優化機制的發展，AI生成的4D場景將成為自動駕駛數據體系中的基礎設施，為模型迭代、安全驗證與持續運營提供核心支撐。
4D場景生成技術正從研究階段走向規模應用，構建出兼顧真實性、復雜性與效率的場景生成能力，是實現自動駕駛系統仿真閉環與持續優化的關鍵引擎。
生成式AI正逐步承擔起從世界建模者到智能驗證者的角色，其影響力正在由測試階段擴展至研發、訓練、部署等完整流程。
展開 高逼真合成數據助力智駕“看得更準、學得更快”
圖1 基于aiSim構建AVM圖像流程
1、標定地圖與仿真環境構建
我們在Unreal Engine環境中快速搭建6米×11米標定區域，使用2×2黑白相間標定板構成特征紋理區域，并精確布設車輛初始位置，確保視野重疊區域滿足投影需求，并通過特定插件將其無縫導入仿真器中。
圖2 基于aiSim插件的Unreal Engine地圖編輯
2、魚眼相機配置與參數設置
設置前、后、左、右四個魚眼相機，分別具備：
（1）高水平FOV（約180°）；
（2）不同俯仰角（前15°、后25°、側向40°）；
（3）安裝位置貼近真實車輛安裝場景（如后視鏡下方）。
我們采用了仿真器內置的OpenCV標準內參建模，輸出圖像同步生成物體的2D/3D邊界框與語義標簽。
圖3 環視OpenCV魚眼相機傳感器配置
3、BEV圖像生成與AVM拼接
利用已知相機內參和標定區域結構，通過OpenCV完成圖像去畸變與投影矩陣求解，逐方向生成BEV視圖（Bird's Eye View）。結合車輛圖層與坐標對齊規則，拼接生成完整的AVM圖像。
支持配置圖像分辨率（如1cm2/像素）與投影視野范圍，確保幾何準確性。
圖4 投影區域及BEV轉化示意圖
4、多場景合成與傳感器布局優化
通過批量仿真腳本，可快速測試不同環境（如夜間、窄巷、地庫）、不同相機布局組合對AVM系統效果的影響。在算法不變的前提下，系統性評估外參配置的優劣，為傳感器部署提供數據支持。
圖5 不同場景下的AVM合成數據
三、合成數據構建多模態數據集
隨著智能駕駛逐步從基礎輔助走向復雜場景下的高階功能，對感知系統的數據需求也在迅速升級。
展開 VRX-HeadLamp&HMI — 汽車智能頭燈及座艙仿真工具
支持SCADE設計的人機界面導入，支持導入Web GL原型設計，支持原型機工具，如（QT Quick, Unreal engine, Unity, etc.）
VRX-HMI因其基于物理的仿真特性及以上功能可以很好地運用在以下多個方面：
▼造型設計：內飾造型感知、內飾燈光設計評估
▼視野驗證：視野遮擋評估、反光評估、屏幕泛白評估
▼座艙驗證：人機分析和人體工程學測試
▼HUD驗證：動態/靜態評估顯示效果及對駕駛員影響、多眼位驗證、雜散光分析
經緯恒潤
北京市海淀區知春路7號致真大廈D座6層
電話：010-64840808-6102
郵箱：market_dept@hirain.com
網址：www.hirain.com
展開 9/24 Ansys Discovery 運用NVIDIA 最新工業級GPU技術加速仿真計算
曾在 AMD、Intel 從事 3D 圖形驅動開發，在 epic games 從事 UNREAL 游戲引擎開發工作。對計算機圖形學、directx 游戲引擎開發優化有深刻理解。
鄭偉巍（Erik Zheng），畢業于哈爾濱工業大學熱力渦輪機專業，機械結構設計專家。曾任諾基亞通信、摩托羅拉高級結構設計工程師，熟悉壓鑄件/塑料件/鈑金件設計及加工工藝，熟練使用CREO和Ansys工具，也曾有三年汽車領域碰撞及非線性有限元分析經驗。現任Ansys中國高級應用工程師，負責中國區Ansys Discovery產品的技術支持以及中國北方的Ansys結構產品售前支持工作。
>>點擊報名：http://event.31huiyi.com/1925272907/index?c=jishulink
展開 
Ansys直播推薦 | 基于GPU的高逼真汽車內飾光學仿真
曾在 AMD、Intel 從事 3D 圖形驅動開發，在 epic games 從事 UNREAL 游戲引擎開發工作。對計算機圖形學、directx 游戲引擎開發優化有深刻理解。
點擊鏈接報名：http://event.31huiyi.com/1971978986/index?c=jishulink
12/3 基于GPU的高逼真汽車內飾光學仿真
曾在 AMD、Intel 從事 3D 圖形驅動開發，在 epic games 從事 UNREAL 游戲引擎開發工作。對計算機圖形學、directx 游戲引擎開發優化有深刻理解。
點擊鏈接報名：http://event.31huiyi.com/1971978986/index?c=jishulink
MeshWorks—強大的整車快速變形方法
通常變形的目標是一些目標線條或者匹配新的造型CAS面，變形步驟如下：
首先提取原model的特征線：
通過OCB&DCB面板創建對稱面，并劃分網格
得到完整的OCB
再通過1D mapping的方法得到DCB：
然后unrealize焊點和結構膠，以及創建小特征孔的集合set。這里通過創建set，可以使整車變形時圓孔的特征保持不變。
在通過impose面板導入OCB及DCB模型即可完成變形
變形后在進行進一步的局部調整、斷面匹配、網格修復等操作，最后在realize所有的焊點和結構膠。白車身快速變形完畢，請看下面動畫：
變形前后對比
在變形過程中可以保持截面不變
整個白車身網格變形方法的全部時間只需要2-3天！！！
此方法在國外著名的OEM廠商已經成熟應用，國內傳統OEM廠商，新勢力車企等也正在積極開始應用。該方法可以快速進行方案迭代，對于縮短新車型開發的周期具有重要價值！
篇幅所限，無法對變形方法進行詳細說明，如果您感興趣，請與我聯系，孟先生，18665820511。
若您想咨詢MeshWorks軟件購買事宜，請下方掃碼或聯系18665820511或caesoft@qq.com。
展開 PAMTRI：結合仿真數據+姿態信息的車輛ReID算法
作者使用UnReal4 + NVIDIA Deep learning Dataset Synthesizer（NDDS）(https://github.com/NVIDIA/Dataset_Synthesizer)插件作為工具進行制作，具體信息如下：
圖片背景：背景圖片來自于CityFlow視頻數據。
三維模型：選用42個車輛的CAD模型，每個模型標注了36個關鍵點（keypiont），共有10種顏色。
圖片生成：首先用Unreal4構建一個隨機的環境，然后選取背景圖片和車輛模型，設定隨機的位姿、光照，然后將三維模型投影至二維空間，再對其進行縮放、裁剪、水平翻轉、遮擋等后處理，然后生成圖片。
數據集規模：每個樣本包括RGB圖片和關鍵點的坐標、朝向、顏色、類型、id編號等信息。整個數據集包含402個id，共有41000張圖片。
生成的仿真數據集隨后將和真實數據集一起用作訓練集。本文采用的數據集的規模比較表如圖3所示：
圖3
多任務學習框架
可行性分析：在設計框架之前，首先要想搞清楚一個問題：像顏色、車型、車輛姿態這些信息，究竟是否有助于主任務車輛重識別的訓練呢？
作者認為是可行的，給出的理由如下：
車輛姿態信息隱含了車輛結構信息，這部分信息是每輛車關于視角不變的特征信息，因而模型需要學習提取之；
車型的信息也和車輛ID相關（不同車型對應不同的ID）；
結合車輛的關鍵點信息可以定位車輛關鍵部位的顏色信息，從而得到更準確的車輛特征屬性用于重識別。
展開 