場景重建的案例
如何閉環(huán)自動駕駛仿真場景，實現(xiàn)從“重建”到“可用”？
（2）2D 語義分割：針對圖像數(shù)據(jù)做語義分割，輸出分割標注，輔助 3D 場景的細節(jié)優(yōu)化。
（3）相機位姿優(yōu)化：校準、優(yōu)化傳感器采集的位姿數(shù)據(jù)，確保 3D 重建時空間坐標的準確性，輸出精準位姿信息。
3、3DGS 場景重建
基于預處理后的 “干凈數(shù)據(jù)”，aiSim 啟動神經(jīng)網(wǎng)絡重建流程：融合 NeRF 的幾何泛化能力與 3DGS 的實時渲染特性，構建跨模態(tài)信息傳遞機制（T-S 結構）—— 將 NeRF 學習的深度、法線、外觀等監(jiān)督信號，通過多模態(tài)數(shù)據(jù)協(xié)同訓練（引入 LiDAR 深度約束），遷移至 3DGS 的高斯參數(shù)優(yōu)化中。最終，離散點云與圖像數(shù)據(jù)被轉化為連續(xù)的 3D 高斯場景表示，實現(xiàn) “真實場景→數(shù)字孿生” 的高效映射。
在這個關鍵環(huán)節(jié)中，T-S 結構發(fā)揮著核心橋梁作用，它使 NeRF 在處理圖像數(shù)據(jù)時所學習到的深度、法線及外觀等關鍵監(jiān)督信號，能夠順暢地傳遞至 3DGS 模型中。同時，引入 LiDAR 深度約束，進一步提升了幾何建模的精準度。LiDAR 所獲取的精確深度信息，作為一種強約束條件，參與到多模態(tài)數(shù)據(jù)的協(xié)同訓練過程中，幫助 3DGS 更準確地優(yōu)化高斯點的位置、協(xié)方差矩陣等參數(shù)，從而構建出與真實場景高度契合的 3D 高斯場景。
經(jīng)過這一系列處理流程，原本離散、無序的點云與圖像數(shù)據(jù)，被成功轉化為連續(xù)、逼真的 3D 高斯場景表示，實現(xiàn)了從現(xiàn)實世界到數(shù)字孿生世界的高效、精準映射，為后續(xù)的場景編輯與仿真應用提供了優(yōu)質的基礎場景。
為驗證重建場景的一致性，aiSim 引入 DEVIANT 算法與 Mask2Former 算法形成雙重校驗。其中 DEVIANT 算法聚焦幾何精度。通過模擬單目 3D 目標檢測邏輯，對重建場景中車輛、行人等目標的深度、位置、尺寸進行校驗。
展開 3DGS技術詳解（一）：3DGS如何融合動態(tài)天氣與光照等環(huán)境因素？
一、引言
無論是暴雪過后的街道、夜幕下車燈照亮的路面、還是雨霧交織的高速公路——這些對人類駕駛員而言習以為常的場景，卻構成了自動駕駛系統(tǒng)面臨的環(huán)境感知極限挑戰(zhàn)。這是由于傳統(tǒng)3D場景重建技術在面對復雜環(huán)境時常常力不從心：要么把雪花當成場景的一部分輸入進模型，要么在光照變化時直接失效。
近年來，3D高斯?jié)姙R（3D Gaussian Splatting, 3DGS）技術的崛起，為這一困境帶來了革命性轉機。該技術不僅實現(xiàn)了近乎實時的逼真場景渲染，更在動態(tài)天氣建模、光照變化處理等關鍵領域取得突破性進展，正在重新定義自動駕駛仿真系統(tǒng)的能力邊界。
本文將系統(tǒng)梳理3DGS從靜態(tài)重建到動態(tài)環(huán)境建模的技術演進，并探討其在自動駕駛仿真中的實踐應用。
二、靜態(tài)重建到動態(tài)環(huán)境的技術演進
1、3DGS的核心機制與局限
3DGS用數(shù)百萬個3D高斯橢球體來表示場景，每個高斯體攜帶位置、協(xié)方差、不透明度和顏色信息。渲染時按深度排序投影到2D平面，通過alpha混合生成最終圖像。相比NeRF需要對每個像素進行耗時的體積渲染，3DGS的光柵化過程能充分利用GPU并行計算，實現(xiàn)實時渲染。
但原始3DGS有個致命缺陷：它假設場景靜態(tài)、光照恒定。這在博物館文物掃描中沒問題，但放到真實世界就行不通了。雪天拍攝的街景會把空中飄落的雪花、鏡頭上的水滴都當作場景固有特征學習進去，導致重建出的場景永遠"下著雪"。
2、天氣環(huán)境重建
真實世界的天氣環(huán)境重建需要攻克三個核心難題：天氣偽影的分離去除、動態(tài)天氣效果的逼真生成，以及移動光源下的場景重建。
展開 超表面賦能結構光三維重建 | 實現(xiàn)超大視場高精度實時重建
，再經(jīng)特征匹配與點云拼接獲取全場景三維信息。
3DGS 與 OpenMATERIAL：場景表示與材質標準的分層協(xié)同
關鍵詞：3DGS、仿真、LIDAR、場景重建、渲染、汽車、OpenMATERIAL
一、引言
3DGS（3D Gaussian Splatting）的出現(xiàn)重塑了場景重建工作流，通過采集的相機與 LiDAR 數(shù)據(jù)，可直接重建出視覺質量接近手工建模的高保真場景，無需美術師逐資產(chǎn)打磨材質貼圖。
康謀世界提取工具鏈在此基礎上更進一步：通過 NeRF 教師 + 3DGS 學生的兩階段訓練，每個 Gaussian 不僅攜帶顏色，還承載 LiDAR 強度特征和語義標簽，可同時驅動相機仿真（光柵化后端）和 LiDAR 仿真（光線追蹤后端），支持 ≥100,000 m2 的大規(guī)模場景重建。
由此引出核心疑問：在已有能攜帶 LiDAR 強度的 3DGS 之后，是否還需要為每個資產(chǎn)單獨維護 3D 資產(chǎn)或 .xoma 文件？
本文核心結論先行：兩者不在同一層級，并非替代關系。3DGS 解決的是“如何高效表示和渲染場景”，而 OpenMATERIAL 解決的是“如何標準化描述物理材質屬性”。具體分析見下文：
二、OpenMATERIAL 解決什么問題
2.1 傳統(tǒng)格式的盲區(qū)
glTF、FBX、USD 在視覺渲染方面已經(jīng)成熟，但它們描述的只是視覺材質：顏色、法線貼圖、粗糙度貼圖。這些參數(shù)對渲染引擎足夠，對傳感器仿真則不夠。
具體后果：
LiDAR 仿真：濕瀝青與干混凝土的 LiDAR 回波強度有顯著差異（表面粗糙度、水膜光學性質不同），傳統(tǒng)格式無法描述這種差異；
毫米波雷達仿真：金屬與塑料的雷達截面積（RCS）差別可達 10–20 dB，但 glTF 材質的 metallic 參數(shù)針對光學渲染設計，無法映射為電磁仿真所需的介電常數(shù)。
這是傳統(tǒng)格式的結構性缺失，不是工程實現(xiàn)問題。
展開 
康謀分享 | aiSim5基于生成式AI擴大仿真測試范圍（終）
在前面的幾章節(jié)中探討了aiSim仿真合成數(shù)據(jù)的置信度，此外在場景重建和測試流程閉環(huán)的過程中，難免會面臨3D場景制作重建耗時長、成本高、擴展性低以及交通狀況復雜程度難以滿意等問題，當前的主要挑戰(zhàn)在于如何自動化生成3D靜態(tài)場景并添加動態(tài)實例編輯，從而有效縮短測試流程，擴大仿真測試范圍。
編輯
圖1：實際圖像
圖2：NeRF重建場景
對于3D重建，目前主要的兩種解決方案為NeRF和3DGS。
一、NeRF
1、神經(jīng)輻射場（Neural Radiance Fields）
NeRF是將三維空間中的每個點的顏色和密度信息編碼為一個連續(xù)的函數(shù)并由MLP參數(shù)化。給定一個視角和三維空間中的點，NeRF可以預測該點的顏色和沿視線方向的密度分布。通過對這些信息進行體積渲染，NeRF能夠合成出新視角下的圖像。
2、優(yōu)勢
高保真輸出。
基于NerFStudio提供了較為友好地代碼庫。
相對較快的訓練時間。
對于待重建區(qū)域具有可擴展性。
3、不足及主要挑戰(zhàn)
渲染速度緩慢。NeRF需要沿著從相機到場景的每條光線進行大量的采樣和計算，以準確估計場景的體積密度和顏色。這個過程計算密集，在NVIDIA A100上進行了測試，全HD分辨率下，渲染一張圖像大約需要10s。
場景深度估計效果不理想。NeRF通過體積渲染隱式地學習了場景的深度信息，但這種深度信息通常是與場景的顏色和密度信息耦合在一起的。這意味著，如果場景中存在遮擋或非朗伯（non-Lambertian）反射等復雜情況，NeRF可能難以準確估計每個像素的深度。
近距離物體重建質量可能較低。
展開 解鎖端到端仿真新可能 ：全新aiSim 6 即將發(fā)布
3D Gaussian Splatting（3DGS）已成為業(yè)界神經(jīng)場景重建的主流路線之一，但其結構性局限在于：光照信息被"烘焙"進點云，無法動態(tài)調整。一條在正午采集的路段，無法在不重新出行采集的情況下還原為夜間或雨后場景——而端到端模型需要在所有光照條件下都有足夠的訓練樣本。
其二，長尾邊緣場景的物理真實性缺失。 落葉被氣流卷起、雨天水花飛濺、井蓋蒸汽彌漫——這些在真實道路上極低頻率出現(xiàn)的物理現(xiàn)象，恰恰是傳感器容易誤判的高風險場景。傳統(tǒng)仿真無法對這類流體動力學效應進行物理級建模，導致算法在此類場景下的泛化能力無法被有效驗證。
其三，場景生成效率與算法迭代速度的錯配。 端到端模型對場景多樣性的需求呈指數(shù)級增長，但 OpenSCENARIO 場景的手工編寫效率幾乎沒有本質改變。當算法團隊每周迭代，而測試場景庫每季度才能更新，驗證管線就會成為整個研發(fā)體系的瓶頸。
面向上述背景的下一代自動駕駛開發(fā)范式，aiSim 6 針對端到端模型訓練與驗證的核心痛點，進行了非常規(guī)版本迭代，而是在神經(jīng)渲染、AI 場景工作流、物理仿真三大領域進行系統(tǒng)性重構，并計劃于2026 年上半年正式發(fā)布
02 全新aiSim 6即將發(fā)布
這不是一次常規(guī)版本迭代——aiSim 6 是針對下一代自動駕駛開發(fā)范式的系統(tǒng)性重構，在神經(jīng)渲染、AI 原生工作流、物理仿真三個維度同步推進。
1、基于物理的動態(tài)神經(jīng)渲染
3D Gaussian Splatting（3DGS）是當前神經(jīng)場景重建的主流技術路線，能夠將真實道路環(huán)境重建為高保真數(shù)字孿生場景，仿真效果極具說服力。
但 3DGS 有一個結構性局限：顏色與光照信息是"烘焙"進 splat 點云之中的，場景一旦采集，光照條件就被固定——原本在正午拍攝的路段，無法還原為傍晚或夜間環(huán)境。
展開 小米收購深動科技：5 億人民幣，買了什么技術？
采用了攝像頭 + IMU 慣導模塊的 VI-SLAM 技術方案，解決的是 AR 頭盔的空間位置與姿態(tài)問題，簡單了解就是，解決了真實物體的場景定位的問題。
而蔡銳則是做將真實場景虛擬重建技術的，就是用攝像頭去感知外部環(huán)境，來重建虛擬重建外部物體的模型，是不是有點熟悉，沒錯和前幾天特斯拉 AI 日上，特斯拉提到的模型重建仿真技術相似。
而楊奎元的技術方向就是用深度學習技術和 AI 技術來對圖像識別，在微軟主要是做搜索產(chǎn)品。
張弛主要是做 3D 立體視覺技術，也就是通過攝像頭來做平面圖像的 3D 立體成像，這在自動駕駛上則是重大的用處，攝像頭對 3 維度空間的感知要求很高，這個技術可以解決感知上眾多問題。
看到這我們其實就有了一個基礎的了解了，他們 4 個人的技術涵蓋了計算機是視覺中的定位、感知、場景重建以及 AI 圖像識別，而這些可以技術可以完美的復用在自動駕駛領域，從深動科技做以高精地圖為核心的感知、定位、決策的自動駕駛解決方案也能看出。
了解了背景完美需要看看，深動科技具體的技術方向與能力。
精度高、低成本的技術，5 億不貴
我們都知道自動駕駛技術一般被分為感知、規(guī)劃、控制單個部分，這三個部分每個部分都能分出無數(shù)個技術細節(jié)，但在自動駕駛大的技術框架內地圖和定位也是非常重要的。
按照現(xiàn)在小鵬 NGP、蔚來 NOP 的工作邏輯來看，就是車輛根據(jù)地圖（或高精地圖）來做一個行進路線的規(guī)劃，然后通過感知攝像頭來做環(huán)境識別，通過感知數(shù)據(jù)的計算分析得出交通參與者信息，系統(tǒng)根據(jù)計算結果來做執(zhí)行控制指令輸出，車輛才可以做出動作。
展開 探討如何構建端到端高置信度驗證體系？
2、靜態(tài)場景高保真重建與驗證
目標是確保場景在幾何、材質和光照三個維度上與現(xiàn)實世界一致。
（1）工程化驗證流程
PBR材質要求：材質庫應基于測量數(shù)據(jù)，并遵循如ASAM OpenMATERIAL等標準，確保不同仿真平臺間的一致性。
（2）光照模型驗證：
流程：在真實場景的關鍵位置使用照度計測量光照強度，并與仿真環(huán)境中對應點的渲染結果對比。對于人造光源，必須使用其IES文件進行建模。
指標：照度（Lux）誤差，目標偏差通常要求低于10-15%。
（3）GS/NeRF場景驗證：
幾何誤差：使用LiDAR點云作為地面真理，計算重建場景的幾何RMSE。
光照一致性：在場景中放置虛擬的、已標定的相機模型，渲染圖像并與真實照片對比（PSNR/SSIM）。
多模態(tài)一致性：基于下游感知任務驗證從重建場景中生成的相機圖像和LiDAR點云是否在空間和語義上保持一致。
3、動態(tài)場景高置信度還原
目標是實現(xiàn)交通流和關鍵交互行為在時空維度上的精確復現(xiàn)。
（1）數(shù)據(jù)驅動的軌跡與行為重建
多傳感器同步：在數(shù)據(jù)采集階段，必須使用高精度時鐘同步方案（如PTP/gPTP協(xié)議）保證所有傳感器（GPS/IMU, LiDAR, Camera）的時間戳在亞毫秒級對齊。
宏觀軌跡重建：利用多傳感器融合與平滑濾波算法（如Kalman濾波），從帶噪的原始數(shù)據(jù)中重建出高頻（如100Hz）、平滑且物理可信的軌跡[8]，從而重建出特定路段的交通流。
微觀智能體模型：這些模型可以根據(jù)場景上下文（如地圖信息、其他車輛狀態(tài)）進行條件化生成，從而實現(xiàn)智能體之間的閉環(huán)交互。例如，Waymo提出的Sim Agent[9]等模型，旨在學習一種能夠對其他智能體行為和Ego車規(guī)劃做出真實反應的策略.
展開 視覺重建到物理仿真，3DGS如何走向工程應用？
文章中，我們系統(tǒng)梳理了3D高斯?jié)姙R（3DGS）如何突破靜態(tài)重建的局限，實現(xiàn)對動態(tài)天氣、移動光源等復雜環(huán)境因素的建模與仿真。這標志著3DGS已不再僅僅是“高保真場景重建工具”，而開始具備承載真實世界多變性的潛力。
然而，一個能夠以假亂真的視覺場景，對于自動駕駛仿真、數(shù)字孿生等工業(yè)應用而言，仍然只是起點。仿真系統(tǒng)的真正價值，在于提供一個“可交互、可驗證、可推演”的數(shù)字環(huán)境。這意味著，場景中的物體必須能夠響應碰撞、發(fā)生形變；表面材質需要符合物理光學規(guī)律，呈現(xiàn)真實的反射與光澤；環(huán)境光照也應支持動態(tài)變化，以模擬從正午到深夜、從晴天到雨霧的完整觀測條件。
過去兩年，圍繞3DGS的研究正迅速從“視覺重建”向“物理與光學表達”延伸。從為高斯賦予物理屬性的PhysGaussian，到精確建模鏡面反射的MirrorGaussian，再到支持動態(tài)重光照的GS^3——這些前沿工作共同指向一個趨勢：3DGS正在演化為一種更統(tǒng)一的場景表達技術，有潛力同時承載幾何、材質、運動與光照等多維信息，成為連接真實世界與工業(yè)仿真的新接口。
本文將聚焦這一演進趨勢，梳理3DGS在物理交互、反射建模與動態(tài)光照三大方向上的關鍵技術突破，并結合仿真軟件aiSim的工程實踐，探討這些能力如何被組織進一個穩(wěn)定、可控的工業(yè)級驗證體系中，推動仿真從“視覺真實”走向“物理一致”。
二、從重建到表達
3DGS 的核心思想，是使用一組三維高斯對場景進行顯式表示，并通過可見性感知的 splatting 渲染，實現(xiàn)高質量的新視角合成。相較于傳統(tǒng) NeRF，3DGS 在訓練效率、渲染速度以及細節(jié)保真度方面表現(xiàn)出明顯優(yōu)勢，因此迅速成為三維重建與神經(jīng)渲染領域的重要路線。
但 3DGS 的真正潛力，并不只體現(xiàn)在渲染效率上。
更關鍵的是，這種表示方式是顯式的、可編輯的，并且天然適合附加更多屬性。
展開 可達厘米級？美國一手機APP讓你的大疆無人機也能一鍵快速3D建模
與傳統(tǒng)的3D建模軟件不同，SkyeBrowse使用了一種稱為攝影測量的技術（將數(shù)百幅圖像拼接在一起）來數(shù)字化重建場景，并使用了被稱為“視頻測量”的專利技術。之所以使用視頻，是因為視頻實際是一系列的圖片、包含更多的信息。
報道稱，要使用SkyeBrowse APP將你的大疆或道通無人機的視頻轉換為3D模型需要如下步驟:
①將你的iPhone手機連上遙控器并打開SkyeBrowse APP；
②將你的無人機飛到你想建模的地點上空；
③點擊“SkyeBrowse”。
值得一提的是，SkyeBrowse并不是簡單的從視頻中提取幀然后建模的。據(jù)報道，它計算無人機的飛行路徑來預生成一個3D模型，在你拍攝和上傳視頻時這個預生成的模型已經(jīng)準備好了。然后，視頻的每一幀都在完善這個模型。
據(jù)稱，SkyeBrowse所繪制的3D模型精度達到厘米，該公司還發(fā)表了白皮書將其精度與行業(yè)標桿Pix4D和徠卡（Leica）進行了比較。而生成3D模型后，你還可以在SkyeBrowse查看器中測量距離、高度和面積。并能對模型進行截屏并對模型進行注釋。
報道稱，其最初的設計初衷是為專注于事故現(xiàn)場調查的公共安全官員提供一個“力量倍增器”。但如今，除了執(zhí)法部門，消防部門、危險品處理小組、災難救援機構和建筑專業(yè)人員也在使用該應用程序來獲得即時的態(tài)勢感知。例如在俄亥俄州，消防部門用它繪制了一個體育場的地圖，以應對潛在的恐襲。
該公司稱，2020年，其幫助應急服務部門提供了2000多個3D區(qū)域模型。此外，其平臺還用于測繪了去年全美國所有車禍中的約0.1%，這節(jié)約了用于事故調查的9000多個工時。
并大大減少了數(shù)千人暴露在交通和其他危險中的風險。通常需要一隊警官耗時6小時才能完成的場景重建，現(xiàn)在的耗時“和泡一杯咖啡差不多”。
展開 康謀方案 | 高精LiDAR+神經(jīng)渲染3DGS的完美融合實踐
為了獲取最大精度，康謀將會采用DCC工具，例如Maya、Blender、Substance等工具利用可用數(shù)據(jù)構建新模型；
二、顛覆性革新：NeRF 與 3DGS 重建
傳統(tǒng)方式固然精準，但高成本、高周期、強人工依賴，難以支撐大規(guī)模、快速迭代的測試需求。
本文分享的神經(jīng)網(wǎng)絡重建方案，則以NeRF+ 3DGS為核心技術，實現(xiàn)了從真實環(huán)境到仿真世界的躍遷：
1、僅需數(shù)日，完成街景重建
相比傳統(tǒng)數(shù)月的手動建模，神經(jīng)網(wǎng)絡重建只需幾天時間，就能將采集到的圖像和點云數(shù)據(jù)自動生成高保真的三維靜態(tài)場景。
在aiSim中重建Waymo場景
2、進一步消除 Domain gap，場景逼真如實地拍攝
通過DEVIANT算法驗證3D目標檢測精度、Mask2Former測量像素一致性等方式，驗證了神經(jīng)重建場景在多攝像頭視角下的高可用性與仿真一致性。
請查看最新發(fā)表的論文“Hybrid Rendering for Multimodal Autonomous Driving: Merging Neural and Physics-Based Simulation”
3、降本增效，拒絕重復建模
方案致力于告別繁復的建模軟件與人工建模流程，實現(xiàn)端到端自動化構建，大幅降低人力與制作成本。
4、場景增強與標準兼容
在生成的三維場景中，可靈活添加動態(tài)對象（車輛、行人、信號燈等），并全面兼容OpenSCENARIO標準，適配多種自動駕駛測試平臺。
展開 
告別數(shù)月等待：數(shù)字孿生場景生成從此進入“日級”時代
具體實施步驟為：
客戶自有數(shù)采車隊采集場景數(shù)據(jù)，用于3DGS場景重建；
基于采集數(shù)據(jù)構建3D模型，支持高保真交通、場景和傳感器仿真；
訓練3DGS數(shù)據(jù)孿生場景，并無縫導入aiSim中使用；
提供客戶自有UE引擎DiL模擬工具，實現(xiàn)駕駛員參與的閉環(huán)仿真測試。
四、總結
在自動駕駛的競爭賽道上，高保真、可擴展的仿真場景構建已成為端到端系統(tǒng)級驗證的關鍵。
無論你是整車廠還是Tier1團隊，都可以借助 World Extractor + aiSim 快速搭建符合自身傳感器、算法和測試要求的高保真仿真環(huán)境，實現(xiàn)真正的端到端系統(tǒng)級驗證。
我是分享自動駕駛技術的康謀，歡迎關注互動~
展開 邁向智駕高階驗證：康謀高保真HIL仿真解決方案，重塑測試價值
2、aiSim 定義核心技術
該方案的核心軟件aiSim，作為全球首個通過ISO 26262 ASIL-D認證的仿真工具，其技術領先性全方位賦能測試提升：
解決3DGS重建下大FOV相機導致的非一致性問題
（1）高保真感知仿真：融合光柵化、光線追蹤、NeRF/3DGS 多渲染技術，自研 GGSR 通用高斯?jié)姙R渲染器優(yōu)化 RayTracing 傳感渲染，解決廣角鏡頭一致性問題，雨雪天氣反射衰減、雷達多徑效應等環(huán)境交互效果高度還原，多目標檢測 Recall 達 64.68%，逼近真實道路測試水平
（2）低延遲數(shù)據(jù)傳輸：基于 PCIe DMA 內存直接訪問技術，實現(xiàn) GPU 至注入板卡延遲≤1ms，40Gbit/s 通道帶寬支撐 4K 級高分辨率傳感器數(shù)據(jù)傳輸，光柵化渲染模式下 30FPS 穩(wěn)定輸出，光線追蹤模式 14FPS 流暢運行（持續(xù)優(yōu)化中）
（3）智能場景覆蓋：支持 AutoGI 生成式場景泛化與 Log2World 自動化場景重建，兼容 Euro NCAP 法規(guī)場景與 Corner Case 提取，通過拉丁超立方抽樣與貝葉斯自適應算法，實現(xiàn)測試覆蓋度與邊緣場景探索效率雙重提升
（4）全棧模型支撐：內置高保真 Camera/LiDAR/Radar/GNSS/Ultrasonic 傳感器模型，提供 GT 真值與物理級雙模式仿真，支持鏡頭畸變、動態(tài)模糊、點云反射率等細節(jié)參數(shù)配置，車輛動力學模型覆蓋 2D/2D3/3D 及拖車場景，滿足多車型、多場景測試需求
二、核心優(yōu)勢
該HIL 方案可以幫助客戶實現(xiàn)成本、性能、安全的三重平衡：
首先成本優(yōu)化層面，方案通過軟件架構革新與硬件資源高效利用，相比傳統(tǒng)方案整體測試成本降低 30%，避免硬件迭代帶來的重復投入，新增部署與升級改造均具備高性價比；
其次置信度層面，方案核心軟件
展開 康謀分享 | aiSim5激光雷達LiDAR模型驗證方法（二）
三、實際應用
在實際應用中，通過場景重建可以比對驗證aiSim中LiDAR模型的置信度：
1、高速公路場景點云
紅色點云為aiSim仿真場景中LiDAR輸出結果，綠色點云為真實世界中LiDAR點云數(shù)據(jù)，仿真點云的總體形狀與真實數(shù)據(jù)非常接近。
圖5：高速場景對比1
圖6：高速場景對比2
2、點云細節(jié)對比
在同一車道中，遠距離外部車輛的點云數(shù)據(jù)與實際情況非常接近。
圖7：同車道遠端車輛點云對比
當然，在一些場景下，真實的激光雷達（綠色）激光束穿透玻璃表面的比例高于仿真（紅色）的結果。
圖8：玻璃材質穿透對比
以上就是驗證aiSim激光雷達LiDAR模型的驗證方法。
作者介紹
崔工
康謀科技仿真測試業(yè)務技術主管，擁有超過5年的汽車仿真測試及自動駕駛技術研發(fā)經(jīng)驗，熟練掌握仿真測試工具和平臺，如aiSim、HEEX等，能有效評估和優(yōu)化自動駕駛系統(tǒng)的性能和安全性。擁有出色的跨文化溝通能力，成功帶領團隊完成多項海外技術合作項目，加速了公司在自動駕駛技術上的國際化進程。作為技術團隊的核心，領導并實施過大規(guī)模的自動駕駛仿真測試項目，對于車輛行為建模、環(huán)境模擬以及故障診斷具有獨到見解。擅長運用大數(shù)據(jù)分析和人工智能技術，優(yōu)化仿真測試流程，提高測試效率和結果的準確性。
展開 一文介紹特斯拉AD/ADAS緊急制動安全分析案例
4、技術結論
基于上述分析，我們對Autopilot 的行為得出一些結論：
（1）ODD邊界行為：當場景超出Autopilot設計域時，系統(tǒng)會無預警退出，迫使駕駛員緊急干預；
（2）風險預判機制：對潛在切入障礙物存在過度敏感現(xiàn)象，可能觸發(fā)非必要制動。
四、結語
在本篇文章中，我們介紹了如何使用 IVEX 安全分析平臺分析特定場景類別 —— 意外緊急制動情況。從案例中也可清晰了解到IVEX安全分析平臺在AD/ADAS數(shù)據(jù)解析中的三大優(yōu)勢：
（1）異常行為快速定位
（2）多維度場景重建
（3）系統(tǒng)決策溯因分析
