在自动驾驶时代奔涌向前的路上, 仿真测试 早已不再是可选项,而是验证智能驾驶系统安全性、鲁棒性和泛化能力的 刚需 ,如何提升仿真测试的 保真度 已成为无法避免的重要话题。 这正是“ 数字孪生 ”出现的时代背景。本文为大家详细介绍 如何用传统与前沿结合的数字孪生构建流程 ,再配合 3DGS 的神经网络重建技术 ,为自动驾驶仿真测试注入真正的“现实之眼”。 一、从点云到高精地图的重建 依托独家的 aiData工具链 与 aiSim仿真平台 ,本文建立了一套 高精度数字孪生地图构建流程 ,已经广泛应用于布达佩斯 Kolosy广场、ZalaZone测试场等真实道路还原项目。整个流程包括: (左)带有标注的HD地图、(中)装饰HD地图、(右)aiSim中渲染 1、数据采集 采用搭载激光雷达(LiDAR)、高精度GNSS/INS系统的测绘车(如康谋DATALynx ATX4)执行移动激光扫描(MLS),通过aiData Recorder进行录制,主要路线至少绘制两次,确保 厘米级空间精度。 数采车示意图 2、点云聚合 使用 aiData Annotator 将多帧点云拼接为统一的全局坐标系,结合反射率、时间戳等多通道信息形成 高密度、低误差 的空间点集。 Tips: 详细数据采集精度和点云数据格式可联系康谋技术团队获取,可接受第三方数据,但建议在采集前与我们技术团队沟通优化策略。 3、高精地图建模 基于 聚合点云 手工标注道路元素:车道线、交通标志、人行道、护栏、红绿灯等。输出为GeoPackage格式的HD Map,用于自动驾驶系统参考。 ZalaZone试验场 LiDAR点云建模 ZalaZone试验场卫星参考图像 4、三维建模与装饰 借助 Atlas程序化建模引擎 ,生成道路、地形等基础结构,再通过aiSim Unreal插件手工装饰建筑、植被、街景设施,最大程度复现现实细节。为了获取最大精度,康谋将会采用 DCC工具 ,例如Maya、Blender、Substance等工具利用可用数据构建新模型; 二、颠覆性革新:NeRF 与 3DGS 重建 传统方式 固然精准,但 高成本、高周期、强人工依赖 ,难以支撑大规模、快速迭代的测试需求。 本文分享的 神经网络重建方案 ,则以 NeRF+ 3DGS 为核心技术,实现了从真实环境到仿真世界的跃迁: 1、仅需数日,完成街景重建 相比传统数月的手动建模,神经网络重建 只需几天时间 ,就能将采集到的图像和点云数据自动生成高保真的三维静态场景。 在aiSim中重建Waymo场景 2、进一步消除 Domain gap,场景逼真如实地拍摄 通过 DEVIANT算法 验证3D目标检测精度、Mask2Former测量像素一致性等方式,验证了神经重建场景在多摄像头视角下的 高可用性 与 仿真一致性 。 请查看最新发表的论文“Hybrid Rendering for Multimodal Autonomous Driving: Merging Neural and Physics-Based Simulation” 3、降本增效,拒绝重复建模 方案致力于告别繁复的建模软件与人工建模流程,实现 端到端自动化构建 ,大幅降低人力与制作成本。 4、场景增强与标准兼容 在生成的三维场景中,可 灵活添加动态对象 (车辆、行人、信号灯等),并 全面兼容OpenSCENARIO 标准,适配多种自动驾驶测试平台。 三、重建工作流:从采集到仿真部署 神经网络重建方案遵循高度自动化流程: 流程图 (1)数据采集: 使用DATALynx ATX4记录图像、LiDAR点云和自车位姿;推荐配置包括Hesai Pandar64、环视非鱼眼摄像头和NovAtel高精度组合导航系统。 (2)数据转换: 将原始数据转化为康谋格式,统一处理点云、图像和标定信息。 (3)自动标注: 利用aiData工具链去除动态目标、生成GT数据,实现非因果式追踪。 环视系统自动标注 (4)神经网络训练: 使用NeRF/3DGS算法生成高精度三维场景。 (5)仿真部署与增强: 在aiSim仿真平台中集成重建场景,配置不同环境(暴雨、夜晚、雪天)、多模态传感器(摄像头、LiDAR、毫米波雷达等)与虚拟交通流。 雨天场景 四、仿真世界,无需困于“假” 在自动驾驶技术快速发展的今天,数字孪生已从 简单的场景复制 ,进化为具备 真实物理特性的虚拟世界 。我们和众多同行们正在见证一场仿真技术的革命: (1)通过激光雷达的精准测绘确保厘米级精度 (2)借助3DGS/NeRF实现场景的智能重建 (3)融合传统与创新的技术优势 康谋致力于将 传统构建流程 与 前沿神经网络重建技术 相融合,用速度、真实与自动化重塑自动驾驶仿真测试的范式。