标签: 汽车

中国汽车市场以年均 超 3000 万辆 的销量规模（占全球 1/3以上），正推动安全标准从 被动防护向主动预防 转型。2024 年 7 月实施的 C-NCAP （ China New Car Assessment Program）修订版首次将 驾驶员监控系统（DMS） 、 道路特征识别（RFR） 纳入评分体系，其中 DMS 占主动安全分值 40% （总分 2 分），检测准确率需 ≥90% 。 这一变革不仅响应 工信部 GB/T 41796-2022 等三项国家标准要求，更标志着中国从汽车安全规则 跟随者向制定者 的角色转变。 一、标准解读：C-NCAP 2024 1、什么是 C-NCAP？ C-NCAP（中国新车评价规程） 于 2006 年启动，以 Euro NCAP为蓝本，是中国官方的车辆安全评级系统。该项目由中国汽车技术研究中心（CATARC）管理，目前同时 评估被动安全和主动安全性能 。 关键里程碑： （1）2006 年：C-NCAP 成立，专注于乘员碰撞耐撞性评估。 （2）2018-2021 年：引入被动安全增强测试（侧柱碰撞和鞭打测试）。 （3）2024 年修订版：重大更新包括纳入主动安全，新增自动紧急制动（AEB）、驾驶员监控系统（DMS）、道路特征识别（RFR）和弱势道路使用者（VRU）保护等测试。 2、中国汽车安全框架要求 驾驶员状态监控（DFM）： 测量驾驶员的身体 - 认知状态（如眼睑开合度、头部姿势），并在达到特定阈值后发出疲劳警告。 驾驶员注意力监控（DAM）： 检测视线方向和分心行为，若眼睛离开道路超过 3-5 秒，将逐级发出警报。 数据隐私与安全： 收集的驾驶员数据必须符合中国《个人信息保护法》（PIPL），对生物识别信息进行匿名化处理，并确保传输安全。 3、C-NCAP亮点： 2024 年 C-NCAP 协议将主动安全提升至核心地位，为车内监控和 ADAS 功能分配了总分中最高 2 分的分值。这是 DMS 首次直接对整体安全评级产生影响。 （1）评分构成： DMS 占 2 分，分值仅次于 AEB 的 3 分。 （2）测试场景： DFM 测试：闭眼、打哈欠、头部低垂； DAM 测试：视线偏离道路、使用手机。 （3）评分标准： 需达到≥90% 的检测准确率才能获得满分。 （4）传感器融合：评估车内与车外传感器的集成能力（如 DMS + AEB + VRU）。 （5）道路特征识别（RFR）： 评估在不同天气和光照条件下对交通标志和车道的检测能力。 除此之外， 行人和骑行者保护 一直未受到足够重视。2024 版 C-NCAP 改变了这一现状，整合了 VRU-AEB 测试和被动碰撞评估： （1）主动 VRU-AEB： 场景包括遮挡行人与骑行者，分昼夜进行测试。 （2）被动安全测试： 对行人假人进行头部和腿部碰撞评估。 （3）全球最佳实践接轨： 通过结合规避（AEB-VRU）和伤害减轻测试，C-NCAP 与 Euro NCAP 针对 VRU 安全的双重方法形成呼应。 这种双重办法反映了全球最佳做法，既处理避免损害问题，也处理减轻损害问题。这些措施推动 OEM 集成 先进的传感器融合 和 坚固的车辆结构 ，使所有用户的街道更安全。 二、行业落地的技术瓶颈与合规挑战 1、落地情况 自 2024 版 C-NCAP 实施以来， 中国主要 OEM （如上汽、吉利、比亚迪）已 在所有新车型 中集成符合 C-NCAP 标准的 DMS。 比如 博世 和 法雷奥 等行业龙头已推出集成 DMS 平台，采用 多模态传感器组合 （红外、RGB、雷达）。 目前存在以下 验证趋势 ： - 虚拟仿真：将基于物理的传感器建模与 AI 结合，加速验证进程。 - 合成数据：减少对真实道路测试的依赖，加快合规工作流程。 2、合规难点 当前，汽车行业在迈向 更高安全合规标准 的过程中仍面临 多重挑战： - 成本压力： 高性能ADAS（高级驾驶辅助系统）硬件的研发与生产成本高昂，如何在保证性能的同时控制成本，成为车企面临的一大挑战。 - 恶劣环境可靠性： 雨、雪、雾和低光等恶劣环境对DMS和RFR系统的可靠性提出了更高要求，如何确保在这些条件下系统的准确性和稳定性，是车企必须解决的问题。 - 复杂协议测试： AEB（自动紧急制动）、DMS和RFR等系统的广泛测试要求，给车企的研发团队带来了巨大压力，如何在保证测试质量的同时缩短产品上市时间，成为亟待解决的难题。 - 误导性广告风险： 部分车企在宣传ADAS功能时存在误导性陈述，导致消费者对系统能力产生过高期望，增加了事故风险。 - 国际法规差异： 随着中国车企积极进军国际市场，如何满足不同国家和地区的法规要求，成为车企必须面对的挑战。 三、Anyverse助力车企应对安全挑战 我们不难发现， 传统的开发测试模式 已 难以满足 新规下 快速迭代与严格合规 的双重需求。 Anyverse平台优势 显得尤为重要，它以其 独特的虚拟仿真 与 合成数据技术 ，正在彻底改变 OEM 测试 和 验证驾驶员监控系统 的方式： - 模拟 数千种 车内场景（人口特征、行为、光照）。 - 实现摄像头、红外和雷达模态的 完美校准 。 - 针对 GB/T 和 C-NCAP 基准进行预验证，将物理原型需求 减少高达 80%。 通过使用 合成数据 ，即使在面对中国监管机构的严格审查时，制造商能够大胆地扩展开发、加速验证并保持安全合规性。 Anyverse 已通过提供 符合 Euro NCAP 的测试场景目录 ，帮助 OEM 和一级供应商实现 Euro NCAP 合规。这使得目标为进入欧洲市场的中国 OEM 能够 提前验证其系统 ， 利用合成数据满足最新的欧盟法规 。 Anyverse| InCabin 是一个符合 NCAP 要求的 一站式平台， 能够生成所有需要的数据，根据 C-NCAP 和 Euro NCAP 的精确测试场景验证系统。使汽车企业能够 “一次构建，全球合规” ，在加快上市时间的同时，降低验证的成本和复杂性。 四、结论 在汽车安全标准日益严苛的今天，C-NCAP新规的出台无疑为汽车行业指明了新的发展方向—— 从被动安全向主动安全全面转型。 通过与 GB/T 标准保持一致 并利用 基于物理的仿真， OEM 和供应商才可以实现遵守、超越，并提供强大、可靠的舱内 AI，进而满足中国及其他地区最严格的安全和监管基准。 因此面对技术实现难点与法规合规的双重挑战，车企亟需 创新解决方案 以提升产品安全性能并加速市场布局。

在竞争白热化的智能汽车赛道，深蓝汽车近期因一系列“迷之操作”，被舆论的熊熊烈火炙烤得焦头烂额。 事情起因是，大量深蓝汽车老车主公开吐槽称，深蓝汽车在没经过车主同意的情况下在车机大屏幕投放广告。为此，深蓝汽车及其CEO邓承浩发文道歉，并表示：内部已进行了流程优化，未来将不再通过车机通道给用户推送权益提醒。 不过，道歉后深蓝汽车对用户隐私条例进行了更新，主要新增了用户数据采集，如果用户不同意更新，则只能以游客身份访问App。所以又有网友辣评，“这是要强行让大家同意看广告？” 对此，深蓝汽车法务部发文回应：“此次深蓝汽车APP端隐私政策的调整是应有关部门要求，对隐私政策中涉及的第三方SDK内容进行调整，核心目的是强化用户隐私保护，不涉及任何其他内容更改。” 最终，深蓝汽车品牌形象因这一系列操作，遭到外界质疑。 车机该不该投广告？ 深蓝汽车因车机广告问题深陷舆论漩涡，这一事件绝非孤立，而是行业乱象的典型写照。 此前，一汽-大众ID.6车主被导航界面弹出的购车积分广告困扰，奔驰EQE、长城哈弗等车型被曝出过类似问题。据中国汽车流通协会数据，2024年车机广告投诉量同比飙升210%，一跃成为仅次于电池安全的第二大维权热点。 车机该不该投放广告？车企与车主各执一词。 对于车企来说，车机开发成本高昂，国内内容订阅消费模式又尚未成熟，投放广告看似是缓解成本压力的捷径。同时，开屏广告能精准触达用户，为商业转化提供可能。对于车主而言，车机开屏时突兀出现的广告，如同闯入私人领地的不速之客，严重干扰用车体验。 关键是，车机投放广告不合规。根据《广告法》第四十三条第一款规定，任何单位或者个人未经当事人同意或者请求，不得向其住宅、交通工具等发送广告，也不得以电子信息方式向其发送广告。 因此，此次车机投放广告事件对深蓝汽车产生了不小的影响。 首当其冲的便是品牌形象受损。在消费者心中，品牌美誉度建立在良好的产品体验与尊重用户权益之上，当车机广告粗暴打断驾驶过程，甚至威胁行车安全时，用户对深蓝汽车的信任瞬间崩塌。 更深层次来看，这一事件暴露出智能汽车行业在商业利益与用户权益间的失衡。车企过度追逐车机广告带来的短期盈利，却忽视了用户才是品牌生存发展的根基。 深蓝汽车的遭遇，为整个行业敲响了警钟：若车企不能妥善平衡商业创新与用户权益，未来将在市场竞争中举步维艰，被用户与时代所淘汰。 连年亏损，盈利压力太大 深蓝汽车冒险投放车机广告背后是亏损两年资不抵债的沉重现实，以及销量虽增长却仍不及预期的尴尬局面。 财报数据显示，2024年，深蓝汽车营业收入达372.25亿元，营业利润-15.89亿元，净利润-15.72亿元。叠加2023年亏损的29.99亿元，两年净利润累计亏损45.7亿元。此外，截至2024年年末，公司总资产达342.95亿元，净资产-35.03亿元，依旧是资不抵债。 虽然深蓝汽车2024年通过调整产品线，推出更符合市场需求的车型，并在生产、采购等环节降低成本，实现了亏损同比收窄47.58%。但这些减亏措施仅能起到一定作用，尚未从根本上解决问题。 销量方面，深蓝汽车同样不容乐观。 2024年初，长安为深蓝汽车设定了全年销量目标要求达到28万辆，但全年交付24.39万辆，同比增长超七成，完成目标约87%；2025年深蓝汽车冲击年销售50万辆，计划同比增幅超过108%。具体目标为国内销量突破40万辆，海外销量达成第一个10万辆，2026年上半年达成全球销量100万辆。 不过，深蓝汽车 2025 年，虽说交付量有增长，但增速远不及预期。 前5个月，深蓝国内销量分别为2.45万辆、1.87万辆、2.43万辆、2.01万辆、2.55万辆，累计交付11.31万辆，仅完成全年目标28.27%，要实现全年40万辆的目标，接下来7个月需月均销量达4万辆，这对于目前的深蓝汽车而言，难度极大。 深蓝汽车的困境，也反映出其在产品战略和市场定位上的诸多问题。 以2024年推出的G318硬派越野车型为例，上市初期订单虽达1.4万辆，但后续月销量持续下滑至千辆级，全年累计仅8908辆，远未达到年销目标。原因在于产品策略与用户需求错配，主推车型与用户实际选择脱节。 从行业角度来看，深蓝汽车的发展在一定程度上依赖长安集团的技术与渠道支持，这在带来便利的同时，也限制了其独立发展的能力和速度。当面临困境时，自主决策和应变能力的不足便凸显出来。 总之，深蓝汽车冒险投放车机广告，是其在连年亏损、盈利压力巨大以及销量不及预期的困境下，病急乱投医的无奈之举。但这一行为不仅未能解决根本问题，反而引发了严重的品牌危机。 出海面临长期考验 国内新能源汽车市场竞争焦灼，内卷愈发严重，出海已然化作国产汽车品牌破局的关键路径。长安集团制定了“海纳百川”计划，明确了“四个一”的发展目标和“1 + 5 + 2”的市场布局，全力向世界一流汽车品牌迈进。 深蓝汽车是长安集团“海纳百川”计划先锋之一。 自2023年底开启海外市场拓展征程，率先布局东南亚，2024年版图进一步拓展至拉丁美洲、中东非以及澳大利亚等地区，并迅速建立销售网点与4S店。值得一提的是，2024年，深蓝汽车在泰国推出的S07车型表现出色，勇夺泰国全品牌电动车销量桂冠。 然而，深蓝汽车“出海”并非高枕无忧。 首先，深蓝母公司长安汽车经营性现金流锐减，资金压力严重制约深蓝的海外扩张速度。 没有完善的售后体系作为支撑，消费者在购车后的使用过程中一旦遭遇问题，便可能对品牌产生负面印象，前期积累的口碑也将付之东流。 其次，当下全球政治经济形势波谲云诡，贸易保护主义抬头、地缘政治冲突不断，这都为深蓝汽车的全球化战略蒙上了一层厚重阴影。 一旦当地出台更为严苛的环保标准、安全法规，或者调整新能源补贴政策，深蓝汽车都必须迅速做出反应。 再有，深蓝汽车虽凭借独特技术和价格优势崭露头角，但在品牌认知度、技术研发投入以及市场运营经验等方面，与行业大佬相比仍存在不小差距。 要知道，特斯拉凭借其先发优势和强大的品牌影响力，在全球范围内构建起了庞大的用户群体和完善的服务网络；丰田等传统汽车巨头也在加速向新能源领域转型，凭借深厚的技术积累和成熟的制造工艺，迅速推出一系列新能源车型。 综上所述，深蓝汽车在海外市场虽已取得阶段性成果，但这不过是漫长征途的开端。从内部资金压力到外部复杂多变的国际环境，从行业激烈竞争到自身发展瓶颈，深蓝面临的长期考验可谓环环相扣、错综复杂，出海之路任重道远。

在自动驾驶快速从L2向L3、L4级别发展， 微秒级 甚至 纳秒级精度 的时间同步已成为系统性能的核心指标之一。 多传感器融合场景 下，激光雷达、摄像头、毫米波雷达等设备的时空对齐依赖 统一的时间基准 ；而在复杂工业环境中， 电磁干扰 、 时钟源故障 等风险对时间同步的可靠性提出了更高要求。 本文分享 PSB （Platform Sync Board）与 QX550 组合方案，基于 硬件级时间同步架构 与 冗余设计 ，为上述挑战提供了系统性解决方案。本文将具体介绍方案架构和应用实例。 一、PSB+QX550方案架构 PSB+QX550 方案中， QX550 作为 PCIe 3.0 x8 网络卡，搭载 双 Intel X550-AT2 控制器，提供 4 个 10Gbase-T 接口，支持 IEEE 1588v2（PTP）和 802.1AS-2020（gPTP）协议。配套的 PSB 模块 则通过 Intel i210IT 芯片、u-blox GPS 模块及PPS（脉冲每秒）接口，实现 硬件级时间戳同步 与 多源时间校准 。 两者通过 OCuLink 线缆实现数据与时钟信号的低延迟传输，结合 XTSS （eXtended Time Synchronization Service）软件套件，构建了 “ 高精度同步 + 多源冗余 + 失效容错 ” 的完整技术链路。 图1：PSB+QX550 二、核心技术特性 1、多传感器融合时间对齐：硬同步与全域协同 PSB+QX550 方案通过XTSS 服务实现 跨设备的亚微秒级时间同步 ，其核心由 CTSS（Cluster Time Synchronization Service）和 PTSS（Platform Time Synchronization Service）组成： （1）PTSS 平台同步： 利用硬件时间戳技术，同步同一设备内的多个以太网接口（如 QX550 的 4 个 10G 接口），确保多传感器数据采集时戳与系统时钟的一致性。例如，在自动驾驶测试中，可实现激光雷达点云数据与摄像头视频流的时间对齐，消除传感器间的时序偏差。 图2：PTSS平台同步 （2）CTSS 集群同步： 通过 (g)PTP 协议实现跨设备集群同步，支持主从模式下的时间分发。QX550 Master 通过 PPS 同步线缆连接最多 3 个 Slave 设备（如其他 QX550 或第三方 XTSS 兼容设备），形成 星型同步网络 ，满足分布式传感器阵列的全局时间统一需求。 图3：CTSS集群同步 2、复杂环境下时间源可靠性：多源冗余抗干扰 PSB 模块 通过 多元化时间源配置 ，提升复杂环境下的同步可靠性： （1）GPS 与外部时钟冗余： 内置 u-blox GPS 模块支持 NMEA 协议，通过 GPS antenna (端口4) 接口接收卫星信号，提供 UTC 时间基准；同时SER/PPS（端口2）支持外部 PPS 信号输入（如惯导或其他 grandmaster 时钟），通过 隔离设计 ，抵抗工业环境中的电磁干扰。 图4：PSB多源时间同步配置 （2）时钟源无中断切换机制： 当 GPS 信号失效时，系统作为从时钟仍同步至网络主时钟；若设备因此成为主时钟，则自动切换至内部振荡器（基于 QX550 硬件计数器），并通过‘ Local Oscillator Hot Standby ’维持最后已知的有效时间基准，避免主从切换导致的同步中断。 3、时间同步的失效容错：静态配置与动态监测 方案通过 多重容错机制 保障系统鲁棒性： （1）静态端口状态配置： 通过 XTSS Configurator 设置接口的固定端口状态（Master/Slave/Disabled）， 强制指定主时钟节点 ，避免因 BMCA（最佳主时钟算法）协商失败导致的同步失效。例如，在关键工业场景（如自动驾驶数据采集）中，可锁定某一 QX550 为永久 Master，防止因网络波动导致的主从切换。 （2）时间偏差阈值监测（偏差矫正）： XTSS 实时监测本地时钟与主时钟的偏差，当超过预设阈值（如 1000ns）时， 标记状态并自动重新同步 。结合 “Force AS capable” 功能，即使路径延迟测量失效，仍强制发送同步消息，确保紧急情况下的最小同步精度。 图5：GPS时间源下偏差矫正示意图 （3）多域隔离机制： 支持最多 10 个 PTP 域并行运行，不同域的时间同步 相互独立 。例如，可将安全关键型传感器与非关键设备划分至不同域，避免单一域的故障影响全局系统。 三、应用案例 在自动驾驶数据采集过程中，常采用 惯导（RTK） 作为授时源并输出自车姿态数据。此外，惯导数据应与各传感器（相机、激光雷达等）数据时间戳对齐。这时就需要在数据采集平台上有这么一个模块，完成 各个传感器时域统一 。 以 华测惯导CGI430 为例，它支持 PPS+GPRMC 方式完成授时，与PSB+QX550模块链接，进而完成整个系统的时间同步。 图6：惯导授时 四、总结 随着大家普遍认同硬件时间戳的不可替代性以及多源冗余架构的必要性，目前自动驾驶时间同步技术发展趋势已经从“ 是否需要同步 ” 转向 “ 如何在复杂场景下实现稳定同步 ”，更聚焦于时间同步是否满足“ 高精度、高可靠、易集成 ”。 对于工程师而言，方案的可实施性和故障容错能力是关键。比如PSB+QX550采用 即插即用 的设计，可以有效的应用到不同测试方案中实现系统时间同步。基于偏差矫正的能力，可以 避免时钟源偏差 。 未来，随着 5G-A 和车路协同的普及，时间同步将从 “ 车载刚需 ” 延伸至 “ 全域协同 ”，推动行业向纳秒级精度迈进。

随着自动驾驶技术走向 高阶智能化 以及法律法规的逐渐完善， 仿真测试 将会成为ADAS/AD 研发流程的必不可少的环节。 标准化接口 与 数据格式 不仅提升了测试效率，更成为推动产业协同的关键基石。 康谋 aiSim 深度集成 ASAM OpenX 系列标准 ，构建了高度兼容、高度还原的自动驾驶仿真平台。本文将从 五大核心标准 切入，系统解读 aiSim 如何通过标准化接口，全面支持自动驾驶仿真各环节。 一、OpenDRIVE：兼容多版本地图标准 ASAM OpenDRIVE 是自动驾驶仿真中最常用的 道路拓扑标准， 用于描述路网结构、几何形态及拓扑关系，采用 XML 格式，扩展名为 .xodr。 aiSim 支持 OpenDRIVE 1.4 至 1.7 版本 ，并提供 双工作流 以满足不同使用场景： （1）Atlas 工作流 基于 自研 Atlas 工具链 ，适用于快速搭建交通场景及行为测试流程，道路信息以 逻辑形式 加载，不参与实时渲染，能够实现高效构建、快速测试。 （2）UE Plugin 工作流 面向UE开发的aiSim插件，适用于 数字孪生仿真 与 可视化场景搭建 ，地图导入时完成高保真渲染，便于添加静态资产与视觉验证，真实感强、适合 高精还原 。 aiSim的灵活地图导入能力，不仅提升仿真效率，更帮助用户在开发早期快速实现从测试到交付的闭环。 二、OpenSCENARIO：标准化动态行为建模 ASAM OpenSCENARIO（.xosc） 定义了交通参与者的行为、事件与触发机制，是仿真场景动态建模的核心标准。 aiSim 支持 OpenSCENARIO 1.2 ，具备以下优势： a. 桌面版与云端 GUI 场景编辑器支持交互式构建，所见即所得； b. 可描述复杂的车、人、交通灯、静态物体之间的行为交互； c. 支持导出每次仿真过程的 EvaluationResult，便于结果记录与对比。 如构建一个典型的 cut-in 场景，用户只需在编辑器中完成参数配置，即可 自动生成 可复现场景文件，大幅简化开发流程。 aiSim用标准构建动态场景、用结果衡量系统能力，助力自动驾驶功能闭环验证 三、OpenCRG：还原毫米级路面细节 OpenCRG 提供标准化方式描述道路表面细节，支持毫米级不规则地形建模，用于动力学仿真与轮胎接触等精细化测试。CRG 文件使用二维 UV 网格系统，描述每个点的精确高程信息。 aiSim 在导入OpenDRIVE 地图时 自动解析 符合条件（purpose = elevation，mode = global）的 CRG 元素，提升仿真中的 道路表面真实度 。 a. 用户导入地图时可启用“ 应用 CRG 元素 ”选项，自动映射高程信息。 b. 支持设置横纵向 最小增量值 ，控制网格精度，最小支持毫米级，显著提升仿真保真度。精准路面建模，进一步增强地形还原与物理行为一致性。 从低到高增量值下OpenDRIVE地形的变化 四、OpenMATERIAL：更真实的感知仿真 在感知仿真中，物理材质决定了相机/激光雷达的真实响应， OpenMATERIAL 提供统一材质描述标准，链接 3D 几何与真实物理属性，实现更贴近真实的感知仿真环境。 aiSim 已初步集成 OpenMATERIAL，支持在传感器仿真中对材质反射、纹理、透明度等进行 高保真建模 。 在 aiSim 中，材质信息被高度还原并用于物理传感器模拟，特别适用于摄像头模型的成像仿真。通过 OpenMATERIAL 标准， aiSim 能够提供 更准确的光照 、 色彩与纹理响应 ，为感知算法的训练与验证创造更接近真实世界的环境。 我们还开源了基于 OpenMATERIAL 构建的 aiSim Archer 车辆模型 ，包含： a. 超过 140k 多边形精度建模 b. 全 UV 展开与规范命名 c. 23 个可控灯光节点 d. 包含 glTF 材质与 .xoma 文件 e. 以及额外的法线贴图与细节纹理提升视觉质量 五、OSI：标准化环境接口 ASAM Open Simulation Interface（OSI） 为自动驾驶系统提供通用“ 环境感知输入接口 ”，用于传输仿真中感知相关数据。标准基于 Protocol Buffers，结构清晰、模块可扩展。 在 aiSim 中，OSI 被用于输出 高频率、高一致性 的 Ground Truth 数据，包括： a. 自车及他车的位置、姿态、速度、加速度等状态 b. 所在车道信息及边界点分布 c. 持续每步仿真中生成并记录，支持全流程回溯 同时，aiSim 提供两种查询方式： a. GetAllOSIGT： 获取全部仿真过程中的 GT 数据（带时间戳） b. GetLastStepsOSIGT： 仅获取最新一步仿真数据，便于实时监控 aiSim的 模块化输出 + 高效接口 ，从仿真生成到算法验证的无缝衔接，大幅提升测试流程的规范化与自动化程度。 六、总结 在自动驾驶迈向规模化落地的关键阶段， 开放、标准化、可复现 的仿真能力是保障算法稳定性与法规符合性的核心基础。 aiSim 将持续深度适配 ASAM OpenX 生态，联动OpenDRIVE构图、OpenSCENARIO 场景定义、OpenMATERIAL 材质标准、OSI 接口协议等核心能力，为行业客户提供更高质量、更高效率的仿真解决方案。

一、引言 随着自动驾驶技术的逐步落地， 感知系统对数据的依赖 正以前所未有的速度增长。 传统实车采集 虽然真实可信，但在 效率 、 安全性 、 标注精度 以及 边缘场景覆盖 方面均存在 显著限制 。 合成数据（Synthetic Data） 因具备低成本、高可控性、无限扩展性和高精度标签等优势，已成为 感知算法训练与验证 的重要数据来源。尤其在多模态、多场景、大规模自动化生成等方面， 仿真平台 正成为构建感知数据体系的重要工具。 在感知系统的开发过程中，我们依托仿真平台生成覆盖多种场景和传感器类型的合成数据，用于支持 AVM（环视系统） 开发，同时也利用合成数据生成符合公开格式标准的数据集，助力算法在 真实部署前 实现高效迭代与验证。 本文将系统介绍利用合成数据开发的具体应用流程和实践效果。 二、 AVM系统开发中的仿真验证应用 环视系统（AVM, Around View Monitor） 是自动驾驶和高级辅助驾驶系统（ADAS）中常见的功能模块，通常由4个或更多广角鱼眼相机构成，通过拼接多个摄像头图像生成车辆周围360°的鸟瞰图。 自动泊车系统（APA） 需要环视图像提供对车辆周围环境的精准感知。通过仿真方式模拟鱼眼相机布设和 BEV 拼接，可生成多种泊车场景下的高保真图像，包括地库、斜列车位、窄通道等复杂工况。 相比实车采集，仿真 不仅可以批量构造极端和边缘泊车条件，还能自动提供精确的障碍物位置与车辆姿态标注，大幅加速感知模型的训练和验证流程， 减少实车调试时间 。 传统 AVM 系统的相机 标定依赖人工操作和实车设备， 流程繁琐且精度受限 。 通过仿真 ，可控制各摄像头位置与视角，并生成可重复、可验证的图像和标定数据，适用于整车项目开发初期的快速迭代。 虚拟标定 不仅 提高了标定效率 ，还支持在方案切换、批量测试、相机布局验证等场景中自动生成对齐标注，降低人力投入， 提升系统上线速度 。 在实际开发中，AVM对图像畸变建模、拼接精度、投影映射等有较高要求，传统方法依赖人工标定与测试，周期长、灵活性差。而基于aiSim的仿真流程，可有效提升开发效率与验证精度。 通过合成数据仿真平台，我们借助从 环境搭建 到 数据生成 的 全流程仿真 ，成功实现了 4个鱼眼相机生成AVM合成数据的优化和验证。 图1 基于aiSim构建AVM图像流程 1、标定地图与仿真环境构建 我们在 Unreal Engine环境 中快速搭建6米×11米标定区域，使用2×2黑白相间标定板构成特征纹理区域，并精确布设车辆初始位置，确保视野重叠区域满足投影需求，并通过特定插件将其无缝导入仿真器中。 图2 基于aiSim插件的Unreal Engine地图编辑 2、鱼眼相机配置与参数设置 设置 前、后、左、右 四个鱼眼相机，分别具备： （1）高水平FOV（约180°）； （2）不同俯仰角（前15°、后25°、侧向40°）； （3）安装位置贴近真实车辆安装场景（如后视镜下方）。 我们采用了仿真器内置的 OpenCV标准内参 建模，输出图像同步生成物体的2D/3D边界框与语义标签。 图3 环视OpenCV鱼眼相机传感器配置 3、BEV图像生成与AVM拼接 利用已知相机内参和标定区域结构，通过OpenCV完成图像去畸变与投影矩阵求解，逐方向生成 BEV视图（Bird's Eye View） 。结合车辆图层与坐标对齐规则，拼接生成完整的AVM图像。 支持配置图像分辨率（如1cm²/像素）与投影视野范围，确保几何准确性。 图4 投影区域及BEV转化示意图 4、多场景合成与传感器布局优化 通过 批量仿真脚本 ，可 快速测试 不同环境（如夜间、窄巷、地库）、不同相机布局组合对AVM系统效果的影响。在算法不变的前提下，系统性评估外参配置的优劣，为传感器部署提供数据支持。 图5 不同场景下的AVM合成数据 三、合成数据构建多模态数据集 随着智能驾驶逐步从基础辅助走向复杂场景下的高阶功能，对 感知系统的数据需求 也在迅速升级。不仅需要覆盖高速、城区、出入口等典型 NOA 场景，还要求在 不同模态之间实现精确对齐 ，以支撑融合感知模型的训练与验证。在这类任务中， 仿真生成的合成数据 具备可控性强、标签精准、格式标准的优势，正在成为算法开发的重要支撑手段。 在 智能领航辅助（NOA）场景 中，系统需识别高速匝道、变道车辆、道路边缘等要素，对 训练数据多样性与标注精度要求极高。通过仿真构建 城市快速路、高速公路等 多类 NOA 场景 ，配合光照、天气、车流密度等变量自动生成图像与多模态同步数据。 这类合成数据 可用于训练检测、分割、追踪等模型模块，特别适合用于 填补实车采集难以覆盖的复杂或高风险场景 ，增强模型鲁棒性。 融合感知模型 依赖相机、毫米波雷达、激光雷达等 多种传感器协同输入 ，对数据的同步性和一致性要求较高。 通过仿真 ，可以 同时生成这三类传感器 的视角数据，并自动对齐时间戳、坐标系和标注信息，输出包括 3D 边界框、语义分割、目标速度等在内的完整标签，且格式兼容 nuScenes 等主流标准。这类数据可用于 训练融合模型识别道路上的异形障碍物 ，例如夜间难以通过视觉识别的散落杂物，或需要多模态补强感知的边缘目标。仿真带来的高度可控性也 便于统一测试条件 ，对模型性能进行定量分析与精细化调优。 在实际项目中， 合成数据的价值 不仅体现在生成效率和标注精度，更在于其 能否与下游算法开发流程无缝衔接 。为了实现这一目标，我们将 aiSim 导出的多模态原始数据，通过 自研数据处理脚本 ，转换为 基本符合 nuScenes 标准格式的数据集 。 数据构建流程如下： 1、编写符合 nuScenes 规范的传感器配置文件 首先 ，我们 根据 nuScenes 的数据结构要求 ，定义并生成了包含相机、雷达、激光雷达等传感器的配置文件，包括传感器类型、安装位置、外参信息等。该步骤确保生成数据可直接映射至 nuScenes 的 calibrated_sensor.json 和 sensor.json。 图6 激光雷达部分的传感器配置文件 图7 符合nuScenes格式的传感器配置 2、利用 aiSim Stepped 模式导出对齐的原始数据 其次，在仿真阶段， 我们启用了 仿真器的 Stepped Simulation 模式 ，该模式支持以固定时间步长（如每 0.1 秒）推进仿真，并确保所有传感器在 同一时间戳输出数据 。这种方式实现了多模态数据的时间戳全局对齐，满足 nuScenes 对数据同步的要求。 图8 aiSim相机传感器Bounding Box真值输出 然后，在仿真运行中 ，我们导出包含图像、点云、雷达、Ego Pose、2D/3D 标注等原始数据，场景长度约为 20 秒，覆盖了一段在高流量城市交通中经过十字路口的场景，作为构建示例数据集的基础。 3、结构化转换为 nuScenes JSON 格式 此外，使用 自研转换脚本 ，我们将导出的原始数据组织并填充为 nuScenes 所需的各类 JSON 文件 ，并和官方标准格式对齐，包括： scene.json：记录场景序列； sample.json：定义帧级时间结构； sample_data.json：图像、雷达、点云等数据路径与时间戳； calibrated_sensor.json 和 sensor.json：传感器类型及配置； ego_pose.json：车辆轨迹； sample_annotation.json：3D 边界框、类别、属性； instance.json、category.json、visibility.json 等其他语义层级数据。 图9 nuScenes 标准数据集JSON结构表 4、数据集结构搭建完成 最终， 构建完成的数据集具备 完整的时空同步结构 与 语义标签 ，可直接用于视觉感知、雷达检测、融合感知等模型训练与评估任务。该流程验证了合成数据向标准训练数据的转换路径，并具备可扩展性， 适用于更大规模的批量数据生成 。 图10 激光雷达点云 + 相机融合标注框 图11 激光雷达点云 + 同类型标注框 （俯视/侧视） 图12 多帧实例+激光雷达点云 （俯视+路径） 这一完整流程不仅验证了合成数据在工程流程中的落地能力，也为后续基于大规模仿真生成标准训练集打下了结构基础。 四、aiSim：感知研发全流程平台 在自动驾驶感知系统的开发过程中，仿真平台已逐渐发展为合成数据生产的重要基础设施。 aiSim 通过集成环境建模、传感器仿真、多模态数据输出与标准格式转换等功能， 支持从场景构建到数据集生成的完整流程 。 1、多样场景与数据格式的灵活支持 aiSim 可 精细还原 环视系统中鱼眼相机的安装布局、图像畸变特性及 BEV 视角拼接逻辑，生成 贴近实车采集的高保真图像 。同时，平台有一套 自成体系的仿真数据组织与输出机制 ，涵盖视觉、激光雷达、毫米波雷达等多类型传感器数据及真值标注。支持通过脚本调度 自动批量生成 不同气候、光照、地形和交通条件下的多样化场景，满足大规模训练与边缘场景验证的需求。 2、从物理建模到标签输出的完整链条 借助图形引擎，aiSim 实现了对真实物理光照、材质、阴影和天气的 动态建模 。平台支持相机、激光雷达、毫米波雷达等传感器的物理与几何特性建模，兼容 OpenCV、ROS 等常见开发标准。在数据输出方面，aiSim 支持多传感器同步控制 ，可自动生成对齐的 2D/3D 检测框、语义标签、Ego 轨迹等数据，覆盖感知算法训练常见需求，减少数据清洗与后处理工作量。 3、工程集成与可扩展性 aiSim 提供 图形界面、工具链与开放 API ，方便用户将其集成至企业现有的数据平台和模型训练流程中。平台内的场景配置与资源系统具备良好的 可扩展性 ，支持用户自定义传感器布设、交通要素和场景资产，用于支持环视系统、感知模型、融合算法等不同研发阶段的需求。 无论是 环视系统的泊车能力 与 虚拟标定 ，还是面向 NOA 和多模态融合 的训练任务， 仿真生成的数据 都在感知系统的实际落地中提供了可衡量、可扩展的价值。让数据获取从“拍”到“造”，从“靠人”到“自动”，为智能驾驶研发提速、降本、增稳。