▍文章來源于康謀自動駕駛

行業挑戰與痛點

在自動駕駛開發中，高保真的仿真場景是算法迭代和驗證的基石。然而，傳統手工建模方式需要大量3D設計師投入，構建一個復雜交通環境往往耗時數月甚至半年以上；同時，城市、高速、停車場等多種運營設計域（ODD）都需要覆蓋，場景的可擴展性與多樣性一直是瓶頸。

更重要的是，隨著自動駕駛系統從模塊化架構向端到端系統級演進，仿真平臺不僅要驗證感知、決策和控制單元的單點性能，更要在同一環境中評估OneModel/TwoModel協同的整體表現，這意味著：

測試場景必須與真實世界盡量一致，以避免在端到端鏈路上引入虛假偏差；

需要靈活修改傳感器布局、天氣和交通流量來覆蓋邊界工況；

要同時支持SIL（軟件在環）、HiL（硬件在環）、DiL（駕駛員在環）等多級仿真，并在同一數字孿生環境下復現。

然而，即使采用高保真物理渲染，仿真數據與真實世界之間依然存在域間差距（domain gap），端到端仿真測試因而受限，算法開發和功能安全驗證被拖慢。

這類端到端測試需要用戶能夠自主、快速地采集真實世界數據并生成高保真數字孿生，以便隨時迭代場景并適配不同的傳感器布置和測試條件。傳統的外包式建模服務或半成品工具鏈，難以滿足客戶對自助操作和敏捷迭代的要求。

World Extractor 工具鏈簡介

針對這些痛點，康謀推出的World Extractor已經不只是一個“內部項目工具”，而是一個成熟、可商用、可自助使用的端到端工具鏈。它集成了 NeRF 與 3D Gaussian Splatting 等前沿神經重建技術，用戶只需將自己的實地錄制數據（如車隊采集的多傳感器數據）導入，即可在數天內自動生成靜態 3D 世界，無需專業 3D 建模師。

World Extractor工作前端用于評估采集數據質量和場景回放

在此基礎上，用戶可以通過內置的2000+ 動態主體資產庫自主增強場景，添加車輛、行人、交通燈、標志牌等元素，并根據測試需求調整 ODD、時間、天氣和交通流量。

整個過程不再依賴團隊手工制作，客戶可以完全掌握采集、生成和仿真流程，形成自己的數字孿生資產庫，并與康謀 aiSim 直接聯動。

與aiSim的無縫集成

World Extractor 的獨特價值在于與 aiSim 的原生集成。通過“神經重建 + 物理引擎”的混合渲染方式，既能保留真實世界的紋理和幾何細節，又能獲得物理上精確的傳感器輸出。

在 aiSim 中，用戶可一鍵配置多傳感器仿真，包括攝像頭、雷達、激光雷達、超聲波傳感器等，靈活調整天氣、光照和時間條件，驗證在極端場景下的算法表現。

關鍵優勢

World Extractor + aiSim的關鍵優勢在于：

自動化管線：將高保真 3D 環境生成周期從傳統的 3–6 個月縮短到 1 天，實現真正意義上的“日級數字孿生”。

傳感器無關：覆蓋攝像頭、雷達、激光雷達等所有主流傳感器模式，與大多數只關注單一傳感器的競爭產品相比更全面。

極端新視角：即使偏離原始采集軌跡，依然能保持高精度渲染和傳感器一致性，適合多變路徑和復雜測試工況。

量化驗證：通過感知功能等量化指標，域間差距極小，提供比純質性評估更可的驗證依據。

客戶案例

歐洲某乘用車OEM有構建3D孿生場景地圖，并基于aiSim開展SiL、HiL和DiL仿真測試的需求。

為滿足該需求，解決方案是利用aiSim、World extractor工具鏈（涵蓋采集、可視化分析、3DGS模型和自動標注功能），為客戶多個團隊創建覆蓋不同ODD的3D環境，這些環境可直接用于aiSim及客戶基于UE構建的DiL系統。

本項目KPI是采用World Extractor生成高質量合成數據，避免重復采集數據測試新傳感器方案，且將原本3 - 6月的數字孿生時間縮短到1天。

具體實施步驟為：

客戶自有數采車隊采集場景數據，用于3DGS場景重建；

基于采集數據構建3D模型，支持高保真交通、場景和傳感器仿真；

訓練3DGS數據孿生場景，并無縫導入aiSim中使用；

提供客戶自有UE引擎DiL模擬工具，實現駕駛員參與的閉環仿真測試。

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境，實現真正的端到端系統級驗證。