▍文章來源于康謀自動駕駛

01 前言

隨著端到端自動駕駛從學術探索走向規(guī)模化應用，無論是特斯拉 FSD 神經(jīng)模擬器、Waymo 基于 DeepMind Genie 3 的世界模型，還是國內(nèi)主流車企的數(shù)據(jù)閉環(huán)體系，均在表明仿真系統(tǒng)的定位已從傳統(tǒng)測試執(zhí)行工具，升級為支撐算法訓練的核心數(shù)據(jù)基礎設施。

尤其需要重視的是，端到端模型直接消費傳感器數(shù)據(jù)進行訓練，這對仿真提出了三個過去從未被充分重視的要求：

光照覆蓋的系統(tǒng)性缺口

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(jié)構性局限在于：光照信息被"烘焙"進點云，無法動態(tài)調(diào)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。

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。

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(zhì)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 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。

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?qū)⒄鎸嵉缆翻h(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(jié)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。要覆蓋不同光照條件下的測試用例，理論上只能反復出行采集，成本極高。

aiSim 6 的突破在于：基于自研的 PBR Splatting 技術，對 3DGS 模型可動態(tài)調(diào)整場景光照。同一條路段，白天、傍晚、夜間，任意切換。這一能力已完成 PoC 驗證，將于 H1 2026 隨產(chǎn)品正式發(fā)布。

在 aiSim Developer Client 中，對 aiSim 3DGS 場景的重光照（Relighting）效果進行演示

3DGS 白天（左）、3DGS 落日（中）、3DGS 夜晚（右）

Color Grading：合成資產(chǎn)與神經(jīng)場景的視覺融合

在神經(jīng)場景中插入合成車輛模型，長期存在一個"穿幫"問題：合成資產(chǎn)與 3DGS 場景在色調(diào)、亮度、色溫上往往不匹配，視覺上一眼可辨。aiSim 6 的 Color Grading 功能通過匹配合成車輛與神經(jīng)場景的光照色彩基調(diào)，實現(xiàn)無縫的視覺融合，進一步提升合成數(shù)據(jù)的可用性。

在美國加州桑尼維爾（Sunnyvale）的 aiSim 神經(jīng)仿真環(huán)境中，經(jīng)過色彩分級處理的 aiSim 車輛模型

附加亮點：Gaussian Splatting Renderer for Unreal Engine 5

針對需要在 Unreal Engine 環(huán)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(shù)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(xiàn)，計劃 Q1 2026 發(fā)布。

流程示意圖

AI驅(qū)動的場景生成

測試場景的構建效率，一直是規(guī)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(tǒng)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。

通過 aiSim Web UI 中的對話式文本提示，在鄉(xiāng)村道路場景中實現(xiàn)車輛的隨機化布置

在 aiSim Web UI 中路口生成隨機交通流

此外，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(jié)構），避免盲目生成。

Navier-Stokes 粒子仿真

Navier-Stokes 方程是描述流體運動的經(jīng)典物理方程組。aiSim 6 將該方程應用于環(huán)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(tài)交互效果，補齊邊緣場景物理真實性短板，開發(fā)者預覽版已完成開發(fā)。

井噴水汽（左）、落葉（中）、飛濺積水（右）

在 aiMotive Developer Client 中對基于 Navier–Stokes 方程的粒子仿真進行的初步展示，用于演示城市環(huán)境中樹葉的動態(tài)運動效果（粒子效果，非樹葉模型）

車燈仿真：夜間 ADAS 驗證的完整閉環(huán)

aiSim 6 進一步完善了車輛燈光系統(tǒng)的物理仿真能力，覆蓋大燈、尾燈、轉(zhuǎn)向燈等全系燈組，支持 Isolux 照度線可視化與網(wǎng)格化光照分布分析。核心應用場景是夜間 ADAS 功能驗證，包括必須在物理級夜間光照模型下才能進行有效合規(guī)性驗證的遠光輔助（High-Beam Assist）和自適應矩陣大燈功能。

左：等照度線（Isolux）可視化 —— 支持在 aiSim Web UI 中調(diào)節(jié)線寬與照度（lux）等級參數(shù)；

右：世界環(huán)境中的網(wǎng)格（Grid）可視化 —— 可通過 aiSim Web UI 的視口相機（viewport cameras）進行查看

一體化3D 世界編輯器

aiSim 6 持續(xù)擴展內(nèi)嵌于 Web UI的3D 世界編輯器，支持 glTF 地圖導出、程序化資產(chǎn)布置和 OpenMATERIAL 標準集成，兼容合成場景與神經(jīng)重建場景兩種環(huán)境類型。對于頻繁需要調(diào)整靜態(tài)場景元素的工程團隊，地圖迭代不再依賴第三方工具，工作流大幅收斂。

在 aiSim Web UI 中對 aiSim 格式地圖資產(chǎn)（Asset） 進行操作：支持對象的移動、旋轉(zhuǎn)、縮放與刪除

03 延續(xù)高可靠工程化基礎能力

aiSim 6 的所有新特性，均建立在現(xiàn)有版本已經(jīng)驗證的工程基礎之上，保留并強化核心能力：

ISO 26262 認證，覆蓋至 ASIL-D（全球首款）

實時渲染，支持 HiL 環(huán)境接入

5,000+ 3D 資產(chǎn)，100+ 車輛模型，1,000+ 示例場景

20+ 基于物理的傳感器模型

完整 ASAM 標準支持（OpenSCENARIO / OSI / OpenDRIVE / OpenCRG / OpenMATERIAL）

可擴展架構，支持百萬級并行測試

左：aiSim高保真光線追蹤渲染（US城區(qū)環(huán)境）；右：世界上第一款混合渲染架構，集成3DGS和高保真3D模型資產(chǎn)應對更多邊緣場景

04 展望

在端到端自動駕駛開發(fā)體系中，誰能在仿真中更真實、更高效地生成稀缺場景數(shù)據(jù)，提供更接近真實環(huán)境的渲染效果，誰就能在端到端時代掌握訓練主動權。

aiSim 6 的更新脈絡，與這個方向高度吻合。PBR Splatting把 3DGS 場景從"光照固化的快照"變成了"可動態(tài)配置的訓練環(huán)境"；Navier-Stokes 粒子仿真把物理級環(huán)境干擾引入了合成數(shù)據(jù)鏈路；MCP 集成則把場景生成的速度從"工程師手動編寫"提升到"自然語言即時生成"。

這三個能力疊加，勾勒出aiSim 6試圖扮演的角色：不只是一個測試工具，而是端到端算法開發(fā)體系中的合成數(shù)據(jù)引擎。

aiSim 6，一起期待在2026 年上半年見！