构建基于混合渲染的自动驾驶置信度闭环
构建基于混合渲染的自动驾驶置信度闭环
- 崔嘉亮 | 仿真测试技术主管，康谋科技
当 90% 的自动驾驶仿真里程却无法覆盖 90% 的真实事故场景，我们不得不思考：仿真测试的核心痛点是否在于 “看似逼真却不可信”？视觉上的 “以假乱真” 难以掩盖传感器光谱偏移、物理特性缺失、几何定位漂移等领域差距，导致仿真数据无法为算法迭代和量产验证提供可靠支撑。
本场演讲将聚焦这一核心矛盾，先分析仿真测试的核心矛盾——仿真与真实世界之间的 “领域差距”，再详解混合渲染的核心解决方案，通过静态场景精准重建、动态场景灵活交互、多传感器仿真融合，实现像素级几何精度、感知阈值内色彩匹配与点云分布特征还原。最后，通过实际案例与展望，呈现方案的核心价值，帮助客户获得稳定、精准、可复用的仿真数据，让仿真测试真正成为自动驾驶算法迭代、量产验证的可靠支撑，加速技术落地进程。
（点击视频观看高清版本）
精选Q&A
康谋的3DGS地图是否支持相机的多机位观测？
支持。3DGS 是一种显式的 3D 表达，它不是 2D 贴图。所以在理论上，你可以在这个场景里摆放任意数量、任意位置的虚拟相机都能获得正确的透视关系和遮挡关系。
但是3DGS 的渲染质量高度依赖于采集时的观测轨迹。如果仿真相机在采集轨迹的 ±2 到 3 米 范围内移动（模拟换道、轻微的路径规划偏差），我们的 NeRF2GS 可以保证模型是完整的，但是把相机拉到 50 米高空去做上帝视角，或者移动到采集车从未看见过的墙角后方，只会看到伪影和变形。
生成的3DGS地图能否配置不同的天气光照？
原生的 3DGS 做不到物理级的太阳光角变换，因为把光照信息固定在了高斯球谐函数里，在做到ISP解耦后可以通过调整虚拟传感器的 ISO 和曝光策略来模拟光线变化，对于添加的Mesh动态元素来说，当改变环境光方向时，渲染引擎会计算 Mesh 车辆的 Shadow Map，并将其强行投影到 3DGS 的路面上。这实现了局部动态光照，26年上半年康谋将会发布GS场景的色彩分级和光线的重计算功能。
传感器模型偏差有哪些具体表现?
几何失真：重建路面与 HD Map 不对齐导致定位算法漂移 ，导致规划决策错误（如压线行驶）。
纹理/光照失真：错误的阴影或高光，导致感知算法产生 False Positives（幽灵刹车）或 False Negatives（漏检障碍物）。
置信度是否可以量化？
列举一些常见的量化指标：
环境/传感器：计算 几何 RMSE（重投影误差）、色彩 ΔE、 点云KL 散度。动力学：对比实车与仿真的横摆角速度 (Yaw Rate) 和 侧向加速度 曲线。记录实车的控制输入（方向盘、油门、刹车）和状态输出。在仿真中输入同样的控制指令。调整仿真参数（轮胎刚度、悬挂阻尼），最小化仿真与实车的输出误差，直到置信度达标（如误差 < 5%）。