3DGS 在 ADAS 仿真测试中的量产瓶颈与未来演进
3DGS 在 ADAS 仿真测试中的量产瓶颈与未来演进
- 崔嘉亮 | 仿真业务技术主管，康谋科技
随着端到端自动驾驶架构的兴起，基于 3D Gaussian Splatting（3DGS）的神经渲染技术正成为高保真场景重建的重要方向。然而，从实验室原型到量产级仿真工具链，3DGS 在几何一致性、动态交互性和多模态传感器适配方面仍面临诸多工程化挑战。如何突破稀疏视角下的几何崩坏难题？如何实现静态真实场景与动态可控交通流的闭环验证？相机、LiDAR、雷达的多模态仿真成熟度究竟如何？
本场演讲围绕 3DGS 在 ADAS 仿真测试中的量产落地展开，深入探讨神经渲染技术在场景重建、传感器仿真和闭环测试中的核心价值。通过丰富的工程实践案例，展示高保真数字孪生方案在实际项目中的落地效果：从真实路测数据到可测试仿真场景，将重建周期从 3–6 个月压缩至 1 天，人工标注成本降低 95%，为感知算法的迭代与验证提供高质量合成数据支撑，加速智能驾驶的安全量产落地。
（点击视频观看高清版本）
精选Q&A
3DGS目前都应用到哪些测试场景?
自车的泛华有吗？
有。Ego车位姿可以在重建场景里任意调整，从新的轨迹重新渲染。但如果Ego轨迹偏离原始采集路线太远（进入未观测区域，Novel view渲染困难），Gaussian覆盖不足会导致渲染失真。泛化范围受原始采集覆盖约束。
通过3DGS创建的地图和传统方法创建的地图文件格式是一样的吗，最后的渲染是在同一渲染引擎进行渲染的吧？
不同车型的传感器Layout不同，如何适配呢?需要每个车型采集数据，微调模型吗？
不需要每车型重新训练。康谋WorldExtractor重建完成后，在渲染阶段动态适配不同外参。aiSim的渲染不依赖传统的投影矩阵，而是为每个像素计算射线（per-pixel ray calculation），然后与3D高斯代理几何体求交。这种机制天然支持：任意相机外参（位置、朝向）、任意畸变模型（鱼眼、针孔等）、任意传感器类型（Camera、LiDAR）。所以只要新车型的传感器视角在原始重建场景的空间覆盖范围内，直接改外参就能渲染。如果新Layout有原采集没覆盖的盲区（如车尾相机），那部分需要补充采集或用资产填补。