下一代仿真平台方案-或可解决智驾仿真的置信度问题？

区别于传统的模块化测试方式，端到端模型测试需要使用完整的原始传感器数据进行整体仿真，这对仿真场景的真实性和数据置信度提出了更高的要求，传统的仿真方案难以满足。同时，端到端系统的训练依赖于海量的训练数据，尤其是小概率corner case数据，然而实采数据中价值数据密度较低，其数量和多样性不足以支撑端到端系统的训练需求。

因此，仿真数据的置信度与真实数据的泛化性成为了端到端时代仿真测试亟待突破的挑战！

51Sim 自主研发的 3DGS混合仿真引擎将3DGS技术与传统图形渲染深度融合，不仅解决了传统图形渲染技术在静态环境建模中真实感不足且成本较高的短板，同时还突破了3DGS单一技术在泛化能力不足的瓶颈，在场景视觉真实度、重建成本、泛化性之间找到了完美的平衡点。

重建的仿真场景具备高灵活性，可以任意组合动、静态资产，对真实世界进行抽象和解构，获得所需的测试场景。同时，还可完美兼容OpenX和传感器仿真体系，极大地提升仿真测试效率。

在感知仿真置信度方面，SimOne智能辅助驾驶与机器人仿真平台具备基于众多主流品牌真实传感器标定的物理级摄像头、激光雷达、毫米波雷达、超声波雷达等传感器仿真模型，其中畸变、鱼眼和雷达几何仿真精确度超过99.9%，图像质量精确度超过95%。同时在多传感器时钟同步和联合仿真中，多模态传感器一致性可达100%。经对比，仿真测试与场地测试的一致性超过92%，基于智能辅助驾驶算法的总体置信度超过90%，帮助客户实现高效且高置信度的端到端大模型的闭环仿真测试，完美满足各种严苛需求与挑战。

实采的LogSim数据虽无置信度的问题，但因缺乏可交互性和泛化性，无法完全满足端到端系统对数据丰富度的需求。同时由于不同车型的传感器配置、车身结构和摄像头视角存在较大差异，导致数据复用性差，重复采集带来高昂的时间成本。

51Sim基于4DGS构建的端到端LogSim仿真体系，可利用不同品牌、型号车辆及其他障碍物的资产，对原始资产进行替换，并确保替换资产与场景光照、阴影、反射等保持一致，以提升视觉真实感和仿真质量。同时利用扩散模型对轨迹实现泛化，并对新轨迹的细节进行补全，提高了合成图像的清晰度、真实感和感知一致性，确保轨迹泛化的合理性。

针对数据利用率低的问题，还可通过改变摄像头位置、姿态、视场角、畸变、以及ISP后处理参数（色彩、亮度、噪声）等，对单一车型采集的数据进行进行全新视角的合成，将数据迁移到其他车型，提升数据的复用性，减少实际道路测试的成本和时间。

4DGS新视角合成

51Sim 4DGS闭环仿真体系在确保数据置信度的前提下，指数级地提升数据的泛化性和复用性，有效解决了端到端仿真测试的数据痛点。