介绍一款基于世界模型和3DGS的自动驾驶数据合成仿真平台-GRD
作者 | 李慢慢编辑 | 李慢慢出品 | 车路漫漫2026年自动驾驶的核心痛点是什么？2026年是高阶自动驾驶规模化商业化的关键之年，随着L3级智驾法规落地、车载世界模型与端到端大模型开始量产应用，行业正式进入模型驱动、高频迭代、合规落地的新阶段。L2+普及下探、L3城区及高速场景开放试点、L4无人业态加速落地，对全场景、高价值训练/测试数据的需求呈爆发式增长。但传统实车路测模式的固有短板，在2026年量产迭代节奏下被彻底放大，成为智驾安全落地的核心瓶颈：其一，真实道路长尾高危场景数据极度稀缺，极端天气、突发路况、复杂路口等事故高发样本积累周期长、获取难度大，直接导致模型泛化能力不足、边缘场景失效频发；其二，真实数据采集成本高昂，依赖昂贵传感器阵列与专业路测团队，单小时有效数据成本达数万元，效率低下，无法匹配智驾模型周级迭代节奏；其三，行业数据合规监管持续收紧，真实路测含大量隐私与地理敏感信息，全流程存在泄露风险，大幅抬高了企业研发与运营合规成本。传统数据研发范式，已无法适配新时代智驾产业化发展需求。1、来自仿真的解题思路实车数据不够，仿真来凑。自动驾驶仿真，不是一个新名词，从自动驾驶诞生之日开始，仿真就是其伴生物。仿真世界中，可随意仿真车辆动力学、交通参与者行为、天气、光照等，理论来讲可以生成海量的场景，从而挖掘出来各种corner case，测试甚至训练自动驾驶的算法。加速软件迭代，让未来快速到来，仿真技术是带着金钥匙出生的。但，传统仿真技术的软肋逐渐凸显。诚如《自动驾驶仿真，扯掉最后一块遮羞布，请直面置信度难题》一文所讲，传统自动驾驶仿真难以进行感知仿真而只能测试规控逻辑。感知仿真难，可以简单理解为各类传感器数据难以有效模拟出来，这导致仿真一直停留在“仅能测试规控”的局面。备注：传统仿真也不是不能测感知，只是代价很大，需要更精细化的3D建模，更高规格的渲染引擎和显卡，甚至借助各类视频注入的硬件设备等，仿真本就为“降本增效”而生，如此强行仿真反而有些本末倒置了。 随着一站式端到端的出现，从感知到融合到规控整个被整合到了一个大模型中，已经无法再把局部的“规控”拆出来进行测试，端到端大模型的输入，变成了传感器数据，这一下就戳中了传统仿真“感知仿真难”的软肋。来自时代新技术的解题思路。所幸的是，随着技术的进步，涌现出Nerf、3DGS、4DGS、NuRec、世界模型等全新的仿真方式，有人把3DGS和传统仿真进行结合，也有人仅使用世界模型进行闭环仿真，然而今天想为大家介绍的，是一种把3DGS和世界模型进行结合的全新仿真方式，让我们一起来看看他们是怎么做的，以及效果怎样吧。2、基于世界模型和3DGS的自动驾驶数据合成仿真平台-GRD在2026年西洽会上，西部智联人工智能中心负责人刘虹葳发布了一款名为GRD的深度融合世界模型与3DGS重建技术的自动驾驶数据合成仿真平台。 GRD（Generate Real Driving）平台的核心破局思路是什么样的呢？第一步：根据实车采集的数据（视频数据/点云数据/轨迹数据等）进行标准化处理后用来训练3DGS模型。由于实车采集到的数据存在很多遮挡，因此此处也会用到世界模型来补全遮挡信息。 第二步：实车数据先进行动态交通参与者和静态道路的分解，然后分别用于提取动态和静态的3D模型，这一部分是用世界模型来生成的。 第三步：依靠第二步生成的分割的动态3D模型和静态3D模型，以及交通参与者交互行为的泛化算法，可以组合出一系列泛化场景（此处仅作行为的泛化），由3DGS模型进行渲染输出（这里会用到第一步训练出来的3DGS模型），这里能输出各类传感器数据，如摄像头图像、激光点云、IMU数据等。这里主要可用于自动驾驶算法的闭环仿真测试。 第四步：第三步的输出的传感器数据，可以进一步通过世界模型对天气和光照等进行泛化，生成雨天/雪天/夜晚等场景的传感器数据，此数据可以用来训练自动驾驶的算法。过程比较复杂，可以看看如下的技术原理图。 整体来看，平台具备高保真3D资产（世界模型生成，替代人工建模）、多模态数据一体（视频/点云/惯导同步输出）、实时闭环仿真（低延迟交互，实时状态更新）以及AI交通大模型（自动生成复杂交互的长尾场景）四大核心能力。3、GRD的核心组件围绕上述四大核心能力，GRD按数据流转的底层物理逻辑，系统构建三大核心组件。核心组件一：AI数据处理系统系统集成AI自动化的数据理解、切片、脱敏、分类管理工具链，自动高效将原始数据转化为高质量的标准化数据。可为客户提供一站式数据管理与后处理服务。核心组件二：用于3D数字资产生成的世界模型底座传统人工建模成本高昂且周期漫长。依托自研的世界模型底座与3DGS技术，GRD平台可对车端采集的真实视频进行智能化三维重建，批量生成标准化的3D数字资产，几何与视觉综合保真度超过90%。这意味着，真实采集数据不再是一次性的训练素材，而是沉淀为企业级、可复用的核心数字资产。核心组件三：基于世界模型的闭环仿真引擎在数字资产之上，GRD构建了可交互、可约束的仿真验证体系。该引擎融合了多项关键技术：通过“多模态传感器模型”精准模拟雷达、摄像头、GPS、IMU等多源异构数据的物理特性；通过“交通场景模型”基于大模型驱动生成稀缺的复杂交互场景；通过“物理交互”模块支持精细路面还原。配合场景编辑器、行为泛化模块与仿真控制器，真正实现高置信度的实时闭环仿真。有了底层的核心能力与组件支撑，GRD平台进一步面向自动驾驶研发全流程释放了更大的应用价值。对于车企、自动驾驶研发机构和测试验证主体而言，GRD提供的不只是一个单一的数据仿真工具，而是致力于服务客户，共建“数据采集—数据处理—数据合成—场景仿真”的一站式AI数据闭环研发体系。该体系以世界模型为中枢，打通了算法演进的四大关键环节。这些丰富的落地案例共同指向一个核心价值：把真实采集中成本极高、难以覆盖的极端天气、特殊视角、复杂道路和长尾交互场景，成功转化为可重复生成、可控测试、可持续迭代的仿真数字资源。由此，GRD真正完成了从数据到模型、从训练到验证的AI数据闭环体系建设。4、GRD的优点是什么作为一个自动驾驶仿真测试工程师，初步了解该平台的功能后，也来说下的一些看法（以下内容仅代表李慢慢本人的意见）。1、将3DGS和世界模型的优点进行结合。GRD算是我看到第一个将3DGS和世界模型两个前沿技术进行深度融合的一个能落地的产品了，也确实切中了端到端测试/训练的痛点。在我看来，3DGS的优势是能根据真实数据生成还原度很高的3D模型，然后进行确定性测试（人为可控，对于测试来讲多次测试的一致性非常重要），效率高可大规模测试；世界模型的优势是预测并生成极端场景（物理真实），效率低但可以针对性生成极端场景生成Corner Case制作训练集。测试的时候，3DGS为主世界模型为辅，训练的时候世界模型为主3DGS为辅，两者配合确实是个不错的思路。2、产品化，易于植入数据闭环平台。部署层面，GRD目前对外发布的是网页版（B/S架构，后期也可根据客户需求制定成“B/S+C/S”架构），这对于已有数据闭环云平台的企业来说，非常利于集成部署，快速增加云平台的数据合成能力。3、 用AI测试AI、用AI训练AI，越用越好用。智驾系统其实就是个大型的AI系统，现在能对这个AI系统进行训练或者测试的“3DGS+世界模型”的平台其实也是个AI组合，那么长远来讲，是可能打造一个真“数据闭环”的平台的，用AI训练AI，然后用AI测试AI，让系统自己成长；且长远来看，因为世界模型和3DGS本身可训练的基本属性，这套系统会随着数据的不断增加，会越来越好用。未来可期。5、结尾GRD平台紧扣2026年智驾数据资产化、高保真仿真、合规化量产的发展趋势，搭建起“多源数据采集回传 --> 自动化数据治理 --> 3DGS三维资产重建 --> 世界模型数据合成应用”的完整闭环链路。通过定制采集车与量产车影子模式高效回传数据，依托自动化工具链完成清洗、脱敏、标注、标准化处理，结合前沿3DGS三维重建与世界模型技术构建高精度仿真场景，实现数据资产封装、安全共享与批量合成，高效产出全覆盖、高保真、合规安全的场景数据，全面支撑高阶智驾算法训练与迭代测试，为自动驾驶规模化、低成本、合规化量产落地提供全新解决方案。答卷已给，剩下的就是看实际应用落地来打分了，让我们拭目以待吧。以上，本文完。 来源：车路漫漫
