康谋方案 | 高精LiDAR+神经渲染3DGS的完美融合实践

在自动驾驶时代奔涌向前的路上，仿真测试早已不再是可选项，而是验证智能驾驶系统安全性、鲁棒性和泛化能力的刚需，如何提升仿真测试的保真度已成为无法避免的重要话题。

这正是“数字孪生”出现的时代背景。本文为大家详细介绍如何用传统与前沿结合的数字孪生构建流程，再配合3DGS 的神经网络重建技术，为自动驾驶仿真测试注入真正的“现实之眼”。

一、从点云到高精地图的重建

依托独家的aiData工具链与aiSim仿真平台，本文建立了一套高精度数字孪生地图构建流程，已经广泛应用于布达佩斯 Kolosy广场、ZalaZone测试场等真实道路还原项目。整个流程包括：

（左）带有标注的HD地图、（中）装饰HD地图、（右）aiSim中渲染

1、数据采集

采用搭载激光雷达（LiDAR）、高精度GNSS/INS系统的测绘车（如康谋DATALynx ATX4）执行移动激光扫描（MLS），通过aiData Recorder进行录制，主要路线至少绘制两次，确保厘米级空间精度。

数采车示意图

2、点云聚合

使用aiData Annotator将多帧点云拼接为统一的全局坐标系，结合反射率、时间戳等多通道信息形成高密度、低误差的空间点集。

Tips：详细数据采集精度和点云数据格式可联系康谋技术团队获取，可接受第三方数据，但建议在采集前与我们技术团队沟通优化策略。

3、高精地图建模

基于聚合点云手工标注道路元素：车道线、交通标志、人行道、护栏、红绿灯等。输出为GeoPackage格式的HD Map，用于自动驾驶系统参考。

ZalaZone试验场 LiDAR点云建模

ZalaZone试验场卫星参考图像

4、三维建模与装饰

借助Atlas程序化建模引擎，生成道路、地形等基础结构，再通过aiSim Unreal插件手工装饰建筑、植被、街景设施，最大程度复现现实细节。为了获取最大精度，康谋将会采用DCC工具，例如Maya、Blender、Substance等工具利用可用数据构建新模型；

二、颠覆性革新：NeRF 与 3DGS 重建

传统方式固然精准，但高成本、高周期、强人工依赖，难以支撑大规模、快速迭代的测试需求。

本文分享的神经网络重建方案，则以NeRF+ 3DGS为核心技术，实现了从真实环境到仿真世界的跃迁：

1、仅需数日，完成街景重建

相比传统数月的手动建模，神经网络重建只需几天时间，就能将采集到的图像和点云数据自动生成高保真的三维静态场景。

在aiSim中重建Waymo场景

2、进一步消除 Domain gap，场景逼真如实地拍摄

通过DEVIANT算法验证3D目标检测精度、Mask2Former测量像素一致性等方式，验证了神经重建场景在多摄像头视角下的高可用性与仿真一致性。

请查看最新发表的论文“Hybrid Rendering for Multimodal Autonomous Driving: Merging Neural and Physics-Based Simulation”

3、降本增效，拒绝重复建模

方案致力于告别繁复的建模软件与人工建模流程，实现端到端自动化构建，大幅降低人力与制作成本。

4、场景增强与标准兼容

在生成的三维场景中，可灵活添加动态对象（车辆、行人、信号灯等），并全面兼容OpenSCENARIO标准，适配多种自动驾驶测试平台。

三、重建工作流：从采集到仿真部署

神经网络重建方案遵循高度自动化流程：

流程图

（1）数据采集：使用DATALynx ATX4记录图像、LiDAR点云和自车位姿；推荐配置包括Hesai Pandar64、环视非鱼眼摄像头和NovAtel高精度组合导航系统。

（2）数据转换：将原始数据转化为康谋格式，统一处理点云、图像和标定信息。

（3）自动标注：利用aiData工具链去除动态目标、生成GT数据，实现非因果式追踪。

环视系统自动标注

（4）神经网络训练：使用NeRF/3DGS算法生成高精度三维场景。

（5）仿真部署与增强：在aiSim仿真平台中集成重建场景，配置不同环境（暴雨、夜晚、雪天）、多模态传感器（摄像头、LiDAR、毫米波雷达等）与虚拟交通流。

雨天场景

四、仿真世界，无需困于“假”

在自动驾驶技术快速发展的今天，数字孪生已从简单的场景复制，进化为具备真实物理特性的虚拟世界。我们和众多同行们正在见证一场仿真技术的革命：

（1）通过激光雷达的精准测绘确保厘米级精度

（2）借助3DGS/NeRF实现场景的智能重建

（3）融合传统与创新的技术优势

康谋致力于将传统构建流程与前沿神经网络重建技术相融合，用速度、真实与自动化重塑自动驾驶仿真测试的范式。

我是分享自动驾驶技术的康谋，欢迎探讨交流~