在前面的幾章節(jié)中探討了aiSim仿真合成數(shù)據(jù)的置信度，此外在場景重建和測試流程閉環(huán)的過程中，難免會(huì)面臨3D場景制作重建耗時(shí)長、成本高、擴(kuò)展性低以及交通狀況復(fù)雜程度難以滿意等問題，當(dāng)前的主要挑戰(zhàn)在于如何自動(dòng)化生成3D靜態(tài)場景并添加動(dòng)態(tài)實(shí)例編輯，從而有效縮短測試流程，擴(kuò)大仿真測試范圍。

對(duì)于3D重建，目前主要的兩種解決方案為NeRF和3DGS。

一、NeRF

1、神經(jīng)輻射場（Neural Radiance Fields）

NeRF是將三維空間中的每個(gè)點(diǎn)的顏色和密度信息編碼為一個(gè)連續(xù)的函數(shù)并由MLP參數(shù)化。給定一個(gè)視角和三維空間中的點(diǎn)，NeRF可以預(yù)測該點(diǎn)的顏色和沿視線方向的密度分布。通過對(duì)這些信息進(jìn)行體積渲染，NeRF能夠合成出新視角下的圖像。

2、優(yōu)勢

高保真輸出。

• 基于NerFStudio提供了較為友好地代碼庫。
• 相對(duì)較快的訓(xùn)練時(shí)間。
• 對(duì)于待重建區(qū)域具有可擴(kuò)展性。

3、不足及主要挑戰(zhàn)

渲染速度緩慢。NeRF需要沿著從相機(jī)到場景的每條光線進(jìn)行大量的采樣和計(jì)算，以準(zhǔn)確估計(jì)場景的體積密度和顏色。這個(gè)過程計(jì)算密集，在NVIDIA A100上進(jìn)行了測試，全HD分辨率下，渲染一張圖像大約需要10s。

場景深度估計(jì)效果不理想。NeRF通過體積渲染隱式地學(xué)習(xí)了場景的深度信息，但這種深度信息通常是與場景的顏色和密度信息耦合在一起的。這意味著，如果場景中存在遮擋或非朗伯（non-Lambertian）反射等復(fù)雜情況，NeRF可能難以準(zhǔn)確估計(jì)每個(gè)像素的深度。

近距離物體重建質(zhì)量可能較低。這可能是由視角和分辨率不足、深度估計(jì)不夠準(zhǔn)確以及運(yùn)動(dòng)模糊遮擋等問題造成的。

高FOV相機(jī)校準(zhǔn)不完善導(dǎo)致的重影偽影。

當(dāng)然為了解決這些問題研究人員通過引入深度正則化來提升NeRF深度估計(jì)的準(zhǔn)確性和穩(wěn)定性，通過優(yōu)化NeRF的結(jié)構(gòu)和算法提升渲染速度。

二、3DGS

1、3D高斯?jié)姙R（3D Gaussian Splatting）

3DGS采用三維高斯分布來表示場景中的點(diǎn)云數(shù)據(jù)，每個(gè)點(diǎn)用一個(gè)具有均值和協(xié)方差的高斯函數(shù)來描述。通過光柵化渲染高斯函數(shù)，從而生成逼真的3D場景圖像。

2、優(yōu)勢

訓(xùn)練時(shí)間短。

近似于實(shí)時(shí)的渲染。

提供高保真的輸出。

3、不足及主要挑戰(zhàn)

代碼庫友好度較低。相比于NeRFStudio，文檔的完善程度和易用性較低。

初始點(diǎn)云獲取需求高，需要精確的傳感器和復(fù)雜的數(shù)據(jù)處理流程，否則將會(huì)對(duì)3DGS的性能產(chǎn)生明顯的影響。

深度估計(jì)同樣不足，主要可能有幾個(gè)原因：在優(yōu)化過程中傾向于獨(dú)立優(yōu)化每個(gè)高斯點(diǎn)，導(dǎo)致在少量圖像下出現(xiàn)過擬合；由于缺乏全局的幾何信息，導(dǎo)致在大型場景下或復(fù)雜幾何結(jié)構(gòu)重建時(shí)深度估計(jì)不準(zhǔn)確；初始點(diǎn)云的深度信息不夠準(zhǔn)確等。

相機(jī)模型支持受限。目前3DGS主要支持針孔相機(jī)模型，雖然理論上可以推導(dǎo)出其他相機(jī)模型的3DGS版本，但還需要后續(xù)的實(shí)驗(yàn)驗(yàn)證其有效性和準(zhǔn)確性。

重建區(qū)域可擴(kuò)展受限，主要是缺乏LiDAR覆蓋區(qū)域之外的幾何信息導(dǎo)致的不完整重建以及大型城市場景重建的大量計(jì)算。

集成和資源密集的挑戰(zhàn)，目前3DGS集成通常依賴Python接口；3DGS在運(yùn)行時(shí)可能會(huì)占用大量的VRAM。

通過優(yōu)化超參數(shù)和采用新方法，如Scaffold-GS，可能有助于減少內(nèi)存需求，提高在大型場景下的處理能力。

三、操作方法

1、訓(xùn)練流程

第一步：輸入——相機(jī)視頻數(shù)據(jù)；自車運(yùn)動(dòng)數(shù)據(jù)；校準(zhǔn)數(shù)據(jù)；用于深度正則化的LiDAR點(diǎn)云數(shù)據(jù)；

第二步：移除動(dòng)態(tài)對(duì)象：創(chuàng)建分割圖來識(shí)別和遮罩圖像中的不同對(duì)象和區(qū)域；對(duì)動(dòng)態(tài)對(duì)象進(jìn)行自動(dòng)注釋*（康謀aiData工具鏈）；

第三步： 進(jìn)行NeRF或Gaussian splatting。

NeRF：

可以使用任何攝像頭模型，示例中使用的是MEI相機(jī)模型；

采用Block-NeRF進(jìn)行大規(guī)模重建；

嵌入不同的氣候條件。

Gaussian splatting：

將輸入的相機(jī)轉(zhuǎn)化為針孔相機(jī)模型；

可以從COLMAP或LiDAR中獲得初始點(diǎn)云；

采用Block-Splatting進(jìn)行大規(guī)模重建。

2、添加動(dòng)態(tài)對(duì)象

在NeRF和3DGS生成靜態(tài)場景后，aiSim5將基于外部渲染API進(jìn)一步增加動(dòng)態(tài)元素，不僅可以重建原始場景，也可以根據(jù)測試需求構(gòu)建不同的交通狀態(tài)。

aiSim5中基于NeRF/3DGS場景細(xì)節(jié)。

3、效果展示

在aiSim5中完成動(dòng)態(tài)對(duì)象的添加后，可以自由的在地圖場景中更改交通狀態(tài)，用于感知/規(guī)控等系統(tǒng)的SiL/HiL測試。

作者介紹

崔工

康謀科技仿真測試業(yè)務(wù)技術(shù)主管，擁有超過5年的汽車仿真測試及自動(dòng)駕駛技術(shù)研發(fā)經(jīng)驗(yàn)，熟練掌握仿真測試工具和平臺(tái)，如aiSim、HEEX等，能有效評(píng)估和優(yōu)化自動(dòng)駕駛系統(tǒng)的性能和安全性。擁有出色的跨文化溝通能力，成功帶領(lǐng)團(tuán)隊(duì)完成多項(xiàng)海外技術(shù)合作項(xiàng)目，加速了公司在自動(dòng)駕駛技術(shù)上的國際化進(jìn)程。作為技術(shù)團(tuán)隊(duì)的核心，領(lǐng)導(dǎo)并實(shí)施過大規(guī)模的自動(dòng)駕駛仿真測試項(xiàng)目，對(duì)于車輛行為建模、環(huán)境模擬以及故障診斷具有獨(dú)到見解。擅長運(yùn)用大數(shù)據(jù)分析和人工智能技術(shù)，優(yōu)化仿真測試流程，提高測試效率和結(jié)果的準(zhǔn)確性。