告别数月等待：数字孪生场景生成从此进入“日级”时代

▍文章来源于康谋自动驾驶

行业挑战与痛点

在自动驾驶开发中，高保真的仿真场景是算法迭代和验证的基石。然而，传统手工建模方式需要大量3D设计师投入，构建一个复杂交通环境往往耗时数月甚至半年以上；同时，城市、高速、停车场等多种运营设计域（ODD）都需要覆盖，场景的可扩展性与多样性一直是瓶颈。

更重要的是，随着自动驾驶系统从模块化架构向端到端系统级演进，仿真平台不仅要验证感知、决策和控制单元的单点性能，更要在同一环境中评估OneModel/TwoModel协同的整体表现，这意味着：

测试场景必须与真实世界尽量一致，以避免在端到端链路上引入虚假偏差；

需要灵活修改传感器布局、天气和交通流量来覆盖边界工况；

要同时支持SIL（软件在环）、HiL（硬件在环）、DiL（驾驶员在环）等多级仿真，并在同一数字孪生环境下复现。

然而，即使采用高保真物理渲染，仿真数据与真实世界之间依然存在域间差距（domain gap），端到端仿真测试因而受限，算法开发和功能安全验证被拖慢。

这类端到端测试需要用户能够自主、快速地采集真实世界数据并生成高保真数字孪生，以便随时迭代场景并适配不同的传感器布置和测试条件。传统的外包式建模服务或半成品工具链，难以满足客户对自助操作和敏捷迭代的要求。

World Extractor 工具链简介

针对这些痛点，康谋推出的World Extractor已经不只是一个“内部项目工具”，而是一个成熟、可商用、可自助使用的端到端工具链。它集成了 NeRF 与 3D Gaussian Splatting 等前沿神经重建技术，用户只需将自己的实地录制数据（如车队采集的多传感器数据）导入，即可在数天内自动生成静态 3D 世界，无需专业 3D 建模师。

World Extractor工作前端用于评估采集数据质量和场景回放

在此基础上，用户可以通过内置的2000+ 动态主体资产库自主增强场景，添加车辆、行人、交通灯、标志牌等元素，并根据测试需求调整 ODD、时间、天气和交通流量。

整个过程不再依赖团队手工制作，客户可以完全掌握采集、生成和仿真流程，形成自己的数字孪生资产库，并与康谋 aiSim 直接联动。

与aiSim的无缝集成

World Extractor 的独特价值在于与 aiSim 的原生集成。通过“神经重建 + 物理引擎”的混合渲染方式，既能保留真实世界的纹理和几何细节，又能获得物理上精确的传感器输出。

在 aiSim 中，用户可一键配置多传感器仿真，包括摄像头、雷达、激光雷达、超声波传感器等，灵活调整天气、光照和时间条件，验证在极端场景下的算法表现。

关键优势

World Extractor + aiSim的关键优势在于：

自动化管线：将高保真 3D 环境生成周期从传统的 3–6 个月缩短到 1 天，实现真正意义上的“日级数字孪生”。

传感器无关：覆盖摄像头、雷达、激光雷达等所有主流传感器模式，与大多数只关注单一传感器的竞争产品相比更全面。

极端新视角：即使偏离原始采集轨迹，依然能保持高精度渲染和传感器一致性，适合多变路径和复杂测试工况。

量化验证：通过感知功能等量化指标，域间差距极小，提供比纯质性评估更可的验证依据。

客户案例

欧洲某乘用车OEM有构建3D孪生场景地图，并基于aiSim开展SiL、HiL和DiL仿真测试的需求。

为满足该需求，解决方案是利用aiSim、World extractor工具链（涵盖采集、可视化分析、3DGS模型和自动标注功能），为客户多个团队创建覆盖不同ODD的3D环境，这些环境可直接用于aiSim及客户基于UE构建的DiL系统。

本项目KPI是采用World Extractor生成高质量合成数据，避免重复采集数据测试新传感器方案，且将原本3 - 6月的数字孪生时间缩短到1天。

具体实施步骤为：

客户自有数采车队采集场景数据，用于3DGS场景重建；

基于采集数据构建3D模型，支持高保真交通、场景和传感器仿真；

训练3DGS数据孪生场景，并无缝导入aiSim中使用；

提供客户自有UE引擎DiL模拟工具，实现驾驶员参与的闭环仿真测试。

总结

在自动驾驶的竞争赛道上，高保真、可扩展的仿真场景构建已成为端到端系统级验证的关键。

无论你是整车厂还是Tier1团队，都可以借助World Extractor + aiSim快速搭建符合自身传感器、算法和测试要求的高保真仿真环境，实现真正的端到端系统级验证。