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，難免會面臨3D場景制作重建耗時長、成本高、擴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)在于如何自動化生成3D靜態(tài)場景并添加動態(tài)實例編輯，從而有效縮短測試流程，擴大仿真測試范圍。

對于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點的顏色和密度信息編碼為一個連續(xù)的函數(shù)并由MLP參數(shù)化。給定一個視角和三維空間中的點，NeRF可以預(yù)測該點的顏色和沿視線方向的密度分布。通過對這些信息進行體積渲染，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。
• 相對較快的訓(xùn)練時間。
• 對于待重建區(qū)域具有可擴展性。

3、不足及主要挑戰(zhàn)

渲染速度緩慢。NeRF需要沿著從相機到場景的每條光線進行大量的采樣和計算，以準(zhǔn)確估計場景的體積密度和顏色。這個過程計算密集，在NVIDIA A100上進行了測試，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)確估計每個像素的深度。

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、深度估計不夠準(zhǔn)確以及運動模糊遮擋等問題造成的。

高FOV相機校準(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云數(shù)據(jù)，每個點用一個具有均值和協(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)練時間短。

近似于實時的渲染。

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，否則將會對3DGS的性能產(chǎn)生明顯的影響。

深度估計同樣不足，主要可能有幾個原因：在優(yōu)化過程中傾向于獨立優(yōu)化每個高斯點，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)重建時深度估計不準(zhǔn)確；初始點云的深度信息不夠準(zhǔn)確等。

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

重建區(qū)域可擴展受限，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在運行時可能會占用大量的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——相機視頻數(shù)據(jù)；自車運動數(shù)據(jù)；校準(zhǔn)數(shù)據(jù)；用于深度正則化的LiDAR點云數(shù)據(jù)；

第二步：移除動態(tài)對象：創(chuàng)建分割圖來識別和遮罩圖像中的不同對象和區(qū)域；對動態(tài)對象進行自動注釋*（康謀aiData工具鏈）；

第三步： 進行NeRF或Gaussian splatting。

NeRF：

可以使用任何攝像頭模型，示例中使用的是MEI相機模型；

采用Block-NeRF進行大規(guī)模重建；

嵌入不同的氣候條件。

Gaussian splatting：

將輸入的相機轉(zhuǎn)化為針孔相機模型；

可以從COLMAP或LiDAR中獲得初始點云；

采用Block-Splatting進行大規(guī)模重建。

2、添加動態(tài)對象

在NeRF和3DGS生成靜態(tài)場景后，aiSim5將基于外部渲染API進一步增加動態(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場景細節(jié)。

3、效果展示

在aiSim5中完成動態(tài)對象的添加后，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駕駛技術(shù)研發(fā)經(jīng)驗，熟練掌握仿真測試工具和平臺，如aiSim、HEEX等，能有效評估和優(yōu)化自動駕駛系統(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)團隊完成多項海外技術(shù)合作項目，加速了公司在自動駕駛技術(shù)上的國際化進程。作為技術(shù)團隊的核心，領(lǐng)導(dǎo)并實施過大規(guī)模的自動駕駛仿真測試項目，對于車輛行為建模、環(huán)境模擬以及故障診斷具有獨到見解。擅長運用大數(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。