股票
板块
用户
资讯
首页
天眼
自选
发现
开户
首页
天眼
自选
发现
我的

驾驶场景仿真获突破 长城汽车联手高校让仿真更贴近真实路况

驾驶场景仿真画面一换视角就模糊变形、一插入虚拟车辆就前后景错位?这个困扰行业的共性难题,迎来了新的技术突破。


近期,长城汽车与中国香港科技大学、清华大学等高校研究团队联合发布的最新开源研究成果 SPVC,针对3D驾驶场景渲染中的各类伪影问题,提出了一套结构化、全景式的视频修复方案,让数字仿真场景更稳定、更可控、更贴近真实道路环境。



?? 相关资源

项目主页:https://li00147.github.io/SPVC-Project-Page/

开源代码:https://github.com/Li00147/SPVC


为什么驾驶辅助场景仿真,急需一套“修复术”?


近年来,3D高斯泼溅(3DGS)凭借高质量重建与高效渲染的优势,逐渐成为驾驶辅助场景建模的主流技术路线。但在实际应用中,它始终面临两个典型痛点:


新视角渲染失真:当车辆轨迹偏离原始采集路径时,道路、建筑、车道线容易出现结构扭曲、局部模糊


3D资产插入违和:往场景中添加虚拟车辆等资产时,容易出现车身外观失真、前景与背景衔接错位


不止是单帧画面的问题,连续视频序列还容易出现时序闪烁、帧间不一致的现象。这些仿真中的“伪影”,会让下游的感知、规划模型学习到错误的特征,最终削弱驾驶辅助算法在真实道路上的决策可靠性。


 SPVC 针对结构化、全景式、视频级、跨数据集修复,缩小仿真与真实场景的差距


SPVC:一套框架解决四类修复难题


SPVC全称为 Structured and Panoptic Video Fixing for Cross-Dataset Driving Scene Rendering,(面向驾驶场景跨数据集的结构化与全景视频渲染修复),它没有走“针对单个问题单独优化”的路线,而是将驾驶场景修复统一为四大设计目标:


结构化修复:给修复加上“空间标尺”


引入相机位姿、3D检测框、高清地图作为明确的空间约束,给修复过程划定清晰的空间逻辑,减少无依据的内容生成,让修复结果符合真实物理规律。


全景式修复:前景背景同步修正


既修正背景的道路、建筑、标识牌扭曲,也解决前景插入车辆带来的外观失真、前后景错位,实现全场景的渲染伪影修复,没有“修补盲区”。


视频级修复:保证时序流畅不闪烁


针对连续驾驶视频序列做整体处理,而非逐帧单修,充分利用帧间时序信息,有效改善视角变化时的画面闪烁问题,保证视频序列的连贯一致。


跨数据集修复:一套模型适配多场景


通过在多个公开数据集与自研采集数据上训练,同一个模型可以适配不同数据来源、不同道路场景的修复需求,无需针对每个数据集单独训练修复模型,通用性更强。


简单来说,SPVC就像一套专为数字驾驶场景设计的“智能高清修复系统”:视角变了能修清,加虚拟车能修自然,换数据集也能稳定生效。


SPVC在公开评测集Nuscenes上的修复效果


SPVC在公开数据集EUVS数据集上的零样本泛化效果


多数据集验证:修复效果优于主流基线


研究团队通过模拟欠约束3DGS渲染、前景车辆插入等典型场景,构造了大量“退化-清晰”的配对视频样本,采用两阶段可控视频扩散模型进行训练。


在Waymo、nuScenes、PandaSet等多个行业公开基准数据集上的实验显示,SPVC在新视角伪影修正、3D资产插入修复两项核心任务上,表现均优于现有主流基线方法,同时拥有更出色的时序一致性与空间可控性。


从“建场景”到“保可靠”,深耕仿真技术底座


对于智能汽车研发而言,数字仿真是驾驶辅助算法验证的核心环节。场景越真实、越稳定、越可控,算法验证的参考价值就越高,最终落地的安全性也越有保障。


此次SPVC技术的探索,是长城汽车在驾驶辅助仿真领域的一次前沿延伸:技术布局从“构建数字场景”,进一步深化到“保障数字场景的可靠性与一致性”。


长期以来,长城汽车坚持面向真实道路、复杂交通与多样化驾驶工况积累技术能力。未来,长城汽车将持续深化与国内外高校、科研机构的产学研合作,围绕三维重建、仿真数据生成、驾驶辅助安全验证等方向持续探索,用更真实、更稳定、更可控的数字道路场景,为智能汽车研发筑牢技术底座。





原文链接
多空观点 观点仅供交流,不构成投资建议
点赞
踩一踩
收藏
分享

评论 (0)

0/200
声明:社区内容仅代表用户个人观点,不构成任何投资建议。投资有风险,入市需谨慎。