一、背景與挑戰

隨著國標新規持續推進，以及端到端智能駕駛算法對長尾場景、閉環驗證和高保真傳感器仿真的要求提高，行業正在加速從“數據驅動的道路測試”走向“真實場景驅動的數字孿生測試”。面對復雜城區、快速路、匝道及交叉口等典型道路環境，如何快速構建可復用、可編輯、可驗證的仿真場景，已成為智能駕駛研發效率的關鍵變量。

傳統數字孿生場景構建通常依賴路網繪制、三維資產建模、材質貼圖、交通設施配置與資產擺放等工序。對于大范圍、細節豐富的真實道路復刻，這類人工流程往往以周甚至月為周期，并且場景質量高度依賴建模資源與人工經驗。相關研究也指出，自動駕駛三維仿真環境的構建本身是一項復雜任務，自動化場景建模正是降低成本、縮短周期的重要方向。

基于 3D Gaussian Splatting（3DGS）的場景重建技術，為這一問題提供了新路徑。3DGS 以大量具備位置、形狀、顏色和不透明度屬性的三維高斯體表達環境，通過快速可見性計算實現高效訓練和實時渲染。

康謀 World Extractor 將這項能力整合為面向自動駕駛仿真的線性工具鏈：從真實道路數據采集出發，經由數據管理、動態目標處理、場景提取與神經訓練，最快可在天級周期內生成可用于仿真的 3DGS 地圖。

二、適用場景與數據要求

1、World Extractor適用場景

當研發團隊需要將真實道路快速還原為可測試的虛擬環境時，World Extractor 尤其適用。例如，針對特定事故多發路口、城區復雜無保護左轉、連續匝道匯入、施工路段或高頻測試路線，團隊不必從零開始手工搭建場景，而可直接基于實采數據生成高保真數字孿生地圖。

這種方式也特別適合端到端算法的閉環驗證。端到端模型對環境細節、視角變化、交通參與者行為和傳感器輸入分布更為敏感；僅依賴抽象化地圖或規則化資產，往往難以充分覆蓋真實世界的紋理、遮擋、道路邊界與視覺背景。將真實路采場景轉化為可重放、可擴展的仿真環境，可幫助研發團隊在更可控的條件下開展 AEB、LKA、變道、超車等功能與算法驗證。

2、World Extractor數據要求

World Extractor 的輸入來自即插即用的數采系統，核心是完整、同步且準確標定的多傳感器數據。采集車輛需要記錄多目相機圖像、激光雷達點云以及自車運動信息，其中自車運動可由 GNSS、IMU、里程計等提供高精度軌跡與姿態參考。

相機數據負責提供道路紋理、交通標志、建筑立面、光照與視覺語義；激光雷達點云用于補充空間幾何結構；連續且可靠的車輛軌跡，則是多幀數據對齊、位姿恢復與大范圍重建的基礎。為獲得更穩定的重建質量，建議在連續道路路段采集，確保傳感器時間同步、內外參標定準確、曝光相對穩定，并覆蓋目標場景中的典型道路結構與光照條件。

三、3DGS 地圖生成流程

World Extractor 將“采集—管理—處理—訓練”串聯為一條可追溯的自動化流程。

首先，原始傳感器數據進入數據版本控制系統。團隊可按版本記錄篩選數據，并利用自動化標簽檢索與優化能力，快速定位具有目標道路結構、交通事件或駕駛行為的數據片段。

隨后，自動標注工具執行動態目標處理：識別車輛、行人、非機動車等運動目標，生成動態掩碼，并盡可能在訓練早期移除這些動態干擾。這能夠減少運動物體在跨幀觀測中的不一致性，降低其對靜態環境重建的影響；同時，系統可提取對應 Scenario，為后續仿真回放與編輯建立關聯。

在神經訓練階段，World Extractor 結合 NeRF 思路與 3DGS 表達，對靜態場景進行高效建模。面向大范圍道路場景，系統采用基于 BEV 的動態二維柵格分塊機制：先依據預設聚類半徑與位姿數量，對相機軌跡進行聚類；再將聚類結果離散投影至鳥瞰網格，形成初始訓練區塊。

系統通過凸包與最近鄰歸屬補全網格覆蓋，并對區塊邊界進行膨脹，使相鄰區塊保留必要重疊區域。在重疊帶內，依據點到相鄰區塊邊界的距離比例進行平滑插值。這樣既能保持大場景銜接的連續性，又能將訓練和資源消耗控制在更易管理的范圍內。

四、生成效果與應用價值

最終生成的 3DGS 地圖可導入康謀 aiSim 高保真仿真器，并結合 OpenSCENARIO 快速還原實采場景。在同一數字孿生環境中，研發人員可以配置相機、激光雷達等不同傳感器，復現或擴展變道、超車、緊急制動等交通行為，并對 AEB、LKA 等算法能力進行驗證。

基于 World Extractor 生成的地圖能夠支持極端視角下的新視圖合成與光照變化，使原本一次性的真實路采數據，轉化為可持續復用的仿真資產。對于需要兼顧真實性、構建效率與大規模驗證能力的智能駕駛團隊而言，World Extractor 讓“從真實世界提取場景、在虛擬世界驗證算法”的閉環更快落地。