01 前言

隨著端到端自動駕駛從學術探索走向規模化應用，無論是特斯拉 FSD 神經模擬器、Waymo 基于 DeepMind Genie 3 的世界模型，還是國內主流車企的數據閉環體系，均在表明仿真系統的定位已從傳統測試執行工具，升級為支撐算法訓練的核心數據基礎設施。

尤其需要重視的是，端到端模型直接消費傳感器數據進行訓練，這對仿真提出了三個過去從未被充分重視的要求：

其一，光照覆蓋的系統性缺口。 3D Gaussian Splatting（3DGS）已成為業界神經場景重建的主流路線之一，但其結構性局限在于：光照信息被"烘焙"進點云，無法動態調整。一條在正午采集的路段，無法在不重新出行采集的情況下還原為夜間或雨后場景——而端到端模型需要在所有光照條件下都有足夠的訓練樣本。

其二，長尾邊緣場景的物理真實性缺失。 落葉被氣流卷起、雨天水花飛濺、井蓋蒸汽彌漫——這些在真實道路上極低頻率出現的物理現象，恰恰是傳感器容易誤判的高風險場景。傳統仿真無法對這類流體動力學效應進行物理級建模，導致算法在此類場景下的泛化能力無法被有效驗證。

其三，場景生成效率與算法迭代速度的錯配。 端到端模型對場景多樣性的需求呈指數級增長，但 OpenSCENARIO 場景的手工編寫效率幾乎沒有本質改變。當算法團隊每周迭代，而測試場景庫每季度才能更新，驗證管線就會成為整個研發體系的瓶頸。

面向上述背景的下一代自動駕駛開發范式，aiSim 6 針對端到端模型訓練與驗證的核心痛點，進行了非常規版本迭代，而是在神經渲染、AI 場景工作流、物理仿真三大領域進行系統性重構，并計劃于2026 年上半年正式發布

02 全新aiSim 6即將發布

這不是一次常規版本迭代——aiSim 6 是針對下一代自動駕駛開發范式的系統性重構，在神經渲染、AI 原生工作流、物理仿真三個維度同步推進。

1、基于物理的動態神經渲染

3D Gaussian Splatting（3DGS）是當前神經場景重建的主流技術路線，能夠將真實道路環境重建為高保真數字孿生場景，仿真效果具有說服力。

但 3DGS 有一個結構性局限：顏色與光照信息是"烘焙"進 splat 點云之中的，場景一旦采集，光照條件就被固定——原本在正午拍攝的路段，無法還原為傍晚或夜間環境。要覆蓋不同光照條件下的測試用例，理論上只能反復出行采集，成本高。

aiSim 6 的突破在于：基于自研的 PBR Splatting 技術，對 3DGS 模型可動態調整場景光照。同一條路段，白天、傍晚、夜間，任意切換。這一能力已完成 PoC 驗證，將于 H1 2026 隨產品正式發布。

在 aiSim Developer Client 中，對 aiSim 3D GS 場景的重光照（Relighting）效果進行演示。

(1) Color Grading：合成資產與神經場景的視覺融合

在神經場景中插入合成車輛模型，長期存在一個"穿幫"問題：合成資產與 3DGS 場景在色調、亮度、色溫上往往不匹配，視覺上一眼可辨。aiSim 6 的 Color Grading 功能通過匹配合成車輛與神經場景的光照色彩基調，實現無縫的視覺融合，進一步提升合成數據的可用性。

（2）附加亮點：Gaussian Splatting Renderer for Unreal Engine 5

針對需要在 Unreal Engine 環境下開展工作的團隊（如座艙 UI 的 VR 測試），aiSim 提供 GS Renderer 插件，支持將 3DGS 數字孿生場景直接導入 UE5 編輯器，即插即用。該功能已完成實現，計劃 Q1 2026 發布。

2、AI驅動的場景生成

測試場景的構建效率，一直是規模化仿真的隱性瓶頸。

aiSim 6 通過集成 Model Context Protocol（MCP），將主流 AI 大模型（Gemini、ChatGPT、Copilot 等）直接接入仿真編輯器工作流。工程師可以通過自然語言 prompt 描述測試意圖——例如"在四路交叉口隨機放置 8 輛車，包含 2 輛大型貨車"——系統自動生成符合 OpenSCENARIO 標準的場景文件。

這一能力的意義不只是提速。當場景生成的門檻降低，測試覆蓋率的上限就會被重新定義。

MCP 的標準化接口設計同樣值得關注，使AI助手能夠感知仿真上下文（場景元素、地圖結構），避免盲目生成。

3、Navier-Stokes 粒子仿真

Navier-Stokes 方程是描述流體運動的經典物理方程組。aiSim 6 將該方程應用于環境粒子物理仿真，可真實模擬車輛行駛氣流帶動的落葉運動、雨天路面濺起的水花、井蓋蒸汽與交通參與者的動態交互效果，補齊邊緣場景物理真實性短板，預覽版已完成開發。

在 aiMotive Developer Client 中對基于 Navier–Stokes 方程的粒子仿真進行的初步展示，用于演示城市環境中樹葉的動態運動效果（粒子效果，非樹葉模型）

4、車燈仿真：夜間 ADAS 驗證的完整閉環

aiSim 6 進一步完善了車輛燈光系統的物理仿真能力，覆蓋大燈、尾燈、轉向燈等全系燈組，支持 Isolux 照度線可視化與網格化光照分布分析。核心應用場景是夜間 ADAS 功能驗證，包括必須在物理級夜間光照模型下才能進行有效的合規性驗證的遠光輔助（High-Beam Assist）和自適應矩陣大燈功能。

5、一體化3D 世界編輯器

aiSim 6 持續擴展內嵌于 Web UI 的 3D 世界編輯器，支持 glTF 地圖導出、程序化資產布置和 OpenMATERIAL 標準集成，兼容合成場景與神經重建場景兩種環境類型。對于頻繁需要調整靜態場景元素的工程團隊，地圖迭代不再依賴第三方工具，工作流大幅收斂。

03、延續高可靠工程化基礎能力

aiSim 6 的所有新特性，均建立在現有版本已經驗證的工程基礎之上，保留并強化核心能力：：

- ISO 26262 認證，覆蓋至 ASIL-D

- 實時渲染，支持 HiL 環境接入

- 5,000+ 3D 資產，100+ 車輛模型，1,000+ 示例場景

- 20+ 基于物理的傳感器模型

- 完整 ASAM 標準支持（OpenSCENARIO / OSI / OpenDRIVE / OpenCRG / OpenMATERIAL）

- 可擴展架構，支持百萬級并行測試

04、展望

在端到端自動駕駛開發體系中，誰能在仿真中更真實、更高效地生成稀缺場景數據，提供更接近真實環境的渲染效果，誰就能在端到端時代掌握訓練主動權。

aiSim 6 的更新脈絡，與這個方向高度吻合。PBR Splatting 把 3DGS 場景從"光照固化的快照"變成了"可動態配置的訓練環境"；Navier-Stokes 粒子仿真把物理級環境干擾引入了合成數據鏈路；MCP 集成則把場景生成的速度從"工程師手動編寫"提升到"自然語言即時生成"。

這三個能力疊加，勾勒出 aiSim 6 試圖扮演的角色：不只是一個測試工具，而是端到端算法開發體系中的合成數據引擎。

aiSim 6，一起期待在2026 年上半年見。