企业官网建设流程全解析

从零到专家：驾驶仿真器、CG、3DGS、智能体运动与强化学习接口完整教学文档

目录

1. 先建立整体认识：驾驶仿真器到底是什么
2. 为什么自动驾驶需要仿真器
3. 两大技术阵营：CG 类与 3DGS 类
4. 小白必懂：什么是“人工构建虚拟世界”
5. 小白必懂：什么是“真实数据重建世界”
6. 驾驶仿真中的“自车”和“其他智能体”
7. 其他智能体的运动是不是固定的
8. 各类智能体运动方式详解
9. CG 类仿真器详解
10. 3DGS 类仿真器详解
11. 主要平台名称与缩写解释
12. CARLA 详解
13. MetaDrive 详解
14. SVL、AWSIM、BeamNG.tech、AirSim 详解
15. HUGSIM、RealEngine、Street Gaussians、DriveStudio、DrivingGaussian 详解
16. Gymnasium 是什么
17. Gymnasium 与 NVIDIA Isaac 系列的关系
18. 强化学习在驾驶仿真中的基本逻辑
19. CG 类与 3DGS 类对比
20. 各平台中其他智能体运动方式对比
21. 从小白到专家的学习路线
22. 如何根据研究目标选型
23. 未来趋势：CG 仿真内核 + 3DGS 高保真渲染
24. 最终总结

一、先建立整体认识：驾驶仿真器到底是什么

驾驶仿真器可以理解成：

在电脑里创建一个可以开车的虚拟世界，然后让自动驾驶算法在里面学习、测试和评估。

这个虚拟世界里可以有：

• 道路；
• 车道线；
• 红绿灯；
• 交通标志；
• 建筑；
• 树木；
• 天气；
• 白天和夜晚；
• 自车；
• 其他车辆；
• 行人；
• 骑行者；
• 摄像头；
• 激光雷达；
• 毫米波雷达；
• 碰撞检测；
• 交通规则；
• 自动驾驶算法接口。

小白可以把驾驶仿真器想象成一个“自动驾驶版赛车游戏”。

区别是：

普通赛车游戏是给人玩的；驾驶仿真器是给自动驾驶算法测试和训练用的。

在真实世界中，自动驾驶汽车不能随便撞车、闯红灯、遇到行人急刹来试错。
但在仿真世界里，算法可以反复犯错、反复学习，而且不会伤害真人，也不会损坏真实车辆。

二、为什么自动驾驶需要仿真器

自动驾驶不能完全依靠真实道路测试，原因包括：

1. 真实道路测试成本高
   需要真实车辆、测试员、安全员、测试场地、传感器和大量时间。

2. 危险场景不能随便制造
   例如行人突然横穿马路、前车急刹、大货车突然变道，这些场景在现实中测试很危险。

3. 长尾场景很难采集
   所谓长尾场景，就是不常发生但一旦发生很危险的情况，例如暴雨夜晚、施工路段、动物横穿、高速爆胎等。

4. 真实事故场景很难复现
   现实中同一个路口、同一辆车、同一个行人、同一秒出现，几乎不可能精确复现。

5. 强化学习需要大量试错
   强化学习算法可能要训练几十万、几百万甚至上亿步，不能直接在真实道路上试错。

6. 自动驾驶系统需要可控评测
   研究人员希望同一个算法在同一场景中反复测试，这样才能公平比较算法优劣。

因此，驾驶仿真器的核心作用是：

• 构造可控驾驶场景；
• 生成传感器数据；
• 支持算法闭环交互；
• 评估驾驶策略安全性；
• 生成训练数据；
• 复现真实交通事件；
• 支持强化学习、模仿学习、监督学习和端到端自动驾驶研究。

在强化学习中，仿真器常被看作一个环境：

ot+1,rt,terminated,truncated,info=Env.step(at) o_{t+1}, r_t, terminated, truncated, info = Env.step(a_t)ot+1​,rt​,terminated,truncated,info=Env.step(at​)

其中：

• ata_tat​表示第ttt个时刻自车执行的动作；
• ot+1o_{t+1}ot+1​表示执行动作后得到的新观测；
• rtr_trt​表示奖励；
• terminatedterminatedterminated表示任务是否自然结束；
• truncatedtruncatedtruncated表示任务是否因为时间限制等原因被强制结束；
• infoinfoinfo表示额外信息。
  这就是自动驾驶算法和仿真器交互的基本形式。

三、两大技术阵营：CG 类与 3DGS 类

现有驾驶仿真器大体可以分成两大技术阵营。

3.1 第一类：CG 类驾驶仿真器

CG是Computer Graphics的缩写，中文是计算机图形学。

在驾驶仿真中，CG 类仿真器指：

使用游戏引擎、传统三维建模、物理引擎、程序式地图、交通规则系统和传感器模拟模块，人工构建出一个虚拟驾驶世界。

代表平台包括：

• CARLA；
• MetaDrive；
• SVL；
• AWSIM；
• BeamNG.tech；
• AirSim。

CG 类仿真器像是：

一个自动驾驶版的大型游戏世界。

它的优势是：

• 可以控制道路；
• 可以控制天气；
• 可以控制交通；
• 可以控制车辆；
• 可以控制行人；
• 可以写脚本制造危险场景；
• 可以支持闭环交互；
• 可以支持强化学习。

它的不足是：

• 画面可能像游戏，不够真实；
• 与真实摄像头画面存在差距；
• 构建高质量城市资产成本高。

3.2 第二类：3DGS 类驾驶仿真器

3DGS是3D Gaussian Splatting的缩写，中文可以理解为：

三维高斯泼溅 / 三维高斯点渲染。

3DGS 类驾驶仿真器指：

从真实道路采集数据中重建真实场景，再用 3D Gaussian Splatting 技术进行高保真渲染、新视角合成和闭环评估。

代表项目包括：

• HUGSIM；
• RealEngine；
• Street Gaussians；
• DriveStudio；
• DrivingGaussian。

3DGS 类仿真器像是：

把真实街道扫描进电脑，再让自动驾驶算法在这个重建出来的真实场景中测试。

它的优势是：

• 视觉真实感强；
• 更接近真实摄像头图像；
• 适合视觉感知评测；
• 适合真实场景回放；
• 适合高保真数据生成。

它的不足是：

• 交通规则系统通常不如 CG 类成熟；
• 物理交互能力较弱；
• 强化学习生态不成熟；
• 依赖真实数据；
• 工程复杂度高。

四、小白必懂：什么是“人工构建虚拟世界”

“人工构建虚拟世界”可以理解成：

人类用电脑软件搭建出来的一个假的、可控制的驾驶城市。

它不是直接拍摄真实道路，也不是直接扫描真实街道，而是像做游戏地图一样，在电脑中创建：

• 道路；
• 车道线；
• 红绿灯；
• 交通标志；
• 建筑物；
• 树木；
• 天空；
• 天气；
• 车辆；
• 行人；
• 交通流；
• 传感器。

举个例子：

研究人员想测试自动驾驶车遇到行人横穿马路时会不会刹车。

现实中不能真的让人冲到车前面。
于是他们在电脑里做一个虚拟路口：

• 中间有马路；
• 两边有人行道；
• 有红绿灯；
• 有几辆车；
• 有一个行人；
• 有一辆自车；
• 自车前方安装虚拟摄像头和 LiDAR。

然后设置：

第555秒，行人从右边走到左边。

自动驾驶算法看到这个场景后，需要判断是否刹车。

这就是人工构建虚拟世界的用途。

可以用一个比喻理解：

CG 类仿真器就像乐高城市或游戏地图。道路、房子、车、人、树，都是人为设计和摆放出来的。

五、小白必懂：什么是“真实数据重建世界”

真实数据重建世界的思路不同。

它不是先在电脑里从零造一座城市，而是：

先去真实道路采集图像、LiDAR、轨迹和相机参数，然后用算法把真实街道重建成三维场景。

比如研究人员开车经过一个真实路口，车上有多个摄像头和激光雷达。

采集到的数据包括：

• 前视摄像头图像；
• 后视摄像头图像；
• 左右摄像头图像；
• LiDAR 点云；
• 自车位置；
• 相机标定；
• 周围车辆轨迹；
• 行人轨迹。

然后 3DGS 类方法会把这个真实路口重建出来。

这样做出来的场景，视觉上更接近真实相机画面。

可以用一个比喻理解：

CG 类是“搭一个假城市”；3DGS 类是“把真实城市复制进电脑”。

六、驾驶仿真中的“自车”和“其他智能体”

在驾驶仿真中，经常会看到两个概念：

• 自车；
• 其他智能体。

6.1 自车是什么

自车通常叫ego vehicle。

它是自动驾驶算法正在控制的那辆车。

如果你训练一个自动驾驶 AI，那么这个 AI 控制的车辆就是自车。

自车每一步要决定：

• 是否加速；
• 是否刹车；
• 是否左转；
• 是否右转；
• 是否变道；
• 是否保持车道；
• 是否避让行人；
• 是否停车等待。

自车动作可以写成：

at=[steert,throttlet,braket] a_t = [steer_t, throttle_t, brake_t]at​=[steert​,throttlet​,braket​]

其中：

• steertsteer_tsteert​表示方向盘；
• throttletthrottle_tthrottlet​表示油门；
• braketbrake_tbraket​表示刹车。

6.2 其他智能体是什么

其他智能体就是除了自车之外，仿真世界中会移动、会影响交通的对象。

包括：

• 其他车辆；
• 行人；
• 骑行者；
• 摩托车；
• 卡车；
• 公交车；
• 施工车辆；
• 障碍车辆。

它们不是背景，而是“会动的交通参与者”。

背景包括：

• 道路；
• 建筑；
• 树；
• 路灯；
• 交通标志；
• 天空。

智能体包括：

• 车；
• 人；
• 自行车；
• 摩托车。

简单说：

背景像舞台，智能体像演员。

七、其他智能体的运动是不是固定的

答案是：

不是所有其他智能体的运动都是固定的。

在驾驶仿真中，其他智能体的运动可能是固定的，也可能是会变化的。

有些像“剧本演员”，每次都按固定时间和固定路线走。
有些像“游戏 NPC”，会根据交通规则行动。
有些像“真实录像中的车辆”，按真实记录轨迹回放。
有些像“AI 驾驶员”，会根据自车行为做出反应。

因此，不能简单说：

仿真中的所有智能体运动规律都是固定不变的。

更准确的说法是：

不同仿真器、不同任务、不同实验目的，会选择不同的智能体运动方式。

八、各类智能体运动方式详解

8.1 固定脚本式运动

固定脚本就是提前写好：

• 谁；
• 在什么时间；
• 从哪里出现；
• 做什么动作；
• 走到哪里。

例如：

• 第333秒，前车急刹；
• 第555秒，行人开始过马路；
• 第888秒，旁车切入自车车道。

这种方式像电影剧本。

优点是：

• 容易复现；
• 适合标准测试；
• 便于比较算法。

缺点是：

• 不够真实；
• 不一定会响应自车行为。

8.2 Waypoint 轨迹运动

Waypoint 可以理解成“路线点”。

例如让一辆 NPC 车辆依次经过：

P1→P2→P3→P4 P_1 \rightarrow P_2 \rightarrow P_3 \rightarrow P_4P1