Copyright 2018-2025 汽車星 版權所有 京ICP備2019162790號
佐思汽研發布《2025年智能駕駛仿真與世界模型研究報告》。
一
世界模型給智能駕駛仿真帶來創新
在向L3及以上高階自動駕駛邁進中，端到端技術的發展對高質量的數據規模、場景多樣化覆蓋、物理真實性保障、多模態同步生成、行為邏輯合理性以及迭代效率的提升都提出了更高要求。
高質量智駕核心三要素（數據、模型、算力）中，場景數據的質量和數量正成為拉開智駕體驗的關鍵所在；而高階輔助駕駛算法模型訓練需要千萬級視頻片段并生成長時序多模態駕駛場景，而真實路采的長尾場景比較有限，無法滿足E2E算法訓練的高質量數據喂養。
仿真自動化測試正成為車企及供應商縮短開發周期、降本增效、解決長尾場景覆蓋不足、高危工況復現困難等挑戰的利器。同時，由于世界模型是能夠理解現實世界環境的物理特性和空間屬性，正被越來越多的車企及頭部Tier1所采用。
GAIA-2世界模型生成的多樣化長時序場景
圖片來源：WAYVE
目前，針對智能駕駛訓練，場景數據主要有以下幾個來源：
一是基于真實路測數據回放的仿真技術，優點是場景真實性高，主要用于復現路測問題場景，驗證算法修復效果；
二是人工定義的參數化場景（如OpenScenario格式），特點是標準化測試、邊界條件探索，場景可控性強；
三是將真實路測數據（logsim）轉換為可泛化的虛擬仿真場景（Worldsim），核心功能為數據驅動的場景生成與泛化，構建高置信度仿真場景庫，支持場景衍生與自動化測試，場景覆蓋效率得到了提升。
四是世界模型（World Model）通過AI構建對物理世界的內部表征，實現環境狀態預測與反事實推理的智能模型，數據來源是多模態數據（圖像、文本、物理規則）與強化學習生成數據，其優勢具備因果推理能力、支持未知場景預測，然而世界模型需要的計算資源比較高，模型的可解釋性需要提升，同時也存在數據偏見風險。
世界模型也在多方面展現出優勢，比如在環境感知與理解、未來場景演變預測、決策與規劃優化、數據生成與訓練增強、仿真與測試驗證以及系統泛化能力提升等方面。下圖通過典型主機廠和Tier1應用世界模型的案例，來一瞥世界模型給智能駕駛訓練帶來的創新。