Copyright 2018-2025 汽车星 版权所有 京ICP备2019162790号
佐思汽研发布《2025年智能驾驶仿真与世界模型研究报告》。
一
世界模型给智能驾驶仿真带来创新
在向L3及以上高阶自动驾驶迈进中，端到端技术的发展对高质量的数据规模、场景多样化覆盖、物理真实性保障、多模态同步生成、行为逻辑合理性以及迭代效率的提升都提出了更高要求。
高质量智驾核心三要素（数据、模型、算力）中，场景数据的质量和数量正成为拉开智驾体验的关键所在；而高阶辅助驾驶算法模型训练需要千万级视频片段并生成长时序多模态驾驶场景，而真实路采的长尾场景比较有限，无法满足E2E算法训练的高质量数据喂养。
仿真自动化测试正成为车企及供应商缩短开发周期、降本增效、解决长尾场景覆盖不足、高危工况复现困难等挑战的利器。同时，由于世界模型是能够理解现实世界环境的物理特性和空间属性，正被越来越多的车企及头部Tier1所采用。
GAIA-2世界模型生成的多样化长时序场景
图片来源：WAYVE
目前，针对智能驾驶训练，场景数据主要有以下几个来源：
一是基于真实路测数据回放的仿真技术，优点是场景真实性高，主要用于复现路测问题场景，验证算法修复效果；
二是人工定义的参数化场景（如OpenScenario格式），特点是标准化测试、边界条件探索，场景可控性强；
三是将真实路测数据（logsim）转换为可泛化的虚拟仿真场景（Worldsim），核心功能为数据驱动的场景生成与泛化，构建高置信度仿真场景库，支持场景衍生与自动化测试，场景覆盖效率得到了提升。
四是世界模型（World Model）通过AI构建对物理世界的内部表征，实现环境状态预测与反事实推理的智能模型，数据来源是多模态数据（图像、文本、物理规则）与强化学习生成数据，其优势具备因果推理能力、支持未知场景预测，然而世界模型需要的计算资源比较高，模型的可解释性需要提升，同时也存在数据偏见风险。
世界模型也在多方面展现出优势，比如在环境感知与理解、未来场景演变预测、决策与规划优化、数据生成与训练增强、仿真与测试验证以及系统泛化能力提升等方面。下图通过典型主机厂和Tier1应用世界模型的案例，来一瞥世界模型给智能驾驶训练带来的创新。