OpenDriveLab/WorldEngine
WorldEngine: Towards the Era of Post-Training for Autonomous Driving
它解决了什么问题
WorldEngine 解决了自动驾驶中的“长尾”问题，即罕见且具有安全关键性的场景（如近距离碰撞）在标准训练数据中过于稀缺，无法教会车辆如何安全应对。通过自动识别这些故障并创建高保真模拟环境进行练习，它帮助模型学习处理复杂的真实世界边缘案例。
工作原理
WorldEngine 使用两部分系统：
- SimEngine：它获取真实世界的驾驶日志，并使用 3D Gaussian Splatting 将其重建为照片级真实感、可交互的 3D 模拟。这使得自动驾驶模型能够反复“驾驶”通过这些场景。
- AlgEngine：它利用模型本身来识别在这些模拟中失败的地方。然后使用强化学习 (RL) 在这些特定的、具有挑战性的场景上对模型进行微调，从而有效地教会它处理罕见事件，而无需大量昂贵的新真实世界数据。
适用人群
该框架专为从事端到端自动驾驶模型研究的研究人员和工程师设计，他们需要一种稳健的、数据驱动的方法来提高在罕见、复杂交通情况下的安全性和性能。
亮点
- 自动故障发现：系统无需人工干预，即可自动从现有驾驶日志中标记出易出错的场景。
- 照片级真实感模拟：使用 3D Gaussian Splatting 从真实世界数据创建完全可控、高质量的虚拟环境。
- 行为驱动生成：合成多样的交通变化，将稀疏、危险的事件转化为丰富的训练分布。
- 经过验证的安全提升：模拟碰撞率降低高达 45.5%，并在 200 公里的道路测试中实现了零脱离。
- 高效训练：优于单纯扩大预训练数据，通过针对性的后训练提供了相当于 10 倍数据集规模的性能提升。
相关
- 项目
- 项目
- 项目
- 项目
- 项目