自动驾驶实验室—基于世界模型的自动驾驶数据合成技术研究

课题背景： 针对自动驾驶长尾场景数据匮乏及传统合成数据“域差距”痛点，本课题融合Stable Diffusion语义生成与3D/4D高斯泼溅（3D/4DGS）神经渲染技术，构建自动驾驶生成式世界模型。旨在通过实车数据的高保真数字化重构与可控编辑，低成本量产带完美真值的极端场景样本，突破感知与规划算法在复杂工况下的鲁棒性瓶颈。 课题挑战：

1. 01

   动态四维一致性与物理建模：在4DGS重建高速运动物体时，如何消除时空伪影与闪烁？在编辑天气、光照或轨迹时，如何确保阴影、遮挡等变化符合真实物理规律，维持画面逻辑自洽？ 2、2D先验到3D几何的精准映射：Stable Diffusion缺乏显式3D认知，如何将大模型的强语义生成能力（如“侧翻卡车”）精准约束至3D/4DGS几何结构？需解决多视角一致性难题，实现既符合文本指令又几何正确的可控场景编辑，避免结构崩塌或纹理畸变。 具体工作： 研发改进版4DGS算法，实现动态场景秒级初始化与高保真重构；构建连接Diffusion与3DGS的语义编辑引擎，支持文本/草图驱动的多视角一致场景修改；设计自动化真值流水线，反推生成像素级标注数据；跟踪顶会前沿，优化模型量化部署，赋能端到端自动驾驶闭环仿真。

学历与专业： 硕士及以上学历，计算机、自动化、人工智能相关专业。具备扎实的三维视觉和深度学习理论基础，有自动驾驶、3DGS和Diffusion Transformer相关研究经验和项目经历。 技术技能： 精通PyTorch，熟悉3DGS、Diffusion Models原理。具备Python/c++代码能力，有多传感器融合实战经验者优先。 软性素质： 对前沿技术有敏锐洞察力，具备极强的自驱力与问题解决能力。拥有优秀的逻辑思维与团队协作精神，能在快节奏研发中高效沟通，勇于挑战技术无人区。