关于Street Gaussian，这里我想用一个很简单的方式来比喻。

对于端到端自动驾驶，我们需要非常多场景来进行测试，这种场景可以是实车，也可以是虚拟的测试手段。

但是实车的测试成本确实是非常高的，尤其是端到端网络黑盒成分更多，实际上需要十倍甚至百倍测试场景来覆盖。

那么为了降低成本，虚拟测试必然要承担更大的责任。

而虚拟测试大部分车企都是直接使用当时的车辆传感器信号进来，回灌给网络。

由此来还原当时的情况。

但是这样的还原缺乏交互性。

只要端到端系统做出了不一样的反应，造成位置不一样了，那么这个位置的传感器信号就没有了。

就相当于游戏里读档，但是只允许玩读档位置前的场景，而且要保证你上次和这次的操作完全一致。

这就不对了。每次读档都一样，这个位置之后会不会更好玩也不知道。

所以需要3D重建来让自由度变高，允许有不同的操作。gaussian Splatting就是一种3D重建技术，可以用摄像头和激光雷达的数据还原出当时的3d场景。

还原成一个3D场景之后就可以进行更加自由的测试和验证了。

例如换个视角出现的摄像头数据可以再次采集到，所以就能够允许端到端系统进行和环境有交互的测试。

例如换个车道之后的表现，前方车辆突然变道的表现，自己突然刹车后的表现。

Street Gaussian的高明之处在于，将动态物体和静态环境分离出来，可以进行分别的编辑，也就成了一个新的虚拟测试环境。

并且，这套系统的输入可以是车辆采集的数据，重建的成本非常低。

提供了一个1. 道路发现bug，2. 数据回传Streetgaussian 重建，3. 虚拟可交互验证

的验证手段。

这种手段是以前没有出现过的，是值得称道的创新。

#理想汽车2024 智能驾驶夏季发布会#