Die Validierung von automatisierter Fahrsystem-Software erfordert Millionen von Testkilometern, was zu langen Entwicklungszyklen mit steigender Komplexität führt. Dies wirft auch das Problem auf, dass Echtwelttests ressourcenintensiv sind und Sicherheitsprobleme auftreten können. Daher sind virtuelle Validierungssuiten entscheidend, um diese Belastungen von Echtwelttests zu lindern. Automatisiertes Fahren und fortschrittliche Fahrerassistenzsysteme basieren auf Closed-Loop-Validierung, weshalb genaue 3D-Umgebungen zur Darstellung von Echtweltszenarien unerlässlich sind.
Die Erstellung dieser 3D-Umgebungen durch 3D-Künstler ist ein hochgradig manueller Prozess, insbesondere wenn eine Genauigkeit im Zentimeterbereich angestrebt wird. Die Schaffung eines Teils einer Karte in der simulierten Welt kann Monate dauern. Mit der kontinuierlichen Entwicklung im Bereich der neuronalen Rekonstruktion ist es eine vielversprechende Technik geworden, um die Herausforderungen der Skalierbarkeit und der Domänengrenze zu bewältigen. Neuronale Rekonstruktion basiert auf der Kombination von Deep Learning und dem physikalischen Wissen der Computergrafik und ermöglicht die Erstellung von steuerbaren 3D-Szenen in einem Bruchteil der Zeit im Vergleich zur manuellen Rekonstruktion.
Neuronale Rekonstruktion ist eine neuartige Lösung zur effizienten Erstellung von 3D-Umgebungen und Szenen, die auf Deep Learning in Kombination mit traditioneller Computergrafik basiert. Daten für solche Rekonstruktionen sind normalerweise 2D-Kameraaufnahmen und Sensorinformationen wie Lidar-Punktwolken. Für Anwendungen in der Automobilsimulation sind Neural Radiance Fields (NeRF) und 3D-Gauß’Splating die beiden Schlüsselarten neuronaler Rekonstruktion, die jeweils ihre eigenen Vor- und Nachteile haben. NeRF nutzt Deep Learning, um detaillierte 3D-Bilder aus 2D-Bildern zu generieren, während 3D-Gauß’sches Splating eine Render-Technik aus der Computergrafik verwendet.
Verglichen mit “klassischen” Rendering-Techniken ermöglicht neuronale Rekonstruktion hochwertigen Fotorealismus auf skalierbare Weise in Echtzeit-Anwendungen. Allerdings leiden generative Modelle noch unter Schwierigkeiten bei der Simulation von Tageszeiten, Erzeugung von Sensor-Modalitäten und Repräsentation dynamischer Objekte. Neural Reconstruction ist noch nicht ideal für die Tiefenabschätzung, die für die meisten Simulationen entscheidend ist. Die Integration von neuronaler Rekonstruktion in hybride Simulationstechnologien ermöglicht die Lösung einiger dieser Herausforderungen durch die Kombination von künstlichen und manuell erstellten 3D-Umgebungen in realistischen Szenarien. Die Zukunft der neuronalen Rekonstruktion in der Automobilbranche verspricht eine fortschreitende Entwicklung und Anpassung, um autonome Fahrzeugtests besser, schneller und sicherer zu gestalten.