当前位置：首页 > news >正文

基于 Lyra 2.0 + AlpaSim + AlpaGym + NAVSIM 的端到端仿真闭环架构设计

news 2026/8/5 8:09:53

当前自动驾驶端到端（E2E）算法的研发正面临三大核心瓶颈：真实路测成本高昂且危险、长尾场景（Corner Case）难以规模化复现、以及传统的开环评测无法真实反映闭环控制性能。

本架构旨在构建一套“生成-训练-评测”三位一体的自动化研发流水线。通过整合 NVIDIA Lyra 2.0、AlpaSim、AlpaGym 和 NAVSIM，实现从“无限3D世界生成”到“高保真闭环训练与验证”，再到“数据驱动离线评测”的全链路闭环，大幅缩短 E2E 模型的迭代周期。

在构建自动驾驶仿真工具链时，厘清各组件的边界是工程落地的第一步。本架构对核心组件进行了严格的定位划分：

Lyra 2.0 (World Generator)：生成式3D世界模型。基于单张图像或视频，生成跨度约90米、高连贯性的可探索3D场景（3DGS/Mesh），从源头解决长尾场景数据匮乏的问题。
AlpaSim (Closed-loop Simulator)：高保真闭环仿真平台。提供真实的传感器建模、可配置的交通动态及物理引擎，主要用于自动驾驶策略的离线闭环验证与系统级测试。
AlpaGym (Closed-loop RL Framework)：闭环强化学习训练框架。基于 AlpaSim 的微服务仿真栈构建，让模型在仿真环境中经历连续的“决策-观察”循环，专注于模型训练与策略优化，以暴露静态数据集无法发现的复合错误。
NAVSIM (Offline Benchmark)：数据驱动的非反应式离线评测基准。通过鸟瞰图（BEV）抽象与轨迹展开，以极低的算力成本计算 TTC、Progress 等指标。它是模型迭代初期的离线基准测试（Offline Benchmark），用于评估模型的基础驾驶能力，而非在线快速筛选器。

系统采用数据驱动的流水线架构，分为三个核心层级：

离线基准测试 (NAVSIM)：在模型部署或进入高保真仿真前，使用 NAVSIM 进行大规模离线基准测试。通过非反应式仿真计算安全性、舒适度等综合指标，评估模型的基础驾驶能力。
深度归因：针对 NAVSIM 评测中表现不佳的场景，自动提取并在 AlpaSim 中进行高保真闭环回放与问题追溯。
数据闭环：挖掘出的 Bad Case 自动打标，反哺 Lyra 2.0 进行定向场景生成与模型 RL 微调。

为了保证各组件之间的无缝衔接，系统定义了严格的数据流转标准：

资产格式：统一采用 USD (Universal Scene Description) 作为 3D 资产交换格式，确保 Lyra 2.0 生成的资产能无损导入 AlpaSim。
逻辑描述：采用 OpenSCENARIO 2.0 定义交通参与者行为与触发条件，实现逻辑与物理资产的解耦。
评测数据：AlpaSim 输出标准化的 BEV 轨迹数据与自车状态序列，供 NAVSIM 进行离线基准测试。

无限场景扩展：Lyra 2.0 打破了真实数据的物理限制，实现长尾场景的按需生成。
训测分离与基准对齐：明确区分 AlpaGym（训练）与 AlpaSim（验证），并通过 NAVSIM 提供标准化的离线基准测试，确保模型能力的可量化与可追溯。
全链路自动化：从场景生成到离线评测报告输出无需人工干预，支持 CI/CD 级别的算法回归测试。