本文经自动驾驶之心公众号授权转载，转载请联系出处。
随着基于BEV transformer 任务的兴起，随之带来的是对数据的依赖变的越来越重，基于BEV 任务的标注也变得越来越重要。目前来看无论是2D-3D的联合障碍物标注，还是基于重建点云的clip 的车道线或者Occpuancy 任务标注都还是太贵了(和2D标注任务相比，贵了很多)。当然业界里面也有很多基于大模型等的半自动化，或者自动化标注的研究。还有一方面是自动驾驶的数据采集，周期太过于漫长，还涉及到数据合规能一系列问题。比如，你想采集一个平板车跨相机的场景，或者一个车道线城市多变少，少变多的场景，就需要采集人员专项去构建这样的场景。
世界模型这个概念太过于大，或者说成传感器仿真。在特斯拉AI day 上第一次见识到仿真对标注的颠覆
图1: 特斯拉的自动化标注效果
图二 4D 重建的效果
当时看到之后是震惊, 还是震惊！就像当成特斯拉的BEV 一样颠覆。随着越来越多的研究人员在这个方向不断发力，有很多优秀的研究呈现出来。UniSim 的自动驾驶仿真系统， 具备 重放，动态物体行为控制， 自由视角渲染等功能(这应该是每一个训练模型的同学都想拥有的) 。
还可以对lidar 进行仿真。
具体见: https://zhuanlan.zhihu.com/p/636695025. 这个方向还有更多的的类似的研究。
NeuRAD: Neural Rendering for Autonomous Driving
DrivingGaussian: Composite Gaussian Splatting for Surrounding Dynamic Autonomous Driving Scenes 以上的方法都大多和Nerf 相关，整个pipeline 都比较重。还有另一个方向，基于扩散的研究方向。目前也取得了不错的研究。
BEVControl: Accurately Controlling Street-view Elements withMulti-perspective Consistency via BEV Sketch Layout
BEVControl: Accurately Controlling Street-view Elements withMulti-perspective Consistency via BEV Sketch Layout
< MagDriver MAGIC DRIVE : STREET VIEW GENERATION WITH DIVERSE 3D GEOMETRY CONTROL >
技术发展太快了，传感器仿真的门槛正在降低，有可能24年自动驾驶标注行业会出现一些颠覆性的产品出来！
