西门子Simcenter Prescan是汽车自动驾驶开发和测试先进的基于物理模型的仿真平台，使用Prescan强大的场景建模和数据闭环能力，结合高保真传感器模型，可以合成高可信度的传感器数据，用作感知算法训练素材，大幅优化训练数据的采集、处理、标注的成本和效率。
基于物理的激光雷达模型
生成用于感知算法训练的素材
在激光雷达感知应用场景中，许多用户会使用Prescan的中的基于物理的激光雷达模型来生成用于感知算法训练的素材。大致的流程为：
1.用半自动的方式构建丰富交通场景
2.配置激光雷达模型
3.生成场景点云和真值
4.将合成数据加入训练素材集，用于算法训练
通过多种强大的技术
完成场景的构建
首先在场景构建的方面，用户可以通过多种强大的技术，来完成场景的构建。
01
城市繁忙交通场景的半自动建模方法
02
通过外部程序调用API自动生成场景组合的方法
03
自动识别、切片、数字化道路采集数据中的高价值场景
04
基于搜索技术的高价值场景模型自动创建技术
Zui近的案例中，我们根据客户提供的路采数据，在Prescan数字化平台中构建了相同的路口场景，特别是场景中的交通参与者、障碍物以及各类标识，做了细致的模型还原。
使用上述四种数据驱动的场景建模技术，也可以快速的生成多类型高覆盖度场景模型。
△ 用Prescan的素材库构建场景
模拟路测激光雷达扫描路口车辆行人
对于激光雷达的模型，Prescan提供基于物理的激光雷达PBL插件，具有复杂的数学模型，可以设置出每个激光发射波束的波束几何，发射功率、扫描方式、激光波长…并提供多种材质对不同红外波段的反射特性模型。
在这个案例中，用户建立了某型号1550nm的160线激光雷达的模型，在一个扫描周期中，可输出88504个扫描点。Prescan的PBL物理激光雷达模型，会运行物理模型、使用光线追踪技术、并根据不同物体材质的反射率，生成高保真度的点云数据。
△ Prescan中的物理激光雷达插件PBL配置页面
在生成激光雷达的训练素材时，用户也需要对应的真值。一般会调用Prescan中的ObjectListProvider，输出包含场景中每个物体的BoundingBox八个点的坐标位置、交通参与者的速度等。用户Zui终把点云叠加上真值的BoundingBox生成训练的素材。
通过仿真的方式，用户给可以在仿真中调整激光雷达位置，或是车上激光雷达轨迹生成过耦合的数据，从而快速的生成大量的训练素材。
△ 物理激光雷达生成点云叠加真值的Boundingbox
△ 路采和仿真素材训练激光雷达感知能力结果对比项目结果显示，混合路采数据（30%）和Prescan合成数据（70%），对照全路采数据（）分别用于训练激光雷达感知算法，然后再使用路采数据集进行测试，合成数据训练的算法精度参数，非常接近纯路采数据的训练结果，而数据成本、效率、覆盖度会高出很多。