自動駕駛仿真領域迎來重大突破——趙昊團隊研發的DGGT框架，在性能上較現有最優方案（SOTA）提升達50%，為動態交通場景下的自動駕駛訓練開辟了新路徑。這一成果不僅解決了傳統仿真技術的核心痛點，更通過端到端場景重建能力，重新定義了自動駕駛系統的“數據工廠”運作模式。

傳統自動駕駛仿真技術長期受制于三大瓶頸：場景優化依賴人工逐個調試，如同為每個路口單獨設計交通規則；相機標定需精確輸入參數，稍有偏差便導致數據失真；短幀窗口限制難以捕捉車輛完整運動軌跡，導致時序信息斷裂。DGGT框架通過技術創新，系統性破解了這些難題。其核心優勢在于采用多頭聯合預測結構，無需提前標定相機參數，而是將位姿預測作為模型輸出，同時支持任意長度圖像序列的實時處理，實現了從“場景適配模型”到“模型適配場景”的根本性轉變。

在Waymo開放數據集測試中，DGGT展現出顯著優勢：重建精度達到27.41PSNR，單幀推理時間僅需0.39秒（3視角20幀配置），較同類方案速度提升數倍且畫面保真度更高。更令人矚目的是其跨數據集泛化能力——在Waymo訓練的模型直接應用于nuScenes和Argoverse2數據集時，關鍵指標LPIPS分別下降61.4%和52.4%，證明模型具備強大的環境適應力。這種“舉一反三”的能力，源于其獨特的4D場景同步重建技術：通過ViT編碼器融合DINO先驗知識，模型可同時輸出相機位姿、深度信息、動態實例及場景表示，將圖像直接映射為可編輯的4D空間。

技術突破帶來的產業價值正在顯現。DGGT框架將數據生成成本降低60%以上——傳統方案需要高精度標定設備與固定路線采集，而新框架僅需普通攝像頭即可完成場景重建。其0.4秒完成4D重建的速度，使數據生成周期縮短80%，特別在邊緣案例構建方面表現突出：研究人員可直接在Gaussian層面插入橫穿馬路的行人或突然變道的車輛，快速生成極端場景數據。這種能力對提升自動駕駛安全性至關重要，據統計，覆蓋90%以上邊緣案例的系統，實車測試事故率可下降73%。

該成果的研發團隊來自清華大學智能產業研究院，負責人趙昊教授長期深耕三維場景理解領域，其團隊此前已在動態交通仿真方面取得多項突破。據悉，DGGT框架將于2025年12月12-13日在深圳舉行的GAIR大會上亮相，趙昊教授將作為世界模型分論壇主席，分享該技術在構建虛擬測試環境中的應用進展。這場聚焦AI產業落地的盛會，或將見證自動駕駛仿真技術從實驗室走向量產線的關鍵一步。