SynAD：用合成数据增强端到端自动驾驶模型

前言

自动驾驶数据采集成本高昂，长尾场景难以获取。SynAD (ICCV 2025) 提出了一种创新方案：生成合成场景，直接增强真实世界的端到端自动驾驶模型，无需传感器数据，碰撞率降低16.7%。

图1：SynAD 核心概念 - 合成数据增强真实模型

---

一、核心问题

现有方案的局限

方法	局限性
真实数据采集	成本高、长尾场景难获取、标注周期长
仿真器训练（CARLA）	虚拟环境，迁移到真实场景效果差
路径生成方法	只生成轨迹，无传感器数据

SynAD 解决方案

合成场景生成 → Ego车辆选择 → Map-to-BEV网络 → 真实模型增强

核心创新：

1. ✅ 选择信息最丰富的车辆作为Ego
2. ✅ Map-to-BEV无需传感器输入
3. ✅ 合成+真实数据联合训练

---

二、技术架构

2.1 整体流程

┌─────────────────────────────────────────────────────┐
│                   训练阶段                           │
│  真实数据 ──→ 多相机图像 ──→ BEV特征 ──┐            │
│                                        ├──→ E2E模型 │
│  合成场景 ──→ 地图投影 ──→ MapBEV特征 ──┘            │
└─────────────────────────────────────────────────────┘

┌─────────────────────────────────────────────────────┐
│                   测试阶段                           │
│  真实数据 ──→ 多相机图像 ──→ BEV特征 ──→ E2E模型    │
└─────────────────────────────────────────────────────┘

图2：SynAD 整体架构

2.2 Map-to-BEV 网络

核心思想： 从地图直接生成BEV特征，无需渲染相机图像

传统方法	SynAD方法
相机图像 → CNN → BEV	地图+位置 → MLP → BEV
需要传感器数据	无需传感器数据
渲染成本高	计算高效

图3：Map-to-BEV 网络结构

输入：

• 地图（道路布局、车道线）
• 车辆位置信息

输出：

• BEV特征（与真实传感器提取一致）

---

三、实验结果

3.1 规划性能提升

指标	仅真实数据	+SynAD合成	提升
L2误差 (m)	0.89	0.83	↓6.7%
碰撞率 (%)	0.42	0.35	↓16.7%

3.2 合成场景规模影响

合成场景数	L2误差 (m)	碰撞率 (%)
0（仅真实）	0.89	0.42
1,000	0.86	0.39
5,000	0.84	0.36
10,000	0.83	0.35

结论： 合成场景越多，性能越好，边际递减在10K场景

3.3 预测性能

指标	仅真实数据	+SynAD合成	提升
minADE (m)	0.87	0.80	↓8.0%
minFDE (m)	1.72	1.58	↓8.1%
MR (%)	0.38	0.35	↓7.9%

图4：合成场景规模对性能的影响

---

四、关键技术细节

4.1 Ego车辆选择

问题： 合成场景有多个智能体，谁是Ego？

解决： 选择信息最丰富的车辆

Score = 行驶距离 × 信息完整度

车辆	行驶距离	信息完整度	得分
车辆A	100m	80%	80
车辆B	50m	90%	45
车辆C	200m	85%	170 ✅

4.2 场景生成引导

多目标优化：

Loss = λ_collision × L_collision + λ_speed × L_speed + ...

引导函数	作用
碰撞引导	生成危险场景
速度引导	生成超速场景
车道偏离引导	生成异常轨迹

图5：合成场景生成示例

---

五、对自动驾驶的启示

5.1 直接应用场景

SynAD技术	应用场景
Map-to-BEV	无传感器生成BEV特征
合成+真实联合训练	数据增强策略
Ego车辆选择	多目标场景主目标识别

5.2 数据增强策略

短期：

• 合成数据占比 10-20%
• 聚焦长尾场景

中期：

• 开发专用场景描述→BEV映射
• 验证规划/预测模块效果

长期：

• 端到端合成数据平台
• 与真实数据闭环迭代

5.3 局限性

局限	说明
仿真到真实差距	合成场景与真实场景存在domain gap
场景多样性	依赖场景生成算法的能力
计算成本	大规模场景生成需要算力

---

六、论文信息

• 标题： SynAD: Enhancing Real-World End-to-End Autonomous Driving Models through Synthetic Data Integration
• 会议： ICCV 2025
• 作者： Jongsuk Kim, Jaeyoung Lee et al.
• 机构： KAIST + Samsung Electronics

---

总结

SynAD 首次实现了合成场景到真实E2E模型的无缝集成，核心创新是 Map-to-BEV网络，无需传感器数据即可生成BEV特征。实验证明，合成数据可以显著提升模型的安全性能（碰撞率降低16.7%）。

关键价值：

1. ✅ 低成本数据增强方案
2. ✅ 无需传感器渲染
3. ✅ 可扩展到多种场景

适用场景：

• 长尾场景数据补充
• 危险场景安全训练
• 数据采集成本优化

---

核心论文引用：
“SynAD effectively integrates all components and notably enhances safety performance. By bridging synthetic scenario generation and E2E AD, SynAD paves the way for more comprehensive and robust autonomous driving models.”