康谋keymotek

• 城市道路数据集大胆公开，凭什么没违规？——MicroVision的合规实践

  引言 微型出行，指的是以自行车、电动滑板车等轻型交通工具为主的出行方式，重点关注骑行者、电动滑板车骑行者以及共享道路空间的行人等弱势道路使用者（Vulnerable Road Users，简称 VRU）。 为了提升微型出行的安全性，查尔姆斯理工大学的研究人员开发了 MicroVision——一个专注于弱势道路使用者之间互动的开创性数据集。 然而，在城市公共空间采集数千张高清图像，会带来严重的 GD

  康谋keymotek

  245

  09/18 16:11

  自动驾驶 数据采集
• 数据闭环转不起来？详解断链痛点&采集‑仿真一体化方案

  引言 数据闭环的概念，在智驾行业早已形成共识：从"路采数据→回传标注→场景重建→仿真回归→算法部署"的飞轮逻辑，数据每循环一次，场景库与算法能力就增厚一层——谁的数据引擎转得快，谁迭代就快。 监管层面也在快速跟进：2026年1月28日实施的推荐性国标GB/T 47025-2026《智能网联汽车 自动驾驶功能仿真试验方法及要求》，为自动驾驶功能的仿真试验提供了国家标准层面的方法依据；2026年7月3

  康谋keymotek

  211

  09/12 16:48

  自动驾驶 数据采集

  
• 拖车联调实战：用aiSim+Blender打通车辆

  引言 乘用车拖车场景正随着房车经济、户外出行与商用转运的兴起而快速增长。牵引车与挂车经球铰连接，构成典型的铰接多体系统；该系统在制动、转向等工况下会产生强耦合的横摆—侧倾动力学行为，并显著改变感知—决策系统的输入分布。 乘用车-拖车系统通常采用 Tractor-Trailer 建模框架：牵引车具备横摆与侧倾自由度，挂车经球铰与牵引车连接，并引入挂车铰接角及其衍生自由度。系统总自由度随挂车数量与结构

  康谋keymotek

  272

  09/07 16:19

  自动驾驶 仿真

  
• 从“识别已知”到“发现未知”：3D通用目标检测如何打开智驾感知新边界

  在智能驾驶感知中，车辆、行人、交通标志等高频目标已有相对成熟的检测方案。但真正影响安全上限的，往往是那些低频、罕见、甚至从未出现在训练集中的“长尾障碍物”：遗落在路面的纸箱、散落物、施工材料、路面坑洼，或远距离的小型异物。 这类目标给3D通用检测带来了多重挑战：首先，传统监督学习依赖预定义类别与大量标注，新类别的引入通常意味着重新采集数据、标注和训练；其次，小目标、远距离目标以及弱反射目标本就难以

  康谋keymotek

  788

  08/28 11:03

  自动驾驶 智能驾驶
• 破解座舱数采五大痛点：DMS/OMS多路相机数采工程方案

  01 引言 当前，DMS（Driver Monitoring System，驾驶员监测系统）和 OMS（Occupant Monitoring System，乘员监测系统）正从"加分项"快速走向"必选项"。 法规层面，欧盟 ADDW（Advanced Driver Distraction Warning，高级驾驶员分心预警）法规已于 2024 年 7 月对新车型强制实施，2026 年 7 月将覆盖

  康谋keymotek

  622

  08/28 10:10

  数据采集 数码相机
• 在aiSim中构建虚拟世界：打造高可信度仿真所需的三维环境

  仿真器的实用价值，取决于它所构建的虚拟世界。传感器模型、物理引擎与场景逻辑，一切都首先依赖于一件事：环境的真实性。 aiMotive搭建了一套完整自研三维内容生产管线，为aiSim仿真平台提供全部所需素材 —— 小到单块路缘石，大到横跨三大洲、绵延数公里的高速公路路网。 康谋面向国内智能驾驶客户，提供aiSim仿真平台完整落地与技术支持服务，拥有仿真环境定制化技术服务能力，助力企业快速搭建高可信度

  康谋keymotek

  360

  08/17 16:25

  自动驾驶 仿真

  
• RTK 总间歇失效？分层系统从容应对隧道与密林等遮挡

  01 引言 当前园区配送、厂区巡检等低速自动驾驶场景，主流落地方案普遍采用RTK高精定位+预录轨迹跟随架构。该方案在开阔无遮挡环境下表现稳定，但存在致命的场景局限性——高度依赖全程连续、可靠的RTK定位信号。 在真实作业场景中，隧道通行、密林遮挡、周边高楼遮挡等工况频发，极易造成RTK信号间歇失效。且这类失效并非直接断联报错，往往会退化为偏差高达十余米的浮点解。若系统无甄别、无降级策略，直接沿用失

  康谋keymotek

  289

  08/17 16:08

  自动驾驶 激光雷达

  
• 高保真+强可控：自动驾驶仿真的混合渲染方案

  01 行业痛点与挑战 自动驾驶的研发高度依赖数据，但行业仿真测试主流路线各有短板： 传统仿真器（如CARLA） 基于游戏引擎思路，场景可控、物体可任意摆放，但画质不够真实，仿真数据与真实世界之间存在明显的“域偏移”——仿真环境里训练良好的算法，部署到实车上表现常打折扣。同时，构建高精度三维环境也需要大量人工。 神经重建方案（NeRF/3DGS） 能生成照片级逼真的渲染结果，但场景本身是“固化”的—

  康谋keymotek

  514

  08/10 11:35

  自动驾驶 仿真

  
• GMSL2相机ROS2采集链路：多相机时序偏差降低方案

  引言 在自动驾驶感知算法的实车路测与闭环验证中，GMSL2车载相机已是前装主流视觉传感器。然而，GMSL2采集过程中工程师也常面临一些棘手问题： 1、时间同步精度不足：多摄像头间的时间戳对齐误差若超过毫秒级，将导致融合算法产生运动畸变（如“瞬移”伪影），直接影响模型训练数据的有效性； 2、ROS1架构的先天局限：基于中心化Master与单线程回调机制的ROS1采集链路，在GMSL2高并发数据流下暴

  康谋keymotek

  592

  08/08 11:29

  传感器 数据采集

  
• 3DGS+端到端：智能驾驶仿真场景自动化构建新路径

  一、背景与挑战 随着国标新规持续推进，以及端到端智能驾驶算法对长尾场景、闭环验证和高保真传感器仿真的要求提高，行业正在加速从“数据驱动的道路测试”走向“真实场景驱动的数字孪生测试”。面对复杂城区、快速路、匝道及交叉口等典型道路环境，如何快速构建可复用、可编辑、可验证的仿真场景，已成为智能驾驶研发效率的关键变量。 传统数字孪生场景构建通常依赖路网绘制、三维资产建模、材质贴图、交通设施配置与资产摆放等

  康谋keymotek

  602

  07/29 14:34

  传感器 智能驾驶

  
• 康谋业务全景速览｜自动驾驶仿真、数据闭环、机器人与院校实训一站式方案

  康谋（Keymotek）是由虹科（专精特新小巨人、高新技术企业）孵化的，专注于智能驾驶和具身智能领域的业务主体。凭借团队数十年汽车软硬件开发经验，目前主要为智驾及具身智能研发测试的整个流程提供数据闭环解决方案。 公司以数据为核心驱动力，面向车企、Tier1、机器人企业、科研机构提供包括硬件设备、软件工具链、技术开发服务完整的交钥匙方案与服务，合作客户覆盖奥迪、奔驰、宝马、大众、比亚迪、蔚来、上汽、

  康谋keymotek

  748

  07/29 09:06

  智能驾驶 HiL

  
• 面向封闭场景的无人车全自主巡航整体解决方案

  一、前言 在自动驾驶行业整体落地进程中，开放道路Robotaxi、干线物流等场景始终受制于政策法规限制、长尾极端场景复杂、安全管控成本高等问题，规模化商业化落地周期长、不确定性大，难以快速实现稳定商业闭环。 与之形成鲜明对比的是，高尔夫球场、产业园区、实训基地等封闭低速、固定路线垂直场景，具备运行规则清晰、作业环境可控、资产风险低、落地门槛低等核心优势，已经进入商业化落地的黄金窗口期，是现阶段自动

  康谋keymotek

  278

  07/22 08:49

  边缘计算 数字孪生

  
• 摄像头无处不在，隐私保护如何不掉队？

  一、引言 2026 年，我们已完全生活在一个“视觉世界”中，智能城市监控、车载行车记录仪、市场调研影像、AI 训练素材等场景中，摄像头无处不在，图像与视频数据呈爆发式增长。这些数据为技术创新、业务分析与服务优化提供了海量支撑，同时也带来了严峻的隐私安全与合规挑战。视觉数据区别于传统文本数据，单帧画面可同时包含人脸、车牌、住址等多重个人身份信息（PII），传统数据治理手段难以应对规模化、多维度的隐私

  康谋keymotek

  453

  06/26 17:11

  摄像头
• CoppeliaSim功能全景解析：一款面向算法验证与科研教育的开放型机器人仿真平台

  一、引言 在机器人开发的链条里，仿真往往是被低估却又绕不开的一环。物理样机昂贵、迭代缓慢、试错成本高，而一个高质量的仿真环境能让算法、结构、控制策略在进入硬件之前就完成大量验证。 CoppeliaSim（前身为 V-REP）正是这一领域中经久不衰的代表。它由瑞士 Coppelia Robotics 开发，以“分布式控制架构”和“高度开放的接口体系”著称，既能满足科研人员对算法快速验证的需求，也能作

  康谋keymotek

  929

  06/23 09:44

  机器人 算法

  
• 强光、暴雨、泥污、大雾——不依赖天气的相机感知验证怎么做？

  一、引言 想象一下：你开发了一套自动驾驶相机感知算法，需要验证它在强光逆光、暴雨、摄像头镜面被泥水污染等极端场景下是否稳定可靠。现实道路测试？等一场大雨需要时间 制造一场大雾需要运气 一次完整的实车路测动辄百万成本 某些危险场景根本无法在公共道路上重现 这就是整个自动驾驶行业的共同痛点：真实数据稀缺、场景覆盖率低、测试成本居高不下。 传统的硬件在环（HiL）测试虽然能解决部分电控验证问题，但却难以

  康谋keymotek

  524

  06/23 08:38

  传感器 自动驾驶

  
• 从实验室到量产：3D高斯泼溅仿真还缺什么？

  一、引言 在一线从事高阶ADAS仿真测试的工程师，大概率都经历过这样的困境：在CARLA等传统仿真器中表现良好的感知算法，一旦部署到实车上，就会出现漏检和误触发。根本原因在于，传统图形学仿真器基于人工建模的几何网格与光线追踪，渲染出的摄像头画面过于理想化，缺少真实世界中普遍存在的非均匀光照、镜头畸变、运动模糊和多源噪声。这种“虚实域差异”使得耗费巨资搭建的仿真系统难以有效服务于端到端模型的测试验证

  康谋keymotek

  4026

  06/04 14:51

  ADAS

  
• GMSL + 硬件PTP方案，真能让ADAS路测告别“数十毫秒偏差”吗？

  一、工程痛点  在ADAS 路测数据采集中，多传感器时间对齐是影响数据可用性的核心工程问题。相机与激光雷达的时间戳偏差直接影响多传感器融合精度。偏差越大，目标位置投影误差越显著，在高速场景下尤为突出；一旦超出，感知融合结果将出现系统性偏移，数据无法进入训练集。 实际工程中，问题常集中在以下三个方面： 时间戳精度：图像数据从相机曝光到主机软件层接收，经历序列化、GMSL2 传输、反序列化、以太网传输

  康谋keymotek

  742

  05/30 16:13

  ADAS GMSL
• 智驾仿真测试团队必看：ADAS HiL测试引入3DGS的ROI测算与结论！

  一、为什么传统ADAS HiL需要升级？ 深入调研发现，当前智驾仿真测试团队在ADAS HiL测试中的核心困境是“高投入、低回报”的ROI失衡，直接制约项目推进与市场竞争力，具体体现在三方面： 一是路测成本过高，难以承受。RAND研究显示，仅实路测试验证自动驾驶安全性就需投入约¥691亿至¥850亿，即便降低标准，中型智驾仿真测试团队年度路测成本也高达¥1800万。 二是传统仿真低效无效。传统CG

  康谋keymotek

  754

  05/20 15:46

  智能驾驶 ADAS

  
• 3DGS+合成数据，真能让自动驾驶告别“长尾场景焦虑”吗？

  真实世界数据红利见顶，长尾场景获取成本高昂，传统虚拟仿真又面临Sim-to-Real鸿沟。3DGS神经渲染将世界拆解为“可计算资产”，实现实时渲染、场景可编程与自动标注，域差距压缩至<5%。本文带您看懂：3DGS如何串联三大仿真层级，让合成数据成为AI训练的新语料。

  康谋keymotek

  596

  05/19 10:30

  自动驾驶
• 从FBX到可运行虚拟车辆：一种标准化的仿真模型转换流程

  一、行业背景与核心难点 自动驾驶仿真并不只是“看起来像车”。它要求车辆在虚拟环境中具备真实的物理属性、动力学行为，以及与传感器系统的高度一致性。这就带来了几个关键挑战： 首先，模型来源复杂。企业既可能使用自建3D模型，也可能采购第三方资源，格式、拓扑结构、材质规范参差不齐，很难直接用于实时仿真。 其次，物理一致性要求高。车辆的轴距、轮距、质量分布、轮胎半径等参数，必须与模型几何严格匹配，否则就会出

  康谋keymotek

  689

  05/14 17:36

  仿真模型

正在努力加载...