Intelligent Driving Simulation and World Model Research Report, 2025
상품코드:1744406
리서치사:ResearchInChina
발행일:2025년 06월
페이지 정보:영문 507 Pages
라이선스 & 가격 (부가세 별도)
한글목차
1. 세계 모델은 지능형 운전 시뮬레이션에 혁신을 가져옵니다.
L3 및 그 이상의 자율주행 수준으로의 발전 과정에서, 엔드 투 엔드 기술의 개발은 고품질 데이터의 규모, 다양한 시나리오의 커버리지, 물리적 현실감의 보장, 다중 모달 데이터의 동기화된 생성, 행동 논리의 합리성, 반복 효율성 개선 등에 대한 요구사항을 높이고 있습니다.
지능형 운전의 세 가지 핵심 요소(데이터, 모델, 컴퓨팅 파워) 중 시나리오 데이터의 품질과 양은 지능형 주행 경험의 핵심 차별화 요인으로 부상하고 있습니다. 한편, 고수준 고급 운전자 보조 시스템(ADAS) 알고리즘 모델을 훈련하려면 수천만 개의 비디오 클립과 장시간 시퀀스 다중 모달 주행 시나리오의 생성이 필요합니다. 그러나 실제 도로 데이터에서 포착된 장꼬리 시나리오는 상대적으로 제한적이며, 엔드 투 엔드 알고리즘 훈련에 필요한 고품질 데이터 수요를 충족시키지 못합니다.
자동화된 시뮬레이션 테스트는 OEM 및 공급업체가 개발 주기를 단축하고 비용을 절감하며 효율성을 향상시키며 장꼬리 시나리오의 부족한 커버리지를 해결하고 고위험 운영 조건 재현의 과제를 극복하는 강력한 도구로 부상하고 있습니다. 동시에 실제 세계 환경의 물리적 특성 및 공간적 속성을 이해할 수 있는 월드 모델이 OEM 및 주요 Tier 1 공급업체에서 점차 채택되고 있습니다.
현재 지능형 운전 훈련을 위해 시나리오 데이터는 주로 다음과 같은 출처에서 수집됩니다.
첫째, 실제 도로 테스트 데이터 재생을 기반으로 한 시뮬레이션 기술로, 시나리오의 높은 현실성이 장점이며 주로 도로 테스트 문제 시나리오 재현 및 알고리즘 수정 효과 검증에 사용됩니다.
두 번째는 인공적으로 정의된 파라메트릭 시나리오(OpenScenario 형식)로, 표준화된 테스트, 경계 조건 탐색, 강한 시나리오 제어 가능성을 특징으로 합니다.
세 번째는 실제 도로 테스트 데이터(logsim)를 일반화 가능한 가상 시뮬레이션 시나리오(Worldsim)로 변환하는 것으로, 핵심 기능은 데이터 기반 시나리오 생성 및 일반화이며, 고신뢰도 시뮬레이션 시나리오 라이브러리를 구축하여 시나리오 파생 및 자동화된 테스트를 지원함으로써 시나리오 커버리지 효율성을 향상시킵니다.
네 번째는 AI를 활용해 물리적 세계의 내부 표현을 구축하는 월드 모델입니다. 환경 상태 예측과 반사실적 추론을 위한 지능형 모델을 지원하며, 데이터 소스로는 다중 모달 데이터(이미지, 텍스트, 물리적 규칙)와 강화 학습으로 생성된 데이터를 활용합니다. 장점으로는 인과적 추론 능력과 미지 시나리오 예측 지원이 있지만, 월드 모델은 대규모 계산 자원, 해석성 개선 필요성, 데이터 편향 위험을 내재하고 있습니다.
세계 모델은 환경 인식 및 이해, 미래 시나리오 진화 예측, 결정 및 계획 최적화, 데이터 생성 및 훈련 강화, 시뮬레이션 및 테스트 검증, 시스템 일반화 능력 향상 등 다양한 측면에서 장점을 보여줍니다. 다음 표는 월드 모델을 적용한 주요 OEM 및 Tier1 공급업체의 사례 연구를 통해 월드 모델이 지능형 운전 훈련에 가져오는 혁신을 간략히 보여줍니다.
2. 전체 체인 안전 검증은 시뮬레이션을 크로스 도메인 통합으로 이끌고 있습니다.
현재 자율주행 안전 검증은 단일 기능 테스트에서 전체 체인 폐루프 검증으로 전환되었습니다. 시뮬레이션 기술은 전통적인 경계를 넘어 심층적인 크로스 도메인 협업으로 진화하고 있으며, 이는 기술 융합 가속화와 도구 체인 통합이 핵심 촉진요인입니다.
콕핏 드라이빙 통합과 크로스 도메인 통합 용도의 개발로 시뮬레이션도 크로스 도메인 통합으로 향하고 있습니다. 업계는 다양한 자동차 도메인에 대한 시뮬레이션 테스트 솔루션을 탑재하여 소프트웨어와 하드웨어의 도구/플랫폼을 통합하여 크로스 도메인의 공동 테스트를 적극적으로 추진하고 있습니다.
이 보고서는 중국 자동차 산업에 대한 조사 분석을 통해 지능형 운전 시뮬레이션 기술의 발전, 세계 모델의 응용, 국내외 공급자 등의 정보를 제공합니다.
목차
제1장 지능형 운전 시뮬레이션의 개요
지능형 운전 시뮬레이션 기술 발전 분석
교통 시나리오 시뮬레이션 분석
센서 시뮬레이션
차량 역학 시뮬레이션 솔루션의 비교
모델 인더 루프(MiL) 솔루션의 요약과 비교
지능형 운전 시뮬레이션 도구/플랫폼 요약
지능형 콕핏 시뮬레이션 테스트 도구/플랫폼 요약
지능형 차체 시뮬레이션 테스트 도구/플랫폼 요약
3개의 전기(배터리, 모터, 전자 제어) 시뮬레이션 테스트 도구/플랫폼 요약
자동차용 이더넷 테스트 도구/플랫폼 개요
제2장 시뮬레이션 테스트 시나리오 라이브러리
지능형 주행 시뮬레이션 표준 및 규정 요약
지능형 콕핏 시뮬레이션 테스트의 평가 사양 및 기준 표준
ASAM OpenX 시리즈 표준 업데이트의 비교 분석
ASAM OpenMATERIAL 3D 표준 분석
OpenX 시리즈 표준의 시뮬레이션 플랫폼 적용 사례
시나리오 모델의 계층화에 관한 조사
시뮬레이션 시나리오 데이터베이스의 분류
3DGS 고충실도 시뮬레이션 장면 재구성 기술과 사례 연구
지능형 운전에 있어서의 4DGS 기술의 응용의 분석
지능형 운전을 위한 교육 데이터 소스 분석
합성 데이터용 엔드 투 엔드 알고리즘 훈련의 긴급 요구사항
제3장 지능형 운전에 있어서의 세계 모델의 응용
엔드 투 엔드 자동 운전용 오픈 데이터 세트
지능형 드라이빙 세계 모델과 관련된 공개 데이터 세트
기타 오픈소스 시뮬레이션 테스트 시나리오 데이터 세트
세계 모델의 개요
세계 모델의 요약
지능형 드라이빙 분야의 세계 모델 분석
대표적인 세계 모델의 적용 사례
제4장 OEM 및 Tier 1 공급업체를 통한 지능형 운전 시뮬레이션 및 세계 모델 적용
NIO
XPeng Motors
Xiaomi
Li Auto
Geely
Zhuoyu Technology
Horizon
SenseAuto
GigaAI
제5장 AI 통합 지능형 운전 시뮬레이션 기술 조사
디지털 트윈과 GNSS의 응용 - 사례 1
지능형 운전에 있어서의 디지털 트윈과 GIS 기술의 통합 용도의 분석
AI와 시뮬레이션의 융합 - 사례 1
AI와 시뮬레이션의 융합 - 사례 2
AI와 시뮬레이션의 융합 - 사례 3
AI의 연구 개발 효율화 - 사례 1
AI의 연구 개발 효율화 - 사례 2
AI의 연구 개발 효율화 - 사례 3
지능형 콕핏 시스템의 자동 테스트 분석
제6장 중국의 시뮬레이션 플랫폼과 세계 모델 제공업체
51WORLD
IAE
Zhejiang PanoSim
Saimo Technology
Synkrotron.ai
PilotD Automotive
Shengqi Technology
Keymotek
Tsing Standard
Jingwei HiRain
Dotrust Technologies
Vehinfo
Beijing Oriental Jicheng
AUMO(ALINX)
Kunyi Electronics
KOTEI
제7장 국외의 시뮬레이션 플랫폼과 세계 모델 제공업체
NVIDIA
UE
Unity
Wayve
APPLE
Foretellix
Siemens
Hexagon
KISSsoft(Gleason)
AVL
VECTOR
IPG Automotive
dSPACE
MathWorks
LeddarTech
VI-Grade
NI(EMERSON)
Ansys(Synopsys)
HBR
영문 목차
영문목차
1. The world model brings innovation to intelligent driving simulation
In the advancement towards L3 and higher-level autonomous driving, the development of end-to-end technology has raised higher requirements for the scale of high-quality data, coverage of diverse scenarios, assurance of physical realism, synchronized generation of multimodal data, rationality of behavioral logic, and improvement of iteration efficiency.
Among the three core elements of high-quality intelligent driving (data, models, and computing power), the quality and quantity of scenario data are becoming key differentiators in the intelligent driving experience. Meanwhile, training high-level advanced driver-assistance system (ADAS) algorithm models requires tens of millions of video clips and the generation of long-sequence multimodal driving scenarios. However, the long-tail scenarios captured in real-world road data are relatively limited and cannot meet the demand for high-quality data to feed end-to-end algorithm training.
Automated simulation testing is becoming a powerful tool for OEMs and suppliers to shorten development cycles, reduce costs, improve efficiency, address insufficient coverage of long-tail scenarios, and overcome challenges in reproducing high-risk operating conditions. At the same time, world models, which can understand the physical characteristics and spatial attributes of the real-world environment, are being adopted by an increasing number of OEMs and leading Tier1 suppliers.
Currently, for intelligent driving training, scenario data mainly comes from the following sources:
One is simulation technology based on the replay of real road test data, with the advantage of high scenario authenticity, primarily used to reproduce road test problem scenarios and verify the effectiveness of algorithm fixes;
The second is artificially defined parametric scenarios (such as OpenScenario format), characterized by standardized testing, exploration of boundary conditions, and strong scenario controllability;
The third involves converting real road test data (logsim) into generalizable virtual simulation scenarios (Worldsim), with the core function being data-driven scenario generation and generalization, building a high-confidence simulation scenario library, supporting scenario derivation and automated testing, thereby improving scenario coverage efficiency.
The fourth is the World Model, which uses AI to construct an internal representation of the physical world, enabling intelligent models for environmental state prediction and counterfactual reasoning. Its data sources include multimodal data (images, text, physical rules) and reinforcement learning-generated data. Its advantages include causal reasoning capabilities and support for unknown scenario prediction. However, world models require significant computational resources, their interpretability needs improvement, and they also carry the risk of data bias.
World models also demonstrate advantages in multiple aspects, such as environmental perception and understanding, prediction of future scenario evolution, decision and planning optimization, data generation and training enhancement, simulation and test validation, and improvement of system generalization capabilities. The following table provides a glimpse of the innovation world models bring to intelligent driving training through case studies of typical OEMs and Tier1 suppliers applying world models.
2. Full-chain safety validation is driving simulation toward cross-domain integration
Current autonomous driving safety validation has shifted from single-function testing to full-chain closed-loop verification. Simulation technology is breaking through traditional boundaries and moving toward deep cross-domain collaboration, with core drivers including accelerated technological convergence and toolchain integration.
Specifically:
Accelerated Technological Convergence: AI-driven scenario generation is crucial for building high-quality training datasets. For example, DriveDreamer4D and OASIS SIM's generative AI technologies have improved long-tail scenario generation efficiency by 10 times (e.g., 51Sim generates 32,000 extreme scenarios per day). Meanwhile, multi-domain model collaboration is becoming more prominent, such as vehicle dynamics (PanoCar), sensors (physics-level radar modeling), traffic flow (SUMO/VISSIM), and cloud-based world models (e.g., Li Auto's MindGPT) working together to build a digital twin closed loop.
Toolchain Integration: Leading solution providers (e.g., Horizon's AIDI platform, Synkrotron.ai's OASIS) have achieved full-stack toolchain integration from "perception - planning - control - vehicle-road-cloud," supporting seamless transitions from MIL to VIL. For instance, Horizon's UniAD framework uses an end-to-end model to compress perception-planning latency to around 50ms and validates multi-vehicle gaming strategies in simulation.
Due to the development of cockpit-driving integration and cross-domain integration applications, simulation is also moving toward cross-domain integration. The industry has introduced simulation testing solutions for various automotive domains, integrating software and hardware tools/platforms to actively promote joint cross-domain testing. Overall, OEMs and suppliers are currently advancing cross-domain simulation, mainly focusing on: Intelligent cockpit + intelligent driving integration, Intelligent chassis + intelligent driving cross-domain integration, Three-electric systems (battery, motor, electronic control) + thermal management integration, IoV + intelligent driving integration, global digital twins.
Examples include:
Tsing Standard's active suspension HIL and Zhejiang PanoSim's PanoCar conducting suspension-planning co-simulation to address cross-domain control latency and improve stability in extreme conditions (reducing roll by >=15%).
AUMO (under Alinx Electronic) collaborated with BYD to develop a cockpit-driving domain integration testing solution, using the W50 platform to validate in-cabin vision systems (DMS/OMS) alongside autonomous driving algorithms, enabling data exchange between cockpit and driving domains to accelerate "cockpit-driving integration."
In Q1 2025, Mercedes-Benz partnered with VECTOR to conduct centralized electronic architecture virtualization validation, using SIL Kit middleware for distributed simulation testing of domain controllers (e.g., autonomous driving, body domains) to optimize cross-domain communication and functional integration efficiency.
In October 2024, Beijing Oriental Jicheng and Great Wall Motors collaborated on cross-domain joint testing for intelligent cockpit, intelligent driving, and vehicle connectivity, covering signal-level simulation to full-vehicle testing in a one-stop service.
Kunyi Electronics' cockpit HIL testing, based on Kunyi's high-real-time RTPC system and combined with its high-level autonomous driving data closed-loop testing solution, provides simulations for 360° surround view, driver monitoring, and streaming rearview mirrors, meeting high-performance testing needs for vehicle-cloud integration, cockpit-parking integration, and cockpit-driving integration.
3. Industry progress in enhancing simulation credibility
One of the biggest pain points in simulation testing is credibility. The industry needs to consider how to ensure high fidelity in scenario simulation, high accuracy in sensor models, high confidence in dynamics models, as well as challenges in real-time performance, data bandwidth, and stability of data interfaces.
In terms of improving simulation credibility, the following approaches are being adopted.
1. Application of AI Technology
AI technology is gradually being applied to simulation testing in engineering practice, significantly accelerating the automation efficiency of testing and validation, thereby improving automotive development efficiency. For example:
In February 2025, IAE partnered with VDBP to launch the industry's first AI scenario generation tool integrated with the DeepSeek R1 large model. It pioneered an end-to-end solution for "generating high-quality OpenDRIVE and OpenSCENARIO standard scenarios with text commands," supporting intelligent generation from simple ADAS tests to complex traffic rules and extreme working conditions. It covers full-scenario needs such as ADAS, urban NOA, and V2X, improving scenario construction efficiency by 300% and enabling seamless integration with mainstream simulation software like CARLA, VTD, and Prescan.
In December 2024, AVL released the AI simulation assistant ChatSDT to simplify and enhance user interaction with AVL simulation components. MathWorks also introduced the MATLAB Large Language Support Package, aiming to deeply integrate large language models (such as ChatGPT, Qwen, and DeepSeek) with MATLAB/Simulink to improve engineering development efficiency.
2. Open-Source Datasets
Additionally, organizations like the China Association of Automobile Manufacturers (CAAM) are actively promoting open-source data initiatives. Nearly 20 datasets have been released, including Coral Data, vehicle-road-cloud integrated simulation scenario open-source data, OEM-open-sourced end-to-end autonomous driving public datasets, and publicly available training datasets related to intelligent driving world models. The goal of open-sourcing is to facilitate efficient reuse of these high-quality scenario datasets and avoid redundant development within the industry.
In April 2025, the ASAM OpenMATERIAL 3D 1.0.0 standard was officially released. This standard specifies a standardized format for physical material properties and 3D object descriptions, precisely defining parameters such as refractive index, surface roughness, and permeability. By providing accurate and standardized 3D assets and material properties, the standard enhances the realism of perception sensor simulations, making the outputs of LiDAR, radar, and cameras more lifelike.
3. Simulation Tool Upgrades
Simulation testing companies have also updated and upgraded the functions of simulation software tools/platforms, such as PreScan software version 2503, HEXAGON VTD/MSC/ADAMS/KISSoft simulation software, CarMaker14.0, AURELION 24.3, MATLAB/Simulink R2025a, Ansys 2025R1, Oasis SIM 3.0, aiSim intelligent driving simulation software UE5.5 upgrade, Qianxing system V3.0 with 20+ new features, PanoCarV1.7 PanoSim V33 version, etc. (see the report for details).
Table of Contents
Terminology and Definitions
1 Overview of Intelligent Driving Simulation
1.1 Analysis of Intelligent Driving Simulation Technology Advancements
1.2 Traffic Scenario Simulation Analysis
Typical Collaborations in Traffic Scenario Simulation
Case 1
Case 2
1.3 Sensor Simulation
Comparison of Different Virtual Camera Modeling Techniques
High-Fidelity Radar Simulation: Performance Comparison of Radar Modeling Technologies (1)
High-Fidelity Radar Simulation: Performance Comparison of Radar Modeling Technologies (2)
