▍文章来源于康谋自动驾驶

在自动驾驶研发不断提速的今天，仿真已从“辅助工具”演变为“核心基础设施”。无论是感知算法验证，还是整车控制策略迭代，工程团队都越来越依赖高保真仿真环境来缩短开发周期、降低实车测试成本。但一个现实问题始终存在：如何将特定的车辆模型，高效、规范地转化为可参与物理仿真与传感器交互的虚拟车辆？

本文围绕这一问题，梳理了一套从模型导入、工程化改造到仿真集成的标准化操作流程。

01 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，否则就会出现“车轮乱飞”“车辆陷地”等典型问题。

再者，仿真引擎可能有严格约束。例如必须拆分为底盘+四个独立车轮、禁止使用骨骼网格、要求统一坐标原点等，这些都对模型结构提出了工程级要求。

因此，“车辆自定义3D模型 + 仿真器联动”或成为自动驾驶开发流程中的关键一环。

02 从FBX到aiSim的工程化路径

以康谋aiSim为例，要让一个普通的.fbx 车辆模型真正在仿真器中“跑起来”，核心在于两步：规范建模（Blender）+仿真集成（Unreal Editor + aiSim）。

左：FBX模型导入（无材质示例）

右：自定义3D模型编辑（原生材质示例）

在模型导入阶段，Blender支持.fbx、.blend等常见格式，可以直接拖拽或通过Import导入。模型既可以自行建模，也可以来自free3d、TurboSquid、CGTrader等资源平台。

在一些特殊情况下，用户会对车辆模型有或多或少特殊的使用需求，例如去除A柱、去除挡风玻璃、去除顶盖、对模型进行简化、对部分组件进行拆分等，这些就需要在模型导入Blender后通过其自身的3D模型编辑能力进行修改。

完成模型导入与修改后，通常就需要进行关键的“工程化改造”——对车辆模型进行UE导入前的预处理：

整车网格控制在最多140000个三角面，模型结构重构为“底盘（Chassis）+ 四个独立车轮（Wheels）”的仿真最小化结构，且全部为独立对象，以保障仿真效率。其中，底盘应包含除轮胎、车牌外的所有部分。

统一坐标系统，令后轴中心位于(0,0,0)，车辆朝向+X方向。这一步直接决定仿真中的动力学计算是否正确。

令独立建模的车轮保持径向对称，几何中心位于自身原点，避免后续定位复杂化。

至少拆分Body、Glass、Lights三类材质，每个网格仅一个UV集，且避免翻转。尤其是灯光UV，需要按照特定区域布局，以便aiSim正确控制灯光逻辑。

左：反射平面的构建

右：车轮的定位（基于aiSim add-on）

此外，一个常被忽视但极其关键的点是——反射平面（Reflection Plane）。aiSim仿真器采用屏幕空间反射，能够在地面上产生“车辆底部投影”，这就需要在3D模型阶段基于车辆轮廓构建低模，以达最终仿真中可以取得更逼真的视觉效果。

完成这些后，通过aiSim Blender插件配置车轮定位器、灯光定位器、车牌定位器等，并分别导出底盘、车轮、反射面等资源，保存为FBX模型后导入Unreal Editor。

左：UE车辆编辑蓝图

右：aiSim Plugin Content 原生高保真材质

在Unreal Editor中，导入的FBX模型会自动生成Static Mesh与材质，必要时也可以通过aiSim Plugin Content为模型二次赋予 aiSim 原生高保真材质实例。

随后基于现有蓝图（如Bandit）或自建蓝图完成组装。蓝图中可以自行配置：

车辆基础信息（名称、类别、语义标签等）

Light Controller（灯光控制）

Vehicle Dynamics Descriptor（动力学参数）

各类组件（传感器中心、反射面、Hull等）

其中动力学配置是“让车真正动起来”的核心。通过JSON定义轴距、轮距、滚动半径等模板化参数，可以有效避免“陷地”“漂移”等问题。

最终，通过“Export to aiSim”导出，并完成验证：车辆是否正常加载、车轮是否稳定旋转、是否存在物理异常等。

客户案例：无视野遮挡特殊车辆模型+驾驶员特殊视角融合相机传感器输出

03 总结

自动驾驶仿真的核心目标，是将各类车辆模型转化为可计算、可交互、可验证的数字资产，而非单纯积累模型资源。通过Blender + Unreal Editor + aiSim 的组合，可以建立一条标准化、可复用的车辆接入流程：

从多源模型导入（支持.fbx、.blend）

到结构重构与规范化建模

再到UE中的蓝图组装与动力学配置

最终进入aiSim完成闭环验证

这一流程不仅解决了模型“能不能用”的问题，更提升了“用得好不好”的效率与上限。

当企业能够快速构建自定义车辆，并在仿真环境中稳定运行，自动驾驶开发就具备了规模化迭代的基础，这也是提升研发竞争力的关键支撑。