L'industrie de la conduite autonome est confrontée à un goulot d'étranglement critique : la collecte de données réelles pour des scénarios rares et dangereux est prohibitivement coûteuse, tandis que la simulation virtuelle traditionnelle souffre d'un fossé persistant entre le simulé et le réel. Une solution prometteuse émerge avec le 3D Gaussian Splatting (3DGS), une technique de rendu neuronal qui traite le monde comme un ensemble d'« actifs calculables ». En représentant les scènes sous forme de gaussiennes 3D, la méthode permet un rendu en temps réel, une programmabilité de la scène et une annotation automatique, tout en compressant l'écart de domaine à moins de 5 %. Cette approche intègre trois couches de simulation — reconstruction de scène, simulation de capteur et génération de scénarios — dans un pipeline unifié. Pour les leaders techniques et les chercheurs, cela signale un passage vers une IA centrée sur les données où les données synthétiques deviennent des citoyens de première classe dans les pipelines d'entraînement. L'idée clé est que le 3DGS ne se contente pas de générer des images ; il crée une représentation structurée et modifiable de la réalité qui peut être manipulée pour produire des variations infinies d'événements rares. Ceci est particulièrement précieux pour les systèmes de perception qui doivent gérer des cas limites comme les intempéries, les occlusions et les configurations d'objets inhabituelles. Bien que des défis subsistent en matière d'évolutivité et de généralisation à des environnements inconnus, la technique offre une voie tangible pour réduire la dépendance à la collecte coûteuse de données réelles.
Le 3DGS décompose les scènes réelles en actifs calculables, permettant un rendu en temps réel et une annotation automatique, réduisant l'écart de domaine à moins de 5 % pour les données synthétiques de conduite autonome.