NeRF、3D Gaussian Splatting、Street Gaussian，
几项技术在自动驾驶重建仿真训练中发挥重要作用，
这里尝试用大白话进行简单梳理:

先说 NeRF (神经辐射场):
2020年首次出现并于2022 年特斯拉在AI Day，
配合车辆采集图像用于 3D 场景重建工作当中，
并使用大型自动标签数据集进行3D仿真训练；

NeRF 优缺点: 
场景重建质量高、数据增强提高模型泛化能力，
支持处理动态场景模拟、高分辨率细节变化捕捉；

计算需求高、渲染速度慢、动态场景能力有限，
使用 MLP 网络隐式表示缺乏直观性和可解释性；
——————————
3D Gaussian Splatting/3DGS(3D高斯泼溅):

相关论文首次出现于 2023 年SIGGRAPH，
3DGS 使用了「 3D 高斯体」分布来描述场景，
以及通过「光栅化」技术实现实时辐射场渲染，
应用于自动驾驶、SLAM、AIGC、三维重建等领域；

优缺点:
- 可快速进行渲染、视觉渲染质量高、允许精确场景编辑和控制；
- 3D高斯体存储需求大、计算资源需求大、动态场景限制；
————————————
Street Gaussian 可视作 3DGS 自动驾驶专用版:
该技术在 3DGS 的基础上发展而来具有相关性，

Street Gaussian 首先继承了 3DGS 几大优点:
- 显式场景表示，允许精准的场景编辑和控制；
- 实时快速渲染，系统能够以高帧率实时渲染；
- 渲染质量高、自适应密度控制、计算更高效；
......
Street Gaussian 相比 3DGS 优化的内容:

- 引入4D球谐函数模型增强动态场景建模能力；

- 优化对前景车辆姿态跟踪更好的模拟动态元素；

- 自监督方式从 4D 数据中分解动态和静态元素；

Street Gaussian 可能存在的局限与挑战:

- 仅限重建(刚性)的动态场景，例如只有移动车辆的静态街道；

- 无法处理(非刚性)动态对象，例如(步行行人)则无法处理；

- 依赖于现成跟踪器的召回率，如果某些车辆被遗漏，位姿优化策略无法对此进行补偿。
——————————
最后的最后，不管怎么端，都有点殊途同归或者大同小异，对算力资源都有比较大的需求，技术本身可能不是最大挑战，而是团队人事、资源投入、重视程度。