据盖世汽车9月14日报道，新加坡科技设计大学（SUTD）的研究人员开发出名为HieraScaffold的AI框架，专门用于生成更逼真的4D激光雷达（LiDAR）场景。简单来说，这项技术的价值在于：它能用AI低成本“造”出包含时间维度的动态3D环境数据，帮自动驾驶系统在没有实车跑遍所有路况的情况下，也能在虚拟世界里练好感知和规划能力。
要理解HieraScaffold，得先弄懂它处理的对象——4D激光雷达。我们常说的激光雷达（LiDAR），是利用激光脉冲测量距离并构建周围环境3D图像的传感器；而4D激光雷达则是在3D空间信息的基础上引入了时间维度，让系统不仅能看到物体在哪，还能对场景随时间序列的变化进行建模，比如看清一辆车是怎么变道的、一个行人是怎么横穿马路的。这对自动驾驶的感知和运动规划至关重要。
但问题在于，采集真实的4D激光雷达序列既昂贵又耗时，还需要投入大量人力去标注。因此，业界一直在尝试用AI生成合成数据。上一代或现有的4D激光雷达数据生成方法往往存在短板：它们难以有效呈现大型户外环境，也很难在长时间跨度内同时保持场景结构和物体运动的真实性。有的方案为了兼顾动静目标，会导致整个3D/4D空间的计算量爆炸。
由SUTD助理教授Zhao Na领导的研究团队提出的HieraScaffold换了一种思路。该研究在2026年国际机器学习会议（ICML）上发表了题为《HieraScaffold：学习用于可扩展4D LiDAR生成的紧凑分层表示》的论文。它的核心创新是放弃了传统的对整个3D/4D空间进行密集表征的做法，而是围绕由激光雷达采样的、靠近物体表面的区域，构建一个紧凑的“脚手架”结构。具体而言，它将静态背景（如道路和建筑物）和动态前景（如车辆和行人）分别表征为不同的脚手架组件，并将其压缩为紧凑的方向性表征。在生成过程中，系统会先构建静态脚手架，随后再基于这个静态脚手架生成动态脚手架。这种分层解耦的方式，使得它能够更高效、更连贯地生成大规模4D激光雷达环境，同时捕捉到静态结构与移动物体的真实动态。
虽然HieraScaffold目前是一项学术研究成果，但它解决的是自动驾驶量产落地中非常现实的工程痛点。对于日常用车来说，你买到的智能驾驶汽车好不好开、安不安全，很大程度上取决于它在研发阶段“见过多少世面”。如果车企只能依赖实车路测来收集数据，那么遇到暴雨天鬼探头、复杂路口多车博弈等长尾场景的概率极低，系统的应对能力自然受限。
有了HieraScaffold这类能够生成逼真4D激光雷达场景的工具，研发团队就可以在仿真环境中批量生成各种极端、复杂的动态交通流。这意味着智驾系统在交付到你手里之前，已经在虚拟世界里完成了海量高难度场景的训练。反映在实际体验中，就是车辆的NOA（Navigate on Autopilot，即领航辅助驾驶功能，能在特定路段实现自动上下匝道和变道）在面对加塞、行人突然穿行时，刹车和避让的动作会更像老司机，而不是生硬地急刹。不过需要明确的是，这属于提升L2+级辅助驾驶能力的底层数据工具，目前的法规和技术边界仍要求驾驶员全程保持注意力并随时接管。
从技术路线和数据特性的角度来看，我们可以将HieraScaffold与现有方案做个对比：
- 数据获取方式：传统真实路采需要车队跑数百万公里，成本极高且周期长；HieraScaffold通过AI生成，大幅降低了数据获取的时间与资金门槛。
- 场景表征逻辑：现有生成方法多采用全局密集表征，计算资源消耗大，且在长时序下容易失真；HieraScaffold采用“静态+动态”分层脚手架结构，仅针对物体表面附近采样，表征更紧凑。
- 动静一致性：以往方案在长时间跨度内难以兼顾场景结构和物体运动的真实性；该框架先建静态脚手架再生成动态脚手架，保证了时空一致性。
- 应用阶段：目前主要面向学术界和算法团队的模型训练与测试，尚未直接集成至量产车的车端算力平台。
客观来看，HieraScaffold目前处于学术研究阶段，其成果已在2026年ICML会议上发表，证明了其在算法理论上的有效性。但要真正走向工业界的大规模应用，还有几个问题需要验证。首先是“Sim-to-Real”（仿真到现实）的鸿沟，即AI生成的4D点云数据在物理反射特性、噪点分布上是否能完全骗过真实世界训练出来的感知模型，还需要更多闭环测试。其次是泛化能力，论文中提到它能生成大型户外环境，但面对不同国家、不同城市形态的道路拓扑时，模型的迁移成本有多高仍是未知数。最后，该框架目前聚焦于激光雷达单一模态，而主流高阶智驾普遍采用“摄像头+激光雷达+毫米波雷达”的多传感器融合方案，如何将生成的4D点云与其他传感器的仿真数据对齐，是下一步的工程挑战。
总结来说，HieraScaffold通过创新的“脚手架”分层表征机制，为自动驾驶行业提供了一种更高效、更具扩展性的4D激光雷达数据生成思路。作为关注智驾技术的消费者，我们在选车时虽然无法直接买到某项具体的仿真框架，但可以重点关注车企是否具备强大的数据闭环和仿真训练能力。那些愿意在底层数据和仿真工具链上持续投入的品牌，其智驾系统的迭代速度和长尾场景处理能力，通常会在后续的OTA升级中体现出更明显的优势。