simulator
SVL Simulator 是一款基于 ROS 和 ROS2 系统的自动驾驶车辆仿真平台,专注于为智能驾驶技术提供高保真的虚拟测试环境。它有效解决了在真实道路测试自动驾驶算法时存在的安全风险和资金成本问题,允许用户在可控的虚拟场景中构建复杂交通流,验证感知、规划及控制模块的性能。
该平台非常适合自动驾驶领域的工程师、科研人员以及高校实验室使用。其技术亮点包括支持多机器人协同仿真、丰富的传感器模型以及灵活的云边端架构,能够帮助团队快速迭代算法。
值得注意的是,LG 公司已于 2022 年 1 月停止了对 SVL Simulator 的活跃开发,不再推送新代码或修复 Bug。尽管如此,项目源代码仍保留在 GitHub 上供社区自由 fork 和修改。当前版本运行依赖 WISE 云服务来获取资产和配置集群。虽然官方维护已结束,但对于希望基于现有框架进行二次开发或离线部署的研究者而言,它依然是一个值得参考的开源项目。
使用场景
某自动驾驶初创团队正在开发 L4 级无人车感知算法,急需海量极端路况数据来验证模型安全性。
没有 simulator 时
- 实地测试成本高昂,难以复现暴雨、冰雪或夜间等危险工况,且存在安全隐患。
- 真实道路测试效率低下,每天仅能积累几十公里有效数据,无法满足深度学习需求。
- 缺乏多车交互环境,无法模拟复杂交通流中的车辆博弈与协同驾驶逻辑。
- 硬件资源浪费严重,传感器标定和调试需长期占用实车,导致研发进度滞后。
使用 simulator 后
- 在 simulator 中快速构建高保真虚拟城市,一键生成各类极端天气与突发事故场景。
- 支持大规模并行仿真,单日可积累数万公里的训练数据,测试效率提升数百倍。
- 内置 ROS/ROS2 多机器人通信协议,完美还原多车博弈与协同驾驶的复杂交互。
- 无需实车即可验证核心代码,大幅降低硬件损耗与测试风险,加速算法迭代。
simulator 通过高保真虚拟环境,成功将自动驾驶算法的迭代周期从数月缩短至数周。
运行环境要求
- Windows
- Linux
需要 NVIDIA GPU,推荐 GTX 1080,显存 8GB,CUDA 版本未说明
未说明

快速开始
SVL 模拟器:一个自动驾驶车辆模拟器
SVL 模拟器停止维护
LG 已做出艰难决定,自 2022 年 1 月 1 日起暂停 SVL 模拟器的活跃开发。
2022 年没有 SVL 模拟器的任何新功能或错误修复版本发布计划。不会有新的源代码更改推送到 GitHub,也不会审查或合并提交给 GitHub 的 SVL 模拟器或其相关插件的拉取请求 (Pull Requests)。SVL 模拟器团队将不再构建和共享新的模拟器资源,也不会更新现有资源。
我们将尽合理努力确保 wise.svlsimulator.com 网站至少在 2022 年 6 月 30 日星期四之前正常运行,并将维持 SVLSimulator.com 网站,包括 模拟器文档 页面,至少在 2022 年 6 月 30 日星期四之前。
目前,我们计划不从 GitHub 上删除 SVL 模拟器源代码(及相关插件)项目。开源项目和源代码将继续可供任何想要构建(或修改)SVL 模拟器的人使用。
对于由此可能造成的任何不便,我们深表歉意,并感谢您的理解。
此致,
SVL 模拟器团队
常见问题
问:SVL 模拟器是否可以在没有 wise.svlsimulator.com 网站的情况下本地运行?
答:最新发布的 SVL 版本(2021.3)需要使用 WISE(Web 用户界面)云服务来下载资源、配置模拟集群以及创建和启动模拟。有可能移除这种依赖关系(例如在分支中;见下文),然后构建和启动本地模拟器实例。
问:LG 会发布 WISE(Web 用户界面)云服务的源代码吗?
答:目前暂无发布 WISE 源代码的计划。
问:LG 是否有兴趣将 SVL 模拟器项目移交给有兴趣接手该项目的人?
答:目前暂无移交 SVL 模拟器项目(或 WISE 云服务)的计划。
问:模拟器软件许可协议会更改吗?
答:目前暂无更改 模拟器软件许可协议 的计划。
问:用户可以分享 SVL 模拟器的源代码更改和分支吗?
答:作为一个 GitHub 项目,任何人都可以创建自己的分支;事实上,目前已有超过 500 个 SVL 模拟器项目 的分支。用户可以随后进行修改,甚至向原始(父)项目提交拉取请求。虽然我们目前没有计划审查或将此类更改合并到主项目中,但用户可以自由地审查开放的 PR,并从他们自己的或任何其他公共分支创建自己的本地构建。
问:用户可以分享 SVL 模拟器的新版本构建吗?
答:模拟器软件许可协议 允许您“修改或创建授权材料的衍生作品”,仅限制其商业使用。因此,只要这些构建不用于销售或其他商业目的,用户可以分享 SVL 模拟器的新版本构建。
问:关于 SVL 模拟器高级产品和/或云模拟服务呢?
答:目前暂无提供 SVL 模拟器高级产品或云服务的计划。
问:用户仍然可以在 GitHub 上发布技术问题吗?
答:技术问题可以发布到 GitHub 上的 SVL 模拟器问题 页面,但 SVL 模拟器团队可能不会回答。我们鼓励用户互相帮助解决发布的问题。
问:如果还有其他未在本文件中解决的问题怎么办?
答:其他问题可以发布到 GitHub 上的 SVL 模拟器问题 页面。
项目 README
保持关注
查看我们最新的 新闻 并订阅我们的 邮件列表 以获取最新更新。
简介
LG 电子美国研发中心为自动驾驶汽车开发者开发了一款基于 HDRP(高清渲染管线)Unity 的多机器人模拟器。 我们提供开箱即用的解决方案,可以满足希望专注于测试其自动驾驶汽车算法的开发者的需求。 它目前集成了 Autoware 基金会的 Autoware.auto 和百度的 Apollo 平台,可以生成高精地图 (HD Maps),并且几乎不需要自定义集成即可立即用于整个系统的测试和验证。 我们希望通过开源我们的工作,在机器人和自动驾驶汽车开发者之间建立一个协作社区。
要使用模拟器配合 Apollo 6.0 或 master 版本,请先下载模拟器二进制文件,然后遵循我们的 与最新版 Apollo 运行 文档。
要使用模拟器配合 Autoware.auto,请先下载模拟器二进制文件,然后遵循我们 Autoware.auto 上的指南。
对于中国的用户,您也可在 哔哩哔哩 上观看我们最新发布的视频,从 百度网盘(提取码:6k91) 上下载使用我们的仿真器。
论文
如果您在研究论文中使用 SVL Simulator,请引用我们的 ITSC 2020 论文: LGSVL Simulator: A High Fidelity Simulator for Autonomous Driving
@article{rong2020lgsvl,
title={LGSVL Simulator: A High Fidelity Simulator for Autonomous Driving},
author={Rong, Guodong and Shin, Byung Hyun and Tabatabaee, Hadi and Lu, Qiang and Lemke, Steve and Mo{\v{z}}eiko, M{\=a}rti{\c{n}}{\v{s}} and Boise, Eric and Uhm, Geehoon and Gerow, Mark and Mehta, Shalin and others},
journal={arXiv preprint arXiv:2005.03778},
year={2020}
}
入门指南
您可以在我们的 文档网站 上找到完整且最新的指南。
以合理的性能和帧率(用于感知相关任务)运行模拟器需要一台高性能台式机。以下是高质量运行模拟器的推荐系统配置。我们目前正在努力进行性能改进,以获得更好的体验。
推荐系统:
- 4 GHz 四核 CPU
- Nvidia GTX 1080,8GB GPU 显存
- Windows 10 64 位
开始使用模拟器最简单的方法是下载我们的 最新发行版 并作为独立可执行文件运行。
目前,在 Windows 上运行模拟器比在 Linux 上运行能获得更好的性能。
下载和启动模拟器
- 在此处下载适用于您支持的操作系统(Windows 或 Linux)的 SVL Simulator 最新发行版:https://github.com/lgsvl/simulator/releases/latest
- 解压下载的文件夹并运行可执行文件。
请参阅完整的安装指南 这里。
从源代码构建和运行
如果您想自定义模拟器、构建仿真内容或访问 开发者模式 中提供的特定功能,您可以使用 Unity Editor 克隆项目并从源代码构建。
查看我们从源代码构建的入门说明 这里。 注意: 对于稳定版本(已就绪功能),请检出 "release-*" 分支或发布标签;对于不稳定版本(进行中工作的预览),请检出 "master" 分支。
模拟器使用说明(2021.1 发行版及以后)
- 启动模拟器后,您应该能看到一个“链接到云端”的按钮。
- 使用此按钮将您的本地模拟器实例链接到我们 Web 用户界面 上的 集群。
- 现在创建一个 随机交通 仿真。对于标准设置,选择"BorregasAve"作为地图,选择"Jaguar2015XE with Apollo 5.0 sensor configuration"作为车辆。点击“运行”开始。
- 车辆应生成在您选择的地图环境中。
- 阅读 此处 了解所有当前键盘快捷键和控制功能的说明。
- 按照我们各自的 Autoware 和 Apollo 5.0 仓库中的指南,了解如何在模拟器中运行这些平台。
注意:如果使用早于 "2021.1" 的发行版,请遵循我们文档 存档 中的说明。
模拟器功能指南
查看 这里 了解当前可用的功能和特性指南。
联系方式
欢迎通过创建 Github Issue 提供反馈或提问。关于合作事宜,请发送邮件至 contact@svlsimulator.com。
版权与许可
Copyright (c) 2019-2021 LG Electronics, Inc.
本软件包含的代码按 LICENSE 中所述进行许可。
版本历史
2021.1.12021/05/212021.12021/03/232020.062020/08/312020.052020/06/042020.032020/04/182020.03-rc12020/04/082020.012020/02/122020.01-rc12020/02/042019.122020/01/182019.12-rc12019/12/272019.112019/12/032019.11-rc12019/11/212019.102019/11/012019.10-rc12019/10/292019.092019/09/122019.09-rc12019/09/062021.32021/10/042021.2.22021/08/192021.2.12021/07/262021.22021/07/07常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。