01
多模态证据融合
面向文本、视频、图片、现场测绘和车辆损伤等多模态资料，先完成事故事实校核与脱敏治理，再统一到道路坐标、时间轴和参与者编号体系中。
采集环节重点保存事故发生前后的证据链，包括道路几何、交通控制、天气照明、参与者状态、车辆损伤和伤害后果，为重建过程提供可核验的数据底座。
构建方式
构建方式
从真实事故证据链出发，将事故处理资料、视频资料、现场回勘、道路几何、车损痕迹和动力学约束统一到同一条技术流程中，形成“采集治理、事故重建、场景抽取、仿真验证”的闭环构建方式。
5 步构建闭环
6 类证据融合
全链路 追溯校核
构建方式
灵境以事故处理资料、原始监控视频、行车记录仪、无人机航拍、事故现场回勘、车损勘察与人员伤情信息为基础，形成从事故采集、脱敏入库、事故重建、场景提取到仿真验证的闭环流程。
在重建阶段，系统将视频、道路几何、碰撞痕迹和车辆动力学约束统一到高精度道路坐标系中，重建事故前关键时间窗内的车辆轨迹、速度、转向、制动和交互过程，为后续场景生成、泛化测试和算法评估提供可追溯真值。
面向自动驾驶测试需求，构建流程进一步将重建结果转化为逻辑场景、参数空间和可执行场景文件。典型事故中的道路结构、交通参与者、冲突触发条件、避让动作和碰撞后果会被抽象为可组合要素，用于生成覆盖常见风险与长尾风险的测试场景。
在数据治理层面，所有样本先完成身份脱敏、证据校核、字段一致性检查和坐标体系统一，再进入事故重建与场景表达流程。每个场景会保留可追溯的原始证据索引、结构化变量、关键时间窗和仿真输出要求，确保后续测试既能复现真实风险，又能按参数空间进行扩展。
- 01多源事故采集与脱敏治理
- 02道路环境与参与者结构化建模
- 03事故前轨迹与碰撞过程重建
- 04典型场景提取、聚类与参数化表达
- 05仿真回放、泛化衍生与测试验证
构建环节
围绕真实事故证据、重建轨迹和可执行仿真文件，构建方式被拆分为采集治理、重建抽取和仿真验证三个连续环节。
02
事故重建与场景抽取
通过视频标定、轨迹重建、碰撞位置反演和动力学约束校验，提取碰撞前关键时间窗内的触发条件、冲突关系和运动边界。
系统将事故样本进一步拆解为道路结构、参与者类型、运动状态、冲突触发条件、避让行为和碰撞后果等要素，形成可以检索、组合和泛化的逻辑场景。
重建链路
- 道路复原以现场道路影像、航拍图和地图资料校核车道线、路口几何、交通组织和碰撞点位置，转换为可计算的 CAD 道路模型。
- 运动反演结合监控视频、行车记录、车辆终止位置、制动痕迹和散落物位置，反推事故前速度、轨迹、转向和制动过程。
- 动力学校核在 PC-Crash 中输入车辆参数、接触点和运动边界，对碰撞过程进行动力学反演，校核碰撞姿态与变形能量。
- 场景抽取将重建结果沉淀为道路、参与者、触发条件、冲突过程和输出指标，支撑后续检索、泛化和仿真回放。
道路模型CAD / OpenDRIVE
运动轨迹位置 / 速度 / 时序
碰撞边界接触点 / 角度 / 变形
03
仿真验证与泛化测试
将重建场景接入仿真平台，基于参数扰动、危险空间搜索和算法评价指标生成衍生场景，验证自动驾驶系统在不同工况下的安全边界。
输出结果可服务于传感器感知、预测决策、规划控制和整车安全策略验证，并为后续标准研究和测试规程制定提供可重复的场景证据。
Closed Loop
从真实事故到测试场景的闭环
构建方式强调“真实数据牵引、重建数据校准、仿真场景复现、测试结果反馈”的闭环机制。通过场景筛选、仿真环境搭建、智能体测试和结果评估，事故样本能够持续转化为可用于算法研发、系统验证和标准研究的测试资源。
当仿真测试发现算法在某类参数组合下存在高风险响应时，结果会回流到场景库中，补充危险边界、触发条件和评价指标。这样既能保留真实事故的经验约束，也能不断扩展自动驾驶测试所需的长尾场景。
灵境测试场景库测试应用示例
以 1 起真实事故为牵引，完成真实事故重建衍生，形成 20 万个衍生场景，并通过虚拟测试、整车在环、虚实结合和实车测试构成逐级验证闭环。
Application Example
从真实事故到实车测试的逐级验证闭环
场景库将事故视频、现场调查和重建结果作为源头，通过场景精炼、场景衍生、场景筛选和边界能力定位，把单起事故扩展为可复现、可筛选、可评价的测试场景集合。
1 起真实事故
20 万个重建衍生场景
闭环仿真到实车验证
真实事故
基于事故视频、事故调查和现场证据，锁定冲突过程与关键风险片段。
真实事故重建衍生
重建车辆运动、交互关系和碰撞过程，将事故样本转化为可参数化场景。
衍生场景
结合场景精炼、生成、筛选和定位算法，形成覆盖风险边界的场景集合。
加速验证技术路线
由软件闭环到整车在环、虚实结合与实路确认，逐级验证场景有效性。
