清华大学智能产业研究院（AIR）赵昊课题组联合小米汽车等单位，推出首个面向大型动态驾驶场景的无姿态前馈三维重建框架DGGT（Driving Gaussian Grounded Transformer）。该方法仅需稀疏、未标定的图像输入，即可在0.4秒内完成4D场景重建，输出相机位姿、深度、动态实例与3D Gaussian表示，实现高速、可扩展的自动驾驶仿真新范式。 DGGT突破传统方法依赖逐场景优化、相机标定和短时窗口的限制，将位姿预测从输入转为输出，实现“端到端”4D重建。其核心创新在于融合ViT与DINO先验，通过多头并行预测（包括相机位姿、动态分割、寿命建模、运动估计等），并在渲染后引入单步扩散精修，有效抑制运动插值伪影，显著提升时空一致性和渲染自然度。 在Waymo数据集上训练的DGGT，无需微调即可在nuScenes与Argoverse2上实现优异的零样本泛化性能，关键感知指标相比STORM提升超50%。尤其在LPIPS指标上，分别下降61.4%与52.5%，证明其对不同传感器配置和行驶轨迹具有强大鲁棒性。 DGGT具备出色的可扩展性：输入视角从4增至16时，重建与新视角合成性能保持稳定，而对比方法性能显著下降，适用于大规模自动驾驶日志处理。其lifespan head模块有效建模静态区域随时间的光照与反射变化，去除后PSNR下降3.2 dB，说明时间一致性建模对真实感至关重要。Motion head则实现像素级3D位移预测，保障动态物体在时序上的连续性。 此外，DGGT支持在3D Gaussian层面进行实例级编辑，如增删移动车辆、插入新对象，配合扩散精修自动补洞与平滑边界，生成结果自然可信。这使其不仅为重建工具，更成为可编辑的4D场景资产生成器，广泛适用于自动驾驶仿真、数据增强与评测等下游任务。 该项目已开源，代码与项目主页已上线，为推动高阶自动驾驶环境建模与AI理解能力发展提供重要技术支撑。