TIER IV تكشف عن خمسة نماذج مفتوحة المصدر للقيادة الذاتية

أعلنت TIER IV في 11 نوفمبر 2026 عن تطوير خمسة نماذج ذكاء اصطناعي للقيادة الذاتية من البداية إلى النهاية وإتاحتها مفتوحة المصدر لصالح Autoware، وتشمل هذه النماذج أنظمة تعتمد على الكاميرات فقط، إلى جانب تكوينات تضيف LiDAR والرادار والخرائط عالية الدقة. وتوفر هذه المجموعة لشركات صناعة السيارات وشركائها في مجال التكنولوجيا خيارات متعددة لتحسين النماذج ودمجها في أنظمة المركبات.

تضم المجموعة NVIDIA Alpamayo 2 Edge وAutoE2E وMETEOR وOnePlanner وLatentDrive. وتربط تصاميمها من طرف إلى طرف بين إدراك البيئة وتوليد مسارات القيادة، لكن النماذج تختلف في متطلبات المستشعرات ونهج التخطيط ومدى جاهزيتها: فقد دُمج بعضها مع Autoware، فيما لا يزال تكييف نماذج أخرى للمركبات أو دمجها جارياً.

تقدّم TIER IV هذه النماذج بوصفها نتائج تقنية ملموسة لـAutoware 2.0، وهي البنية المعمارية للجيل التالي التي كشفت تفاصيلها في 2 نوفمبر 2026. وتجمع هذه البنية بين الأساليب القائمة على الذكاء الاصطناعي والأساليب التقليدية القائمة على القواعد، وتضيف نظام فهرسة مرناً يتيح دمج البرمجيات على نحو معياري، كما توفر إطار Reference Design يهدف إلى تسهيل التبني التجاري عبر مختلف المركبات والتطبيقات وبيئات التشغيل.

نماذج مختلفة لمركبات مختلفة

تذكر TIER IV أن Alpamayo 2 Edge يحتوي على ملياري معلمة، مقارنةً بـ34 مليار معلمة في Alpamayo 2 Super، ويعتمد على صور الكاميرات والاستدلال وحدهما لتوليد مسارات القيادة. وقد اكتمل دمجه مع Autoware، لكن TIER IV لا تزال تعمل على تحسين النموذج وتكييفه مع المركبات الفعلية.

تقود مؤسسة Autoware وTIER IV تطوير AutoE2E. وتقدّر TIER IV عدد معلماته بـ79.9 مليوناً، وتقول إنه قادر على العمل على منصات حوسبة تتجاوز أجهزة NVIDIA، مع إعدادات تتراوح بين الاكتفاء بالكاميرات ودمج الليدار والرادار. وتجمع بنيته السريعة والبطيئة بين نموذج تفاعلي لاتخاذ القرارات في الوقت الفعلي، ونماذج للعالم والاستدلال تتنبأ بالتغيرات البيئية وتدعم قرارات القيادة.

يحتوي METEOR، الذي طورته TIER IV بشكل مستقل ويستهدف أساساً سيارات الركاب المملوكة للأفراد، على 16 مليون معلمة. وتقول TIER IV إن شبكته العصبية الالتفافية تستخدم تمثيلاً من منظور علوي لمعالجة المهام بدءاً من الإدراك وصولاً إلى توليد المسارات ضمن شبكة واحدة، من دون الاعتماد على خرائط عالية الدقة. ويقبل صوراً من كاميرا واحدة إلى ثماني كاميرات، ويمكن إضافة الليدار والرادار إليه، كما يدعم منصات أشباه الموصلات من NVIDIA وRenesas.

تقول TIER IV إن OnePlanner يجمع بين الإدراك وتخطيط الحركة. ويستخدم حالياً BEVFusion لإنشاء تمثيل من منظور علوي انطلاقاً من السحب النقطية لليدار، ويمرر السمات المستخلصة أثناء الإدراك مباشرةً إلى المخطِّط، ما يقلل التحويلات الوسيطة إلى مواقع الأجسام وسرعاتها. كما يدمج الخرائط عالية الدقة ومعلومات المسار وحالات إشارات المرور وحالات حركة المركبة لتوليد مسارات تمتد ست ثوانٍ. وقد اكتمل دمجه مع Autoware.

يستخدم LatentDrive نهج V-JEPA، وهو أسلوب للتعلم الذاتي الإشراف، لتمثيل السمات المستخلصة من فيديو الكاميرا في فضاء كامن وتوليد المسارات من دون الكشف عن الأجسام وتتبعها في مراحل وسيطة. وتقول TIER IV إنه لا يحتاج إلى خرائط عالية الدقة، وينتج مسارات تمتد أربع ثوانٍ باستخدام الفيديو ومعلومات المسار وحالات حركة المركبة. وهو يدعم كاميرا واحدة أو ثلاث كاميرات، فيما لا يزال دمجه مع Autoware والتحقق منه داخل المركبات قيد التنفيذ.

ما الذي يتضمنه AutoE2E V1.0

أصدر فريق عمل سيارات الأجرة ذاتية القيادة التابع لمؤسسة Autoware، برعاية TIER IV، AutoE2E v1.0 في 11 نوفمبر 2026، بموجب ترخيص Apache 2.0 للاستخدام البحثي والتجاري، مع إتاحة نقاط التحقق المدرَّبة أيضاً. ويشمل الإصدار النموذج التفاعلي، الذي يعمل بتردد 10 هرتز، ويدمج مشاهد من ست كاميرات في تمثيل من منظور علوي، ويخطط للتسارع والتوجيه لمدة 6.4 ثوانٍ. ولا تزال طبقتا نموذج العالم والاستدلال قيد التطوير للعمل مع المخطِّط نفسه.

وذكرت المؤسسة أن نموذج AutoE2E بعد ضبطه الدقيق حقق متوسط خطأ إزاحة قدره 0.744 متر على مدى ثلاث ثوانٍ في التحقق باستخدام بيانات مسجلة، وجاء في المرتبة الثانية بين ثمانية إعدادات ذات أوزان مفتوحة في المقارنة التي أجرتها. وفي ذلك الاختبار ذي الحلقة المفتوحة، تنبأت النماذج بالمسار استناداً إلى إطارات كاميرا مسجلة، ثم قُيّمت بمقارنتها بالمسار الفعلي الذي سلكه السائق البشري؛ كما زُوّد AutoE2E بصورة نقطية للخريطة ومسار، في حين اختلفت المدخلات بين النماذج. لذلك، تتعلق النتيجة بالتنبؤ بالمسارات استناداً إلى بيانات مسجلة، لا بأداء القيادة على الطرق من دون سائق.

دُمج AutoE2E مع Autoware لإجراء تقييمات الحلقة المفتوحة، فيما يجري اختبار الحلقة المغلقة على مركبات فعلية لتقييم القيادة التفاعلية. وتقول المؤسسة إن أداء النشر ومتطلبات الموارد لا يزالان خاضعين للتقييم بحسب المنصة، وإنها تخطط لإجراء مزيد من التجارب على الطرق في عام 2027. ويستهدف المشروع تطبيقات تمتد من أنظمة مساعدة السائق دون استخدام اليدين من المستوى L2++ إلى التنقل المستقبلي من المستوى L4 من دون سائق، لكن L4 لا يزال هدفاً تطويرياً وليس قدرة متاحة حالياً.

التسويق التجاري وسير عمل التطوير

تقول TIER IV إنها تستخدم، في تطوير METEOR، منصة CoMET للتوسيم الآلي، المدمجة ضمن Co-MLOps، إلى جانب الذكاء الاصطناعي القائم على الوكلاء لأتمتة توسيم البيانات وتدريب النماذج وتقييمها وتحسينها، ما يلغي الحاجة إلى البرمجة والتوسيم اليدويين. ويمكن لشركات صناعة السيارات ومورّدي المكونات تحسين النموذج مفتوح المصدر بما يلائم مواصفات مركباتهم ومتطلبات الأداء الخاصة بهم.

قال المؤسس والرئيس التنفيذي شينبي كاتو إن استراتيجية النماذج المتعددة تهدف إلى مساعدة المصنّعين والمورّدين على «استيعاب التقنيات وفقًا لتطبيقاتهم ومتطلبات الأداء، دون الاعتماد على نموذج ذكاء اصطناعي أو منصة أشباه موصلات بعينها».

قال علي كاني، نائب رئيس قطاع السيارات في NVIDIA، إن دمج Alpamayo 2 Edge يوفّر للمطوّرين أساسًا مفتوحًا لنقل التقنية من مرحلة البحث إلى مركباتهم الخاصة.

تتمثل الخطوات التالية التي أعلنتها TIER IV في مواصلة تحسين الأداء، وتحسين التقنية للاستخدام داخل المركبات، وتسويقها تجاريًا بالتعاون مع شركات صناعة السيارات والشركاء عبر Autoware، وتوسيع نطاقها لتشمل أنواعًا وتطبيقات مختلفة من المركبات. وتوفّر Autoware 2.0 بنية مشتركة، لكن عدم اكتمال الاختبارات ذات الحلقة المغلقة في AutoE2E يبيّن أن إتاحة التقنية مفتوحة المصدر ونشرها في مركبات خضعت للتحقق مرحلتان منفصلتان.