Hyundai Motor Group sætter Data Flywheel i fuld drift

Hyundai Motor Group sagde i en 13. september 2026, meddelelse at de har sat deres Data Flywheel i fuld drift, og detaljerede en dobbeltsporet køreplan for autonom kørsel samt det, de kaldte den første fremvisning af deres Level 2++-teknologi på HMG Autonomous Driving Media Day, afholdt på 42dots hovedkontor i Gyeonggi-provinsen, Sydkorea.

Under arrangementet præsenterede koncernen deres strategi for udvikling af autonom kørsel, teknologiske køreplan, nøglepræstationer og implementeringsplaner. 42dot introducerede nøgle‑teknologier og udviklingsfremskridt for Atria AI, koncernens proprietære kunstige intelligens til autonom kørsel, og skitserede deres Vision-Language-Action (VLA)-teknologiudviklingsinitiativ. Gruppen afslørede også optagelser af et Atria AI‑udstyret SDV Testbed, der navigerede i kompleks bytrafik uden førerindgriben, og opererede med Level 2++‑kapacitet.

“Konkurrenceevnen bestemmes af, hvor meget data du sikrer, hvor hurtigt du lærer, og hvor effektivt du kan omsætte resultaterne til faktiske produkter og tjenester,” sagde Minwoo Park, præsident og leder af Advanced Vehicle Platform (AVP)-divisionen i Hyundai Motor Group og administrerende direktør for 42dot. Park sagde, at koncernen vil udvikle autonom køretøjsteknologi, som kunder kan stole på, baseret på en positiv cyklus af data, AI og validering.

Dobbeltsporsstrategi fastsætter produktionsmål for 2028 og 2029

Roadmappen bygger på det udvidet strategisk partnerskab med NVIDIA annonceret af Hyundai Motor Company og Kia Corporation den 16. marts 2026. Aftalen dækker udvikling af autonom kørsel fra Level 2 til Level 4 på en integreret arkitektur baseret på NVIDIA DRIVE Hyperion-platformen, en samlet læringspipeline, der spænder over indsamling af realverdensdata, AI-modelltræning og implementering i produktionskøretøjer, samt yderligere drøftelser om at fremme Level 4-robotaxi-funktioner gennem Motional, koncernens joint venture inden for autonome køretøjer.

Under Spor Ét vil koncernen integrere NVIDIAs AI‑computing platform til køretøjer og software til autonom kørsel i sin softwaredefinerede køretøjs (SDV) arkitektur. Produktionskøretøjer udstyret med NVIDIA‑baserede Level 2+-autonome kørefunktioner er målrettet til første halvdel af 2028, mens Level 2++‑produktionskøretøjer er målrettet til anden halvdel af 2028. Sensorsystemer, der anvendes på tværs af Hyundai Motor, Kia, 42dot og Motional, vil gradvist blive standardiseret omkring NVIDIA DRIVE Hyperion 10, en ændring som koncernen siger vil understøtte mere konsistent dataindsamling og udnyttelse til AI‑træning og -validering.

Spor To fokuserer på Atria AI, et proprietært end‑to‑end autonomt køretøjssystem, der er fællesudviklet af AVP‑divisionen og 42dot under en integreret udviklingsramme. Produktion af Atria AI‑drevne Level 2++‑køretøjer er målrettet til anden halvdel af 2029, med funktioner, der skrider frem i faser baseret på realverdenskørselsdata indsamlet fra produktionskøretøjer.

Hvordan Data Flywheel fungerer

Data Flywheel fungerer som en cyklus, hvor data indsamlet fra køretøjer bruges til at træne og validere AI‑modeller, hvorefter de forbedrede modeller implementeres tilbage i køretøjerne for at generere nye data. Gruppen siger, at Hyundai Motor og Kia sælger mere end 7 millioner køretøjer årligt på omkring 190 lande og regioner, og at de i øjeblikket har omkring 40 dedikerede dataindsamlingskøretøjer i drift døgnet rundt. Indsamlede datasæt omfatter rutinemæssige kørselsituationer såvel som edge cases: vejarbejdszoner og infrastrukturvariationer, ekstreme vejrforhold, pludselige vognbaneskift og nødhåndteringer, parkerede køretøjer på sidegader og smalle veje samt komplekse bytrafikdynamikker.

Siden begyndelsen af 2026 har koncernen integreret nye læringsteknologier i systemet. Hard Example Mining identificerer automatisk udfordrende kørselsituationer, som AI‑modeller har svært ved at genkende eller fortolke, og prioriterer disse scenarier til træning. En Continuous Training Pipeline indarbejder nyindhentede data fra realverdenskørsel og validering i modeltræning, hvor køretøjs‑evalueringsresultater føres tilbage til dataindsamling og modeludvikling. Virtual Validation Technology rekonstruerer realverdenskørselsdata i tredimensionelle miljøer ved hjælp af grafikteknikker som 3D Gaussian Splatting for at genskabe scenarier, der er vanskelige eller potentielt usikre at reproducere i virkelige tests.

En Follow-the-Sun‑udviklingsmodel forbinder centre i Sydkorea og USA, så teams kan udnytte tidszoneforskelle til at udføre dataindsamling, problemanalyse og modelforbedring i kontinuerlige 24‑timers cyklusser. Gruppen integrerer gradvist sin Special Event Recorder, som automatisk optager og gemmer væsentlige begivenheder under autonom kørsel, i Data Flywheel, primært for at støtte modeltræning og præstationsforbedring. Den etablerer også en Data Union‑ramme baseret på standardiserede sensorarkitekturer og datastrukturer, så data genereret på tværs af flere køretøjer og organisationer kan akkumuleres under fælles standarder, i første omgang på tværs af Hyundai Motor, Kia, 42dot og Motional.

Junghyun Kwon, Executive Vice President og leder af Hyundai Motor Groups Autonomous Driving Development Center samt leder af 42dot Autonomous Driving Division, sagde, at konkurrenceevnen afhænger mindre af datavolumen end af, hvor hurtigt data knyttes til læring, validering og præstationsforbedring. Seonggyun Jeong, Group Lead for 42dots Atria Group, sagde, at koncernen løbende forbedrer ydeevnen og modenheden af Atria AI gennem en integreret udviklingscyklus, der spænder over dataindsamling, modeltræning og realverdensvalidering af køretøjer.

Gwangju Level 4-pilot

I samarbejde med Sydkoreas Ministerium for Land, Infrastruktur og Transport planlægger koncernen at implementere Atria AI‑udstyret SDV Pace Car i Jeonnam‑Gwangju Special Metropolitan City inden udgangen af 2026. Piloten vil drive autonome køretøjer på faktiske koreanske veje med kompleks trafikdynamik og uforudsigelige variable, som koncernen beskriver som forhold, der grundlæggende adskiller sig fra kontrollerede testbaner. Den siger, at kørsels‑scenarier og nødsituationer indsamlet under implementeringen vil blive ført tilbage til Data Flywheel, hvilket forbedrer både Level 2+-masseproduktions førerassistanceteknologi og valideringen af avancerede Level 4‑funktioner.

Seoul‑køreoptagelser og VLA‑udvikling

Gruppen udgav også videooptagelser af Atria AI‑udstyret SDV Testbed, der navigerede i faktisk Seoul‑trafik uden førerindgriben, præsenteret i tre kategorier. En ledelses‑ride‑along‑video viser Park og Jeong, der rejser gennem det centrale Seoul via motorveje, store hovedveje, broer og bygader, og diskuterer Atria AI’s udviklingsproces, nuværende tekniske kapaciteter og beslutningsmekanismer under kørslen. En‑tag‑sekvens optager den tætte morgenrush‑trafik i Gangnam, høj‑densitetstrafik i Jamsil med hyppige interaktioner med store køretøjer som busser, samt regnfuld bykørsel i Pangyo, hver af dem varer cirka to til fire minutter uden redigering bortset fra justering af afspilningshastighed.

En tredje video præsenterer ti edge‑case‑scenarier, herunder undgåelse af køretøjer parkeret langs vejkanten, reaktion på pludselige indkørsler, navigation af ubeskyttede venstresving, detektion af fodgængere i tætte områder og identifikation af modkørende køretøjer på smalle nabolagsveje. Park sagde, at udviklingshastighed og sikkerhed ikke er modstridende værdier, og at koncernen kun vil anvende grundigt valideret teknologi i sine køretøjer.

Udover sine eksisterende end-to-end-modeller udvikler 42dot Vision-Language-Action-modeller, der kombinerer genkendelse af visuel information, sprogbaseret ræsonnement og handlingsgenerering i en enkelt ramme. 42dot beskriver VLA som en nøgle-teknologi for Physical AI-anvendelser, herunder autonom kørsel og robotteknik, og siger, at den tilføjede sprogbaserede ræsonnement muliggør forbedret beslutningstagning og forklarlighed i komplekse kørsels‑scenarier. De forventer, at VLA vil forbedre responsen på sjældne kørsels‑situationer ved at trække på sprogbaseret ræsonnement og stor‑skala forudtrænet viden, som er vanskelig at lære kun fra kørselsdata. 42dot udgav også udviklingsoptagelser, der viser, hvordan VLA‑modellen fortolker kørsels‑situationer og udskriver sit ræsonnement på naturligt sprog under køretøjets drift.

“VLA er en kerne‑teknologi til implementering af Physical AI, hvor AI går ud over blot at køre for at forstå situationer, ræsonnere om dem og handle,” sagde HeeSeok Lee, gruppeleder for 42dot’s Trion Group.

42dots VLA-baserede autonome køretøjsteknologi er i øjeblikket i den simulationsbaserede modelvalideringsfase, og den fulde udviklingsproces, inklusive test i rigtige køretøjer, er planlagt fra slutningen af 2026 til begyndelsen af 2027.