Hyundai Motor Group setzt das Data Flywheel in den Vollbetrieb.

Hyundai Motor Group teilte in einer 13. September 2026, Ankündigung mit, dass es sein Data Flywheel in den Vollbetrieb genommen hat, wobei es eine duale Fahrspur‑Strategie für autonomes Fahren sowie das, was es als erste Präsentation seiner Level‑2++‑Technologie beim HMG Autonomous Driving Media Day bezeichnete, detaillierte, die im Hauptsitz von 42dot in der Provinz Gyeonggi, Südkorea, stattfand.

Während der Veranstaltung stellte die Gruppe ihre Entwicklungsstrategie für autonomes Fahren, den Technologie‑Fahrplan, wichtige Erfolge und Umsetzungspläne vor. 42dot stellte die Schlüsseltechnologien und den Entwicklungsfortschritt von Atria AI vor, der firmeneigenen künstlichen Intelligenz für autonomes Fahren, und skizzierte ihre Initiative zur Entwicklung der Vision‑Language‑Action‑Technologie (VLA). Die Gruppe enthüllte zudem Aufnahmen eines mit Atria AI ausgestatteten SDV‑Testbeds, das im komplexen Stadtverkehr ohne Fahrereingriff operierte und die Level‑2++‑Fähigkeit demonstrierte.

“Wettbewerbsfähigkeit wird dadurch bestimmt, wie viele Daten Sie sichern, wie schnell Sie lernen und wie effektiv Sie diese Ergebnisse in tatsächlichen Produkten und Dienstleistungen widerspiegeln können”, sagte Minwoo Park, Präsident und Leiter der Advanced Vehicle Platform (AVP) Division bei Hyundai Motor Group und CEO von 42dot. Park erklärte, dass die Gruppe autonome Fahrtechnologie entwickeln werde, der Kunden vertrauen können, basierend auf einem positiven Kreislauf aus Daten, KI und Validierung.

Dual‑Track‑Strategie legt Produktionsziele für 2028 und 2029 fest

Der Fahrplan baut auf der erweiterten strategischen Partnerschaft mit NVIDIA auf, die von Hyundai Motor Company und Kia Corporation am 16. März 2026 angekündigt wurde. Diese Vereinbarung deckt die Entwicklung des autonomen Fahrens von Level 2 bis Level 4 auf einer integrierten Architektur ab, die auf der NVIDIA DRIVE Hyperion‑Plattform basiert, sowie eine einheitliche Lernpipeline, die die Erfassung von Real‑World‑Daten, das Training von KI‑Modellen und deren Einsatz in Serienfahrzeugen umfasst, und beinhaltet weitere Gespräche zur Weiterentwicklung von Level‑4‑Robotaxi‑Fähigkeiten über Motional, das Joint Venture der Gruppe für autonome Fahrzeuge.

Im Rahmen von Track One wird die Gruppe die Fahrzeug‑KI‑Computing‑Plattform und die autonome Fahrsoftware von NVIDIA in ihre Software‑Defined‑Vehicle‑(SDV‑)Architektur integrieren. Produktionsfahrzeuge, die mit NVIDIA‑basierten Level‑2+‑Fähigkeiten für autonomes Fahren ausgestattet sind, sollen in der ersten Hälfte des Jahres 2028 auf den Markt kommen, während Level‑2++‑Produktionsfahrzeuge für die zweite Hälfte des Jahres 2028 geplant sind. Die Sensorsysteme, die bei Hyundai Motor, Kia, 42dot und Motional eingesetzt werden, sollen schrittweise um NVIDIA DRIVE Hyperion 10 standardisiert werden – eine Änderung, von der die Gruppe sagt, dass sie eine konsistentere Datenerfassung und -nutzung für das KI‑Training und die Validierung unterstützt.

Track Two konzentriert sich auf Atria AI, ein firmeneigenes End‑to‑End‑System für autonomes Fahren, das gemeinsam von der AVP‑Division und 42dot im Rahmen eines integrierten Entwicklungs‑Frameworks entwickelt wurde. Die Produktion von mit Atria AI ausgestatteten Level‑2++‑Fahrzeugen ist für die zweite Hälfte des Jahres 2029 geplant, wobei die Fähigkeiten in Phasen auf Basis von Real‑World‑Fahrdaten, die von Produktionsfahrzeugen gesammelt werden, weiterentwickelt werden.

Wie das Data Flywheel funktioniert

Das Data Flywheel funktioniert als ein Zyklus, bei dem aus Fahrzeugen gesammelte Daten zum Training und zur Validierung von KI‑Modellen verwendet werden, wobei verbesserte Modelle anschließend wieder in die Fahrzeuge zurückgespielt werden, um neue Daten zu erzeugen. Die Gruppe gibt an, dass Hyundai Motor und Kia jährlich mehr als 7 Millionen Fahrzeuge in etwa 190 Ländern und Regionen verkaufen und derzeit rund 40 dedizierte Datensammelfahrzeuge rund um die Uhr betreiben. Die gesammelten Datensätze umfassen routinemäßige Fahrszenarien sowie Randfälle: Baustellenbereiche und Infrastrukturvarianten, schwere Wetterbedingungen, abrupte Spurwechsel und Notfallmanöver, geparkte Fahrzeuge in Nebenstraßen und engen Straßen sowie komplexe städtische Verkehrsdynamiken.

Seit Anfang 2026 hat die Gruppe neue Lerntechnologien in das System integriert. Hard‑Example‑Mining identifiziert automatisch herausfordernde Fahrsituationen, die KI‑Modelle nur schwer erkennen oder interpretieren können, und priorisiert diese Szenarien für das Training. Eine Continuous‑Training‑Pipeline integriert neu erworbene Daten aus realen Fahr‑ und Validierungsprozessen in das Modelltraining, wobei die Ergebnisse der Fahrzeugbewertung zurück in die Datensammlung und Modellentwicklung fließen. Die Virtual‑Validation‑Technology rekonstruiert reale Fahrdaten in dreidimensionale Umgebungen und nutzt Grafiktechniken wie 3D‑Gaussian‑Splatting, um Szenarien nachzubilden, die im realen Test schwer oder potenziell unsicher zu reproduzieren sind.

Ein Follow‑the‑Sun‑Entwicklungsmodell verbindet Standorte in Südkorea und den USA und ermöglicht es den Teams, die Zeitzonendifferenz zu nutzen, um Datensammlung, Fehlermanalyse und Modellverbesserung über kontinuierliche 24‑Stunden‑Zyklen hinweg durchzuführen. Die Gruppe integriert nach und nach ihren Special Event Recorder, der während des autonomen Fahrens automatisch bedeutende Ereignisse aufzeichnet und speichert, in das Data Flywheel, vor allem zur Unterstützung des Modelltrainings und der Leistungsverbesserung. Zudem wird ein Data‑Union‑Framework auf Basis standardisierter Sensorarchitekturen und Datenstrukturen geschaffen, damit Daten, die von mehreren Fahrzeugen und Organisationen erzeugt werden, nach gemeinsamen Standards aggregiert werden können, zunächst bei Hyundai Motor, Kia, 42dot und Motional.

Junghyun Kwon, Executive Vice President und Leiter des Autonomous Driving Development Center der Hyundai Motor Group sowie Leiter der Autonomous Driving Division bei 42dot, sagte, dass Wettbewerbsfähigkeit weniger vom Datenvolumen abhänge, als davon, wie schnell Daten mit Lernen, Validierung und Leistungsverbesserung verknüpft werden. Seonggyun Jeong, Group Lead der Atria‑Gruppe von 42dot, erklärte, dass die Gruppe die Leistung und Reife von Atria AI kontinuierlich durch einen integrierten Entwicklungszyklus verbessert, der Datensammlung, Modelltraining und Validierung im realen Fahrzeug umfasst.

Gwangju Level‑4‑Pilot

In Zusammenarbeit mit dem südkoreanischen Ministerium für Land, Infrastruktur und Verkehr plant die Gruppe, das mit Atria AI ausgestattete SDV‑Pace‑Car bis Ende 2026 in der Sondermetropolregion Jeonnam‑Gwangju einzusetzen. Der Pilot wird autonome Fahrzeuge auf echten koreanischen Straßen mit komplexen Verkehrs‑Dynamiken und unvorhersehbaren Variablen betreiben, die die Gruppe als grundlegend von kontrollierten Teststrecken verschieden beschreibt. Sie erklärt, dass während des Einsatzes erfasste Fahrszenarien und Ausnahmesituationen in das Data Flywheel zurückgeführt werden, um sowohl die Level‑2+‑Massenproduktions‑Fahrerassistenztechnologie als auch die Validierung fortgeschrittener Level‑4‑Fähigkeiten zu verbessern.

Seoul‑Fahraufnahmen und VLA‑Entwicklung

Die Gruppe veröffentlichte zudem Videoaufnahmen des mit Atria AI ausgestatteten SDV‑Testbeds, das im realen Verkehr von Seoul ohne Fahrereingriff navigierte, präsentiert in drei Kategorien. Ein Executive‑Ride‑Along‑Video zeigt Park und Jeong, wie sie durch das Zentrum von Seoul über Schnellstraßen, Hauptverkehrsadern, Brücken und Stadtstraßen fahren und dabei den Entwicklungsprozess von Atria AI, die aktuellen technischen Fähigkeiten und die Entscheidungsmechanismen während der Fahrt diskutieren. Ein‑Take‑Sequenzen fangen den verstopften morgendlichen Berufsverkehr in Gangnam, den dichten Verkehr in Jamsil mit häufigen Interaktionen großer Fahrzeuge wie Bussen und das regnerische Stadtfahren in Pangyo ein, jeweils etwa zwei bis vier Minuten lang, ohne Schnitte außer Anpassungen der Wiedergabegeschwindigkeit.

Ein drittes Video zeigt zehn Randfallszenarien, darunter das Ausweichen von am Straßenrand geparkten Fahrzeugen, das Reagieren auf plötzlich einschneidende Fahrzeuge, das Befahren ungeschützter Linksabbiegungen, das Erkennen von Fußgängern in dicht besiedelten Bereichen und das Identifizieren entgegenkommender Fahrzeuge auf engen Nachbarschaftsstraßen. Park erklärte, dass Entwicklungs‑geschwindigkeit und Sicherheit keine gegensätzlichen Werte seien und dass die Gruppe nur gründlich validierte Technologie in ihren Fahrzeugen einsetzen werde.

Über seine bestehenden End-to-End-Modelle hinaus entwickelt 42dot Vision-Language-Action-Modelle, die visuelle Informationserkennung, sprachbasierte Schlussfolgerungen und Aktionsgenerierung in einem einzigen Rahmen kombinieren. 42dot beschreibt VLA als Schlüsseltechnologie für Physical‑AI‑Anwendungen, einschließlich autonomem Fahren und Robotik, und erklärt, dass die zusätzliche sprachbasierte Argumentation zu verbesserten Entscheidungsprozessen und besserer Erklärbarkeit in komplexen Fahrszenarien führt. Es wird erwartet, dass VLA die Reaktionen auf seltene Fahrsituationen verbessert, indem es auf sprachbasierte Schlussfolgerungen und groß angelegtes vortrainiertes Wissen zurückgreift, das allein aus Fahrdaten nur schwer zu erlernen ist. 42dot hat zudem Entwicklungsaufnahmen veröffentlicht, die zeigen, wie das VLA‑Modell Fahrsituationen interpretiert und seine Argumentation während des Fahrzeugbetriebs in natürlicher Sprache ausgibt.

„VLA ist eine Kerntechnologie für die Umsetzung von Physical AI, bei der KI über das reine Fahren hinausgeht, um Situationen zu verstehen, sie zu durchdenken und zu handeln“, sagte HeeSeok Lee, Gruppenleiter der Trion‑Gruppe von 42dot.

Die auf VLA basierende autonome Fahrtechnologie von 42dot befindet sich derzeit in der simulationsbasierten Modellvalidierungsphase, wobei der gesamte Entwicklungsprozess, einschließlich Tests an realen Fahrzeugen, für Ende 2026 bis Anfang 2027 geplant ist.