Hyundai Motor Group käynnistää Data Flywheel -mekanismin täyteen toimintaan

Hyundai Motor Group ilmoitti 13. syyskuuta 2026, julkaisu että se on ottanut Data Flywheel -mekanismin täyteen käyttöön, esittäen kaksirataisen autonomisen ajon tiekartan ja sen sanoman ensimmäisen esittelyn Level 2++ -teknologiasta HMG Autonomous Driving Media Day -tapahtumassa, joka pidettiin 42dotin pääkonttorissa Gyeonggi-provinssissa, Etelä-Koreassa.

Tapahtuman aikana ryhmä esitteli autonomisen ajon kehitysstrategiansa, teknologiakartan, keskeiset saavutukset ja toteutussuunnitelmat. 42dot esitteli keskeisiä teknologioita ja kehitysprosessia Atria AI:lle, ryhmän omistautuneelle autonomisen ajon tekoälylle, sekä hahmotti Vision-Language-Action (VLA) -teknologian kehityshankkeen. Ryhmä myös julkisti videomateriaalia Atria AI:lla varustetusta SDV Testbedistä, joka navigoi monimutkaisessa kaupunkiliikenteessä ilman kuljettajan puuttumista, toimien Level 2++ -kyvyllä.

“Kilpailukyky määräytyy sen perusteella, kuinka paljon dataa keräät, kuinka nopeasti opit ja kuinka tehokkaasti voit heijastaa tuloksia todellisissa tuotteissa ja palveluissa,” sanoi Minwoo Park, Hyundai Motor Groupin Advanced Vehicle Platform (AVP) -osaston johtaja ja 42dotin toimitusjohtaja. Park totesi, että ryhmä kehittää autonomisen ajon teknologiaa, johon asiakkaat voivat luottaa datan, tekoälyn ja validoinnin myönteisen syklin perusteella.

Kaksirataisen strategian asettaa tuotantotavoitteet vuodelle 2028 ja 2029

Tiekartta perustuu laajennettuun strategiseen kumppanuuteen NVIDIA:n kanssa, jonka Hyundai Motor Company ja Kia Corporation ilmoittivat 16. maaliskuuta 2026. Tämä sopimus kattaa autonomisen ajon kehittämisen tasolta 2 tasolle 4 integroidussa arkkitehtuurissa, joka on rakennettu NVIDIA DRIVE Hyperion -alustalle, yhtenäinen oppimispolku, joka kattaa todellisen maailman datankeruun, tekoälymallien koulutuksen ja käyttöönoton tuotantovehikoissa, sekä lisäkeskustelut Level 4 -robotaksikykyjen edistämisestä Motionalin, ryhmän autonomisen ajoneuvon yhteisyrityksen, kautta.

Radan Yksi alla ryhmä integroi NVIDIA:n ajoneuvon tekoälylaskentaplatformin ja autonomisen ajon ohjelmiston ohjelmistomääriteltyyn ajoneuvoarkkitehtuuriinsa (SDV). NVIDIA-pohjaisten Level 2+ -autonomisen ajon kykyjen varustetut tuotantovehikot on suunnattu ensimmäiselle puoliskolle 2028, ja Level 2++ -tuotantovehikot toiselle puoliskolle 2028. Hyundai Motorin, Kian, 42dotin ja Motionalin käyttämät anturijärjestelmät standardoidaan asteittain NVIDIA DRIVE Hyperion 10:n ympärille, mikä ryhmän mukaan tukee johdonmukaisempaa datankeruuta ja hyödyntämistä tekoälyn koulutuksessa ja validoinnissa.

Rata Kaksi keskittyy Atria AI:hin, omistettuun end-to-end -autonomisen ajon järjestelmään, jonka AVP-divisioona ja 42dot ovat yhdessä kehittäneet integroidun kehityskehyksen alla. Atria AI -ohjattujen Level 2++ -ajoneuvojen tuotanto on suunnattu vuoden 2029 toiselle puoliskolle, ja kyvyt kehittyvät vaiheittain tuotantovehikoista kerätyn todellisen ajodatan perusteella.

Miten Data Flywheel toimii

Data Flywheel toimii syklinä, jossa ajoneuvoista kerättyä dataa käytetään tekoälymallien kouluttamiseen ja validointiin, ja parannettuja malleja otetaan sitten takaisin ajoneuvoihin tuottamaan uutta dataa. Ryhmän mukaan Hyundai Motor ja Kia myyvät yli 7 miljoonaa ajoneuvoa vuosittain noin 190 maassa ja alueella, ja sillä on tällä hetkellä noin 40 omistautunutta datankeräysajoneuvoa, jotka toimivat vuorokauden ympäri. Kerätyt tietoaineistot sisältävät sekä tavallisia ajotilanteita että reunatapauksia: tie- ja infrastruktuurirakennusalueet, ankarat sääolosuhteet, äkilliset kaistanvaihdot ja hätätoimenpiteet, pysäköidyt ajoneuvot sivukaduilla ja kapeilla teillä sekä monimutkaiset kaupunkiliikenteen dynamiikat.

Vuoden 2026 alusta ryhmä on integroinut järjestelmään uusia oppimisteknologioita. Hard Example Mining tunnistaa automaattisesti haastavia ajotilanteita, joita tekoälymallit pitävät vaikeina havaita tai tulkita, ja priorisoi nämä skenaariot koulutusta varten. Jatkuva koulutusputki sisällyttää todellisesta ajosta ja validoinnista saadun uuden datan mallikoulutukseen, ja ajoneuvon arviointitulokset palautetaan datankeruuseen ja mallikehitykseen. Virtuaalinen validointiteknologia rekonstruoi todellisen ajodatan kolmiulotteisiin ympäristöihin käyttäen grafiikkatekniikoita, kuten 3D Gaussian Splattingia, luodakseen skenaarioita, jotka ovat vaikeita tai mahdollisesti vaarallisia toistaa todellisessa testauksessa.

Follow-the-Sun -kehitysmenetelmä yhdistää Etelä-Korean ja Yhdysvaltojen keskukset, jolloin tiimit voivat hyödyntää aikavyöhyke-eroja datankeruun, ongelma-analyysin ja malliparannusten toteuttamiseen jatkuvissa 24‑tunnin sykleissä. Ryhmä integroi vähitellen Special Event Recorder -laitteensa, joka tallentaa ja säilyttää automaattisesti merkittäviä tapahtumia autonomisen ajon aikana, Data Flywheel -mekanismiin, pääasiassa tukemaan mallikoulutusta ja suorituskyvyn parantamista. Se myös luo Data Union -kehyksen, joka perustuu standardoituihin anturiarkkitehtuureihin ja datarakenteisiin, jotta useiden ajoneuvojen ja organisaatioiden tuottama data voi kerääntyä yhteisten standardien mukaisesti, aluksi Hyundai Motorin, Kian, 42dotin ja Motionalin välillä.

Junghyun Kwon, Hyundai Motor Groupin autonomisen ajon kehityskeskuksen varatoimitusjohtaja ja 42dotin autonomisen ajon divisioonan johtaja, totesi, että kilpailukyky riippuu vähemmän datamäärästä kuin siitä, kuinka nopeasti data yhdistyy oppimiseen, validointiin ja suorituskyvyn parantamiseen. Seonggyun Jeong, 42dotin Atria Groupin ryhmänjohtaja, sanoi, että ryhmä parantaa jatkuvasti Atria AI:n suorituskykyä ja kypsyyttä integroidun kehityssyklin kautta, joka kattaa datankeruun, mallikoulutuksen ja todellisen ajoneuvon validoinnin.

Gwangju Level 4 -pilotti

Etelä-Korean Maa-, liikenne- ja infrastruktuuriministeriön kanssa yhteistyössä ryhmä aikoo ottaa käyttöön Atria AI -varustetun SDV Pace Car -ajoneuvon Jeonnam-Gwangju Special Metropolitan Cityssä vuoden 2026 loppuun mennessä. Pilotti käyttää autonomisia ajoneuvoja todellisilla korealaisilla teillä, joissa on monimutkaisia liikennevirtoja ja ennakoimattomia tekijöitä, joita ryhmä kuvaa olosuhteiksi, jotka poikkeavat olennaisesti kontrolloiduista testiradoista. Ryhmä sanoo, että käyttöönoton aikana kerätyt ajotilanteet ja varautumistilanteet syötetään takaisin Data Flywheel -mekanismiin, parantaen sekä Level 2+ -massatuotannon kuljettajaa avustavan teknologiaa että kehittyneiden Level 4 -kykyjen validointia.

Seoul-ajomateriaali ja VLA-kehitys

Ryhmä julkaisi myös videomateriaalia Atria AI -varustetusta SDV Testbedistä, joka navigoi todellisessa Soulin liikenteessä ilman kuljettajan puuttumista, jaetuna kolmeen kategoriaan. Johtajan mukanaolo -video näyttää Parkin ja Jeongin kulkevan läpi Keski-Soulin moottoriteiden, pääväylien, siltojen ja kaupunkikatujen, keskustellen Atria AI:n kehitysprosessista, nykyisistä teknisistä kyvyistä ja päätöksentekomekanismeista ajon aikana. Yhden otoksen sarjat tallentavat ruuhkaisen aamupikavälin liikenteen Gangnamissa, tiheän liikenteen Jamsilissa, jossa tapahtuu usein vuorovaikutuksia suurten ajoneuvojen, kuten bussien, kanssa, sekä sateisen kaupunkiajon Pangyossa, jokainen kestää noin kaksi‑neljä minuuttia ilman leikkauksia, lukuun ottamatta toistonopeuden säätöjä.

Kolmas video esittelee kymmenen reunatapauksen skenaariota, kuten tienvarren varrella pysäköityjen ajoneuvojen kiertämisen, äkilliseen ajoneuvon väistämiseen reagoimisen, suojattomien vasemmanpuoleisten käännösten navigoinnin, jalankulkijoiden havaitsemisen ruuhkaisilla alueilla ja lähestyvien ajoneuvojen tunnistamisen kapeilla naapurustoteillä. Park totesi, että kehitysnopeus ja turvallisuus eivät ole ristiriitaisia arvoja, ja että ryhmä soveltaa ajoneuvoihinsa vain perusteellisesti validoitua teknologiaa.

Sen olemassa olevien end-to-end -mallien lisäksi 42dot kehittää Vision-Language-Action -malleja, jotka yhdistävät visuaalisen informaation tunnistamisen, kielellisen päättelyn ja toiminnan generoinnin yhdeksi kehyksiksi. 42dot kuvaa VLA:ta keskeiseksi teknologianä Physical AI -sovelluksissa, mukaan lukien autonominen ajaminen ja robotiikka, ja toteaa, että lisätty kielellinen päättely mahdollistaa paremmat päätöksentekoprosessit ja selitettävyyden monimutkaisissa ajo-tilanteissa. Sen odotetaan VLA:n parantavan reaktioita harvinaisiin ajo-tilanteisiin hyödyntämällä kielellistä päättelyä ja laajamittaista esikoulutettua tietoa, jota on vaikea oppia pelkästään ajoaineistosta. 42dot julkaisi myös kehitysvideoita, jotka näyttävät, miten VLA-malli tulkitsee ajo-tilanteita ja tuottaa päättelynsä luonnollisella kielellä ajoneuvon toiminnan aikana.

“VLA on keskeinen teknologia Physical AI:n toteuttamiseen, jossa tekoäly ylittää pelkän ajamisen ymmärtäen tilanteet, päättelyn niissä ja toimimisen,” sanoi HeeSeok Lee, 42dotin Trion-ryhmän johtaja.

42dotin VLA-pohjainen autonomisen ajamisen teknologia on tällä hetkellä simulaatioon perustuvassa mallin validointivaiheessa, ja koko kehitysprosessi, mukaan lukien todellisten ajoneuvojen testaus, on suunniteltu alkamaan loppuvuodesta 2026 alkuun vuonna 2027.