TIER IV Menguraikan Lima Model Sumber Terbuka untuk Kendaraan Otonom

Pada 11 November 2026, TIER IV mengumumkan pengembangan dan ketersediaan sumber terbuka lima model AI untuk kendaraan otonom end-to-end yang dirancang untuk Autoware, mulai dari sistem yang hanya menggunakan kamera hingga konfigurasi yang menambahkan LiDAR, radar, dan peta definisi tinggi. Jajaran ini memberi produsen mobil dan mitra teknologi beberapa pilihan untuk mengoptimalkan model dan mengintegrasikannya ke dalam sistem kendaraan.

Jajaran ini terdiri atas NVIDIA Alpamayo 2 Edge, AutoE2E, METEOR, OnePlanner, dan LatentDrive. Desain end-to-end model-model ini menghubungkan persepsi terhadap lingkungan dengan pembuatan lintasan berkendara, tetapi masing-masing memiliki persyaratan sensor, pendekatan perencanaan, dan tingkat kesiapan yang berbeda: beberapa telah terintegrasi dengan Autoware, sementara adaptasi atau integrasi ke kendaraan masih berlangsung untuk model lainnya.

TIER IV menyajikan model-model tersebut sebagai hasil konkret teknologi untuk Autoware 2.0, arsitektur generasi berikutnya yang diuraikannya pada 2 November 2026. Arsitektur tersebut menggabungkan pendekatan berbasis AI dan pendekatan konvensional berbasis aturan, menambahkan skema pengindeksan fleksibel untuk integrasi perangkat lunak modular, serta menyediakan kerangka Desain Referensi yang dirancang untuk memfasilitasi adopsi komersial di berbagai kendaraan, aplikasi, dan lingkungan pengoperasian.

Model Berbeda untuk Kendaraan Berbeda

TIER IV melaporkan bahwa Alpamayo 2 Edge memiliki 2 miliar parameter, dibandingkan dengan 34 miliar pada Alpamayo 2 Super, serta hanya menggunakan citra kamera dan penalaran untuk menghasilkan lintasan berkendara. Integrasinya dengan Autoware telah selesai, tetapi TIER IV masih mengoptimalkan model tersebut dan mengadaptasikannya untuk kendaraan nyata.

Yayasan Autoware dan TIER IV memimpin pengembangan AutoE2E. TIER IV menyebut jumlah parameternya 79,9 juta dan mengatakan model ini dapat berjalan di berbagai platform komputasi, tidak hanya perangkat keras NVIDIA, dengan konfigurasi mulai dari sistem yang hanya menggunakan kamera hingga sistem yang menyertakan LiDAR dan radar. Arsitektur cepat-lambatnya memadukan Model Reaktif untuk pengambilan keputusan waktu nyata dengan Model Dunia dan Penalaran yang memprediksi perubahan lingkungan serta mendukung keputusan berkendara.

METEOR, yang dikembangkan secara independen oleh TIER IV dan terutama ditujukan untuk kendaraan penumpang milik pribadi, memiliki 16 juta parameter. Menurut TIER IV, jaringan saraf konvolusionalnya menggunakan representasi tampilan dari atas untuk menangani seluruh proses, mulai dari persepsi hingga pembuatan lintasan, dalam satu jaringan tanpa bergantung pada peta HD. Model ini menerima citra dari satu hingga delapan kamera, dapat ditambah dengan LiDAR dan radar, serta mendukung platform semikonduktor NVIDIA dan Renesas.

TIER IV mengatakan OnePlanner menggabungkan persepsi dan perencanaan gerak. Saat ini, model tersebut menggunakan BEVFusion untuk membuat representasi tampilan dari atas berdasarkan kumpulan titik LiDAR, lalu meneruskan fitur yang diekstrak selama proses persepsi langsung ke perencana, sehingga mengurangi konversi perantara menjadi posisi dan kecepatan objek. Model ini juga memanfaatkan peta HD, informasi rute, status lampu lalu lintas, dan status gerak kendaraan untuk menghasilkan lintasan berdurasi enam detik. Integrasinya dengan Autoware telah selesai.

LatentDrive menggunakan V-JEPA, pendekatan pembelajaran mandiri, untuk merepresentasikan fitur dari video kamera dalam ruang laten dan menghasilkan lintasan tanpa deteksi serta pelacakan objek perantara. TIER IV mengatakan model ini tidak memerlukan peta HD dan menghasilkan lintasan berdurasi empat detik menggunakan video, informasi rute, dan status gerak kendaraan. Model ini mendukung satu atau tiga kamera, sementara integrasi dengan Autoware dan validasi di dalam kendaraan masih berlangsung.

Cakupan AutoE2E V1.0

Kelompok Kerja Robotaksi Yayasan Autoware, yang disponsori TIER IV, merilis AutoE2E v1.0 pada 11 November 2026 dengan lisensi Apache 2.0 untuk penggunaan riset dan komersial; checkpoint yang telah dilatih juga tersedia. Rilis ini mencakup Model Reaktif yang berjalan pada 10 Hz, menggabungkan enam tampilan kamera menjadi representasi tampilan dari atas, serta merencanakan akselerasi dan kemudi selama 6,4 detik. Lapisan model dunia dan penalaran masih dikembangkan agar dapat bekerja dengan perencana yang sama.

Yayasan tersebut melaporkan bahwa model AutoE2E yang telah disetel halus mencapai galat perpindahan rata-rata 0,744 meter selama tiga detik dalam validasi menggunakan data rekaman, sehingga menempati peringkat kedua di antara delapan konfigurasi model berbobot terbuka dalam perbandingan mereka. Dalam pengujian loop terbuka tersebut, model membuat prediksi berdasarkan rekaman kamera yang tersimpan dan dinilai dengan membandingkannya terhadap lintasan aktual pengemudi manusia; AutoE2E juga menerima raster peta dan rute, sementara masukan yang digunakan berbeda-beda antar model. Karena itu, hasil tersebut berkaitan dengan prediksi lintasan berdasarkan data rekaman, bukan kinerja kendaraan tanpa pengemudi di jalan.

AutoE2E telah terintegrasi dengan Autoware untuk evaluasi loop terbuka, dan pengujian loop tertutup pada kendaraan nyata sedang berlangsung untuk menilai kemampuan berkendara interaktif. Yayasan tersebut mengatakan bahwa kinerja penerapan dan kebutuhan sumber daya masih harus dievaluasi sesuai platform, sementara uji jalan lanjutan direncanakan pada 2027. Proyek ini menargetkan aplikasi mulai dari bantuan mengemudi tanpa perlu memegang kemudi pada level L2++ hingga mobilitas otonom tanpa pengemudi level L4 pada masa mendatang, tetapi L4 masih merupakan sasaran pengembangan, bukan kemampuan saat ini.

Komersialisasi dan Alur Kerja Pengembangan

Untuk METEOR, TIER IV mengatakan bahwa mereka menggunakan CoMET, platform pelabelan otomatis dalam Co-MLOps, bersama AI berbasis agen untuk mengotomatiskan pelabelan data serta pelatihan, evaluasi, dan penyempurnaan model, sehingga tidak diperlukan pengodean dan pelabelan manual. Produsen mobil dan pemasok komponen dapat mengoptimalkan model sumber terbuka tersebut sesuai spesifikasi dan persyaratan kinerja kendaraan mereka.

Pendiri sekaligus CEO Shinpei Kato mengatakan bahwa strategi multi-model ini bertujuan membantu produsen dan pemasok “menginternalisasi teknologi sesuai dengan penerapan dan persyaratan kinerja mereka, tanpa bergantung pada model AI atau platform semikonduktor tertentu.”

Wakil presiden bidang otomotif NVIDIA, Ali Kani, mengatakan bahwa integrasi Alpamayo 2 Edge memberi pengembang landasan terbuka untuk membawa teknologi ini dari tahap penelitian ke kendaraan mereka sendiri.

Langkah selanjutnya yang dinyatakan TIER IV mencakup peningkatan kinerja lebih lanjut, optimalisasi di dalam kendaraan, komersialisasi bersama produsen otomotif dan mitra melalui Autoware, serta perluasan ke berbagai jenis kendaraan dan aplikasi. Autoware 2.0 menyediakan arsitektur bersama, tetapi pengujian lingkar tertutup AutoE2E yang belum tuntas menunjukkan bahwa ketersediaan sumber terbuka dan penerapan tervalidasi pada kendaraan tetap merupakan tonggak yang terpisah.