Porsche przewodzi wspólnemu kołu zamachowemu danych AV wśród marek Volkswagen Group

Podczas konferencji GTC Berlin organizowanej przez NVIDIA 21 października 2026 roku Porsche, marki Volkswagen Group i CARIAD ogłosiły, że wspólnie budują wspólne koło zamachowe danych na potrzeby rozwoju pojazdów autonomicznych. Porsche kieruje początkowym wdrożeniem i integracją ekosystemu we współpracy z Voxel51, NVIDIA i Microsoft.

Volkswagen Group przewodzi pracom nad stosem rozwiązań fizycznej AI, który łączy dane z floty z symulacją, trenowaniem i oceną. Jak podała Voxel51, połączona flota grupy generuje dziennie ilość danych odpowiadającą danym od 11 000 przeciętnych kierowców, a firmy spodziewają się, że współpraca ograniczy liczbę powtarzanych jazd testowych w rzeczywistych warunkach nawet o 90% oraz skróci cykle testów regresyjnych AI nawet o 85%.

Role w ramach koła zamachowego

Firmy przedstawiają tę współpracę jako architekturę referencyjną dla producentów samochodów budujących zaawansowane systemy jazdy nowej generacji.

Volkswagen wnosi połączoną flotę, dane z jazdy w rzeczywistych warunkach, platformę pojazdu i wymagania systemowe. Voxel51 zapewnia warstwę danych, obsługującą sześć procesów w ramach koła zamachowego: wyszukiwanie i pobieranie danych multimodalnych, automatyczne etykietowanie, dobór danych na podstawie scenariuszy, równoważenie zbiorów danych, wybór danych treningowych oraz walidację modeli. NVIDIA wnosi technologie pobierania i generowania danych oraz symulacji, w tym Cosmos Data Factory do przygotowywania, wzbogacania i oceny danych treningowych, biblioteki Omniverse NuRec do odtwarzania rzeczywistych przejazdów oraz otwarte modele i narzędzia do testowania systemów jazdy w symulacji. Microsoft Azure zapewnia chmurę i moc obliczeniową, a obciążenia działają w skali całej floty na infrastrukturze, z której grupa już korzysta.

Opublikowany przez NVIDIA komunikat w jej newsroomie dotyczący konferencji informuje, że Porsche kieruje pracami nad procesem wykorzystującym koło zamachowe danych wśród marek Volkswagen Group za pośrednictwem Voxel51, korzystając z Cosmos Data Factory i Omniverse NuRec w usłudze Azure.

Wiceprezes NVIDIA ds. motoryzacji Rishi Dhall powiedział w komunikacie, że symulacja przekształca doświadczenia z jazdy w rzeczywistych warunkach w ciągły cykl uczenia się i doskonalenia, a Volkswagen Group może zamieniać dane z floty w scenariusze symulacyjne o wysokiej wierności dzięki platformie danych Voxel51 oraz Omniverse NuRec i Cosmos.

Audyty, bramki generowania danych i wyniki rekonstrukcji

Wirtualna walidacja kolejnych wersji oprogramowania do jazdy jest jednym z pierwszych zastosowań koła zamachowego dla Porsche i Volkswagen Group. Inżynierowie renderują odtworzone obrazy z kamer zarejestrowane podczas rzeczywistych przejazdów, a następnie porównują wyniki symulacji z pomiarami z rzeczywistego świata. Jak podała Voxel51, celem jest zapewnienie powtarzalności testów, skrócenie cykli przekazywania informacji zwrotnych i ograniczenie zależności od fizycznych jazd testowych.

Zanim jakiekolwiek nagranie trafi do rekonstrukcji z użyciem GPU, Voxel51 przeprowadza audyt surowego zapisu, obejmujący około 80 kontroli dotyczących integralności czujników, synchronizacji czasowej, kalibracji, trajektorii, uczestników ruchu i układów współrzędnych. Szczegółowa analiza techniczna autorstwa Dana Gurala, szefa ds. partnerstw w obszarze fizycznej AI w Voxel51, wyjaśnia, że audyt odczytuje pliki MCAP bezpośrednio i przebiega w trzech etapach: kontrola manifestu, trwająca około milisekundy na przejazd, kontrola epizodu, trwająca około sekundy, oraz kontrola zdekodowanych danych, zajmująca kilka minut na przejazd. Przy każdej kontroli odnotowuje się, czy zakończyła się powodzeniem, niepowodzeniem, czy nie mogła zostać przeprowadzona. Zgodnie z zasadą, którą Voxel51 określa jako „brak informacji nie oznacza zaliczenia”, brakujące dane wejściowe nie mogą zostać uznane za prawidłowe dane.

Gural opisuje pętlę w pięciu etapach: znajdowanie, sprawdzanie, generowanie, rekonstrukcja i ocena. Na etapie znajdowania platforma integruje NVIDIA Cosmos Dataset Search, a klipy są wektorowo osadzane za pomocą Cosmos-Embed1 i przechowywane w Milvus. Następnie agentowy mechanizm ponownego porządkowania wyników zleca modelowi planującemu opracowanie kryteriów na podstawie intencji wyszukiwania, wykorzystuje Cosmos Reason do ocenienia każdego klipu według tych kryteriów, a potem ponownie szereguje wyniki.

Gural informuje, że Voxel51 zweryfikowała audyt na podstawie siedmiu publicznych zbiorów danych: nuScenes, Waymo, PandaSet, Argoverse 2, MAN TruckScenes, aiMotive i Lyft Level 5. Audyt wykrył w opublikowanych danych 25 potwierdzonych problemów, z których 17 naprawiono przed rekonstrukcją. W odniesieniu do generowania danych syntetycznych za pomocą Cosmos Data Factory szczegółowa analiza podaje, że zapisane dowody z bramek kontrolnych wykazały, iż 12 kroków próbkowania dorównało 35 krokom pod względem wskaźnika akceptacji, obniżając koszt z 6,80 do 2,43 minuty pracy GPU na klip; bramka atrybutów zaakceptowała zaledwie 30–38% wygenerowanych klipów; a ponowna kalibracja modelu oceniającego podniosła odsetek wyników zaliczających kontrolę semantyczną z 3% do 91% bez dodatkowego czasu pracy GPU.

W przypadku rekonstrukcji szczegółowa analiza podaje medianę szczytowego stosunku sygnału do szumu na poziomie 29,05 dB w 25 publicznych scenach nuScenes przetworzonych na procesorach graficznych NVIDIA H100. Przywołuje też nocną scenę nuScenes, która uzyskała wynik 28,59 dB w tej metryce, ale jej wynik podobieństwa strukturalnego wyniósł 0,56, a wynik wyuczonego podobieństwa percepcyjnego — 0,61. Gural wykorzystuje ten przykład, by pokazać, że pojedyncza miara jakości obrazu może uznać za poprawny rezultat, który wyraźnie wygląda źle. Każda rekonstrukcja trafia do kolejki weryfikacji przez człowieka, w której inżynierowie zatwierdzają ją do symulacji, odsyłają do ponownego trenowania albo odrzucają. Ukończone sceny są pakowane jako pliki USDZ gotowe do użycia w symulatorach, w tym NVIDIA AlpaSim.

Wdrożenie w Azure i zarządzanie pętlą

Każdy etap jest realizowany jako zadanie w Microsoft Azure, gdzie Grupa Volkswagen zarządza danymi swojej floty. Azure zapewnia przestrzeń do przechowywania danych i moc obliczeniową potrzebną do ich przetwarzania, rekonstrukcji i symulacji, a jednocześnie pozwala utrzymać te zadania w ramach obowiązujących w grupie zasad bezpieczeństwa, zarządzania tożsamością i nadzoru regionalnego.

Voxel51 poinformowało, że wspólny model danych pozwala wykorzystywać dane z jazdy i scenariusze opracowane w ramach jednego projektu w kolejnych programach pojazdów, wersjach oprogramowania i markach. Każda kolejna jazda rozszerza bazę scenariuszy, a zrekonstruowane sceny można ponownie wykorzystywać w przyszłych cyklach rozwoju i walidacji.

Współzałożyciel i dyrektor generalny Voxel51, Brian Moore, napisał, że producent samochodów może samodzielnie zarządzać cyklem rozwoju, nie tworząc wszystkich narzędzi: „Kluczem do osiągnięcia naprawdę wiodącej w branży wydajności jest wykorzystanie danych, do których dostęp ma firma. Trzeba samodzielnie zarządzać cyklem rozwoju i doskonalenia, nawet jeśli nie tworzy się wszystkich warstw stosu technologicznego”. Voxel51 opisuje swoją platformę jako rozszerzalną: zespoły mogą korzystać z własnych modeli, definiować niestandardową logikę scenariuszy i łączyć istniejące dane oraz infrastrukturę, bez narzucania sposobu budowy samego systemu jazdy.

Voxel51 wspomina, że współpracę z Porsche rozpoczęło w 2024 roku, kiedy lider ds. technologii Porsche, Tin Stribor Sohn, opisał wyzwanie związane z danymi jako wymagające automatycznego etykietowania, by je zrozumieć, wykrywania scenariuszy, by znaleźć to, co nowe lub istotne, oraz selekcji danych w celu usunięcia zbędnych elementów. We wpisie Voxel51 przytoczono również wyniki badania McKinsey, z których wynika, że jeden na czterech konsumentów na świecie zmieniłby markę w zamian za lepsze funkcje jazdy autonomicznej.

Osobno, podczas GTC Berlin, według komunikatu NVIDIA Volkswagen Commercial Vehicles prezentuje platformę autonomicznego pojazdu ID. Buzz AD opartą na platformie obliczeniowej NVIDIA Hyperion, która ma obsługiwać wiele systemów jazdy autonomicznej.