Porsche lidera ciclo compartilhado de dados para veículos autônomos entre as marcas do Volkswagen Group

Na conferência GTC Berlin da NVIDIA, em 21 de outubro de 2026, a Porsche, as marcas do Volkswagen Group e a CARIAD anunciaram que estão construindo em conjunto um ciclo compartilhado de dados para o desenvolvimento de veículos autônomos, com a Porsche liderando a implementação inicial e a integração do ecossistema em parceria com a Voxel51, a NVIDIA e a Microsoft.

O Volkswagen Group lidera o desenvolvimento de uma pilha de IA física que conecta dados da frota à simulação, ao treinamento e à avaliação. Segundo a Voxel51, a frota conectada do grupo gera diariamente dados equivalentes aos de 11.000 motoristas médios, e as empresas esperam que a colaboração reduza em até 90% a repetição de testes físicos em estrada e encurte em até 85% os ciclos de testes de regressão de IA.

Funções ao longo do ciclo de dados

As empresas descrevem a colaboração como uma arquitetura de referência para fabricantes de automóveis que desenvolvem sistemas avançados de condução de próxima geração.

A Volkswagen contribui com sua frota conectada, dados de condução em condições reais, plataforma veicular e requisitos de sistema. A Voxel51 fornece a camada de dados, viabilizando seis fluxos de trabalho no ciclo: busca e recuperação multimodais, rotulagem automatizada, curadoria baseada em cenários, balanceamento de conjuntos de dados, seleção de dados de treinamento e validação de modelos. A NVIDIA contribui com tecnologias de recuperação e geração de dados e de simulação, incluindo o Cosmos Data Factory, para preparar, ampliar e avaliar dados de treinamento; as bibliotecas Omniverse NuRec, para reconstruir trajetos reais; e modelos e ferramentas abertos para testar sistemas de condução em simulação. O Microsoft Azure fornece a nuvem e a capacidade computacional, com as cargas de trabalho operando em escala de frota na infraestrutura que o grupo já utiliza.

O comunicado publicado pela própria NVIDIA em sua sala de imprensa sobre a conferência informa que a Porsche está liderando, por meio da Voxel51, o desenvolvimento de um fluxo de trabalho de ciclo de dados entre as marcas do Volkswagen Group, usando o Cosmos Data Factory e o Omniverse NuRec no Azure.

No anúncio, Rishi Dhall, vice-presidente da área automotiva da NVIDIA, afirmou que a simulação está transformando a experiência de condução no mundo real em um ciclo contínuo de aprendizado e aprimoramento e que o Volkswagen Group pode converter dados da frota em cenários de simulação de alta fidelidade usando a plataforma de dados da Voxel51 em conjunto com o Omniverse NuRec e o Cosmos.

Auditorias, etapas de aprovação da geração e resultados da reconstrução

A validação virtual das versões do software de condução é uma das primeiras aplicações do ciclo para a Porsche e o Volkswagen Group. Os engenheiros renderizam imagens de câmera reconstruídas a partir de trajetos reais e comparam os resultados simulados com medições do mundo real. Segundo a Voxel51, o objetivo é tornar os testes reproduzíveis, encurtar os ciclos de feedback e reduzir a dependência de testes físicos em estrada.

Antes que qualquer gravação passe pela reconstrução em GPU, a Voxel51 audita o registro bruto com cerca de 80 verificações que abrangem a integridade dos sensores, a temporização, a calibração, as trajetórias, os agentes e os referenciais de coordenadas. Uma análise técnica aprofundada de Dan Gural, responsável pelas parcerias de IA física da Voxel51, informa que a auditoria lê arquivos MCAP diretamente e é executada em três etapas: uma verificação do manifesto, que leva cerca de um milissegundo por trajeto; uma verificação por episódio, que leva cerca de um segundo; e uma verificação dos dados decodificados, que leva alguns minutos por trajeto. Cada verificação registra se foi aprovada, reprovada ou se não pôde ser executada, segundo uma regra que a Voxel51 chama de “silêncio não é aprovação”, para que a ausência de uma entrada não seja interpretada como dado válido.

Gural descreve o ciclo em cinco etapas: localizar, verificar, gerar, reconstruir e avaliar. Na etapa de localização, a plataforma integra o NVIDIA Cosmos Dataset Search, com clipes incorporados pelo Cosmos-Embed1 e armazenados no Milvus. Em seguida, um reranqueador agêntico faz com que um modelo planejador elabore uma rubrica com base na intenção da busca, usa o Cosmos Reason para pontuar cada clipe segundo essa rubrica e reordena a lista.

Gural relata que a Voxel51 validou a auditoria com base em sete conjuntos de dados públicos: nuScenes, Waymo, PandaSet, Argoverse 2, MAN TruckScenes, aiMotive e Lyft Level 5. A auditoria identificou 25 problemas confirmados nos dados publicados, dos quais 17 foram corrigidos antes da reconstrução. Sobre a geração de dados sintéticos com o Cosmos Data Factory, a análise aprofundada informa que evidências armazenadas das etapas de aprovação mostraram que 12 etapas de amostragem alcançaram a mesma taxa de aceitação que 35, reduzindo o custo de 6,80 para 2,43 minutos de GPU por clipe; que uma etapa de aprovação por atributo foi aprovada para apenas 30% a 38% dos clipes gerados; e que recalibrar o avaliador elevou a taxa de aprovação semântica de 3% para 91%, sem tempo adicional de GPU.

Quanto à reconstrução, a análise aprofundada relata uma relação sinal-ruído de pico mediana de 29,05 dB em 25 cenas públicas do nuScenes processadas em GPUs NVIDIA H100. Ela cita uma cena noturna do nuScenes que obteve 28,59 dB nessa métrica, mas registrou uma pontuação de similaridade estrutural de 0,56 e uma pontuação de similaridade perceptual aprendida de 0,61. Gural usa esse exemplo para mostrar que uma única métrica de qualidade de imagem pode aprovar um resultado visivelmente ruim. Cada execução de reconstrução é encaminhada para uma fila de revisão humana, na qual os engenheiros podem aprová-la para simulação, devolvê-la para novo treinamento ou rejeitá-la; as cenas concluídas são empacotadas como arquivos USDZ prontos para simuladores, entre eles o NVIDIA AlpaSim.

Implantação no Azure e responsabilidade pelo ciclo

Cada etapa é executada como uma tarefa no Microsoft Azure, onde o Volkswagen Group gerencia os dados de sua frota. O Azure fornece armazenamento e capacidade computacional para o processamento de dados, a reconstrução e a simulação, mantendo essas cargas de trabalho dentro do modelo já existente de segurança, identidade e governança regional do grupo.

A Voxel51 afirmou que um modelo de dados comum permite que os dados de condução e os cenários criados em um projeto sejam aproveitados em diferentes programas de veículos, versões de software e marcas. Cada nova condução amplia a base de cenários, e as cenas reconstruídas podem ser reutilizadas em futuros ciclos de desenvolvimento e validação.

O cofundador e CEO da Voxel51, Brian Moore, escreveu que uma montadora pode controlar seu ciclo de desenvolvimento sem precisar criar todas as ferramentas por conta própria: “A chave para alcançar um desempenho realmente líder no setor é aproveitar os dados aos quais sua empresa tem acesso. É preciso controlar o ciclo de desenvolvimento e iteração, mesmo que você não construa por conta própria todas as camadas da pilha tecnológica.” A Voxel51 descreve sua plataforma como extensível, permitindo que as equipes usem seus próprios modelos, definam uma lógica personalizada para cenários e conectem dados e infraestrutura existentes, sem determinar como o próprio sistema de condução deve ser construído.

A Voxel51 relatou que começou a trabalhar com a Porsche em 2024, quando o líder de tecnologia da Porsche, Tin Stribor Sohn, descreveu o desafio dos dados como algo que exigia rotulagem automatizada para compreendê-los, detecção de cenários para identificar o que era novo ou importante e curadoria para eliminar redundâncias. Citando uma pesquisa da McKinsey, a publicação da Voxel51 também afirma que um em cada quatro consumidores no mundo trocaria de marca em busca de melhores recursos de condução autônoma.

Separadamente, na GTC Berlin, o comunicado da NVIDIA afirma que a Volkswagen Commercial Vehicles está apresentando sua plataforma de veículo autônomo ID. Buzz AD na plataforma computacional NVIDIA Hyperion para dar suporte a vários sistemas de condução autônoma.