Porsche возглавляет создание единого контура работы с данными для автономного вождения в брендах Volkswagen Group

На конференции GTC Berlin компании NVIDIA 21 октября 2026 года Porsche, бренды Volkswagen Group и CARIAD объявили о совместной разработке единого контура работы с данными для создания автономных автомобилей. Porsche возглавит первоначальное внедрение и интеграцию в экосистему совместно с Voxel51, NVIDIA и Microsoft.

Volkswagen Group возглавляет разработку стека физического ИИ, связывающего данные автопарка с моделированием, обучением и оценкой. По словам Voxel51, подключенный автопарк группы ежедневно генерирует объем данных, сопоставимый с тем, который производят 11 000 среднестатистических водителей. Компании рассчитывают, что сотрудничество позволит сократить количество повторных испытательных поездок на дорогах до 90%, а циклы регрессионного тестирования ИИ — до 85%.

Роли участников единого контура

Компании называют это сотрудничество типовой архитектурой для автопроизводителей, создающих передовые системы вождения следующего поколения.

Volkswagen предоставляет подключенный автопарк, данные о реальном вождении, платформу автомобиля и системные требования. Voxel51 обеспечивает работу слоя данных и шести процессов в едином контуре: мультимодального поиска и извлечения данных, автоматической разметки, отбора данных по сценариям, балансировки наборов данных, отбора обучающих данных и проверки моделей. NVIDIA предоставляет технологии извлечения и генерации данных, а также моделирования, включая Cosmos Data Factory для подготовки, расширения и оценки обучающих данных, библиотеки Omniverse NuRec для реконструкции реальных поездок, а также открытые модели и инструменты для испытания систем вождения в симуляции. Microsoft Azure предоставляет облачную инфраструктуру и вычислительные ресурсы; рабочие нагрузки выполняются в масштабах всего автопарка на инфраструктуре, которой группа уже пользуется.

В собственной публикации NVIDIA в новостном разделе, посвященной конференции, говорится, что Porsche возглавляет разработку рабочего процесса единого контура данных для брендов Volkswagen Group с помощью Voxel51, используя Cosmos Data Factory и Omniverse NuRec в Azure.

Вице-президент NVIDIA по автомобильному направлению Rishi Dhall заявил в анонсе, что симуляция превращает опыт реального вождения в непрерывный цикл обучения и совершенствования, а Volkswagen Group может преобразовывать данные автопарка в высокоточные сценарии симуляции с помощью платформы данных Voxel51, а также Omniverse NuRec и Cosmos.

Аудит, контрольные этапы генерации и результаты реконструкции

Виртуальная проверка выпусков программного обеспечения для вождения — одно из первых применений единого контура для Porsche и Volkswagen Group. Инженеры воссоздают изображения с камер по данным реальных поездок и сравнивают результаты симуляции с измерениями в реальных условиях. По словам Voxel51, цель состоит в том, чтобы сделать тестирование воспроизводимым, сократить циклы обратной связи и уменьшить зависимость от испытательных поездок на дорогах.

Прежде чем любая запись поступит на реконструкцию с помощью GPU, Voxel51 проверяет необработанный журнал по примерно 80 параметрам, включая целостность датчиков, синхронизацию, калибровку, траектории, объекты и системы координат. В подробном техническом разборе Dan Gural, руководитель направления партнерств в области физического ИИ в Voxel51, сообщает, что аудит считывает файлы MCAP напрямую и выполняется в три этапа: проверка манифеста занимает около миллисекунды на одну поездку, проверка эпизода — около секунды, а декодированная проверка — несколько минут на одну поездку. Для каждой проверки фиксируется, пройдена ли она, не пройдена или не могла быть выполнена. При этом действует правило, которое Voxel51 формулирует так: «отсутствие сведений не означает, что проверка пройдена», — поэтому отсутствие входных данных нельзя считать признаком их достоверности.

Gural описывает цикл из пяти этапов: поиск, проверка, генерация, реконструкция и оценка. На этапе поиска платформа интегрирует NVIDIA Cosmos Dataset Search: фрагменты видео преобразуются в эмбеддинги с помощью Cosmos-Embed1 и сохраняются в Milvus. Затем агентная система повторного ранжирования поручает планирующей модели составить критерии на основе поискового запроса, использует Cosmos Reason для оценки каждого фрагмента по этим критериям и повторно ранжирует список.

По словам Gural, Voxel51 проверила аудит на семи общедоступных наборах данных: nuScenes, Waymo, PandaSet, Argoverse 2, MAN TruckScenes, aiMotive и Lyft Level 5. Аудит выявил 25 подтвержденных проблем в опубликованных данных, 17 из которых исправили до реконструкции. В подробном разборе также приводятся результаты генерации синтетических данных с помощью Cosmos Data Factory: сохраненные данные контрольных проверок показали, что 12 шагов выборки дали такой же процент принятия, как 35, при этом стоимость снизилась с 6,80 до 2,43 GPU-минуты на фрагмент; контрольный этап проверки атрибутов прошли лишь 30–38% сгенерированных фрагментов; а повторная калибровка оценочной модели повысила долю семантически корректных результатов с 3% до 91% без дополнительного времени работы GPU.

В подробном разборе сообщается, что при реконструкции медианное пиковое отношение сигнала к шуму составило 29,05 дБ для 25 общедоступных сцен из nuScenes, обработанных на GPU NVIDIA H100. В качестве примера приводится одна ночная сцена nuScenes: она получила 28,59 дБ по этому показателю, но ее оценка структурного сходства составила 0,56, а оценка обучаемого перцептивного сходства — 0,61. Gural использует этот пример, чтобы показать, что результат с заметно плохим качеством изображения может пройти проверку по единственному показателю качества. Каждая реконструкция попадает в очередь на проверку специалистом: инженеры либо одобряют ее для симуляции, либо отправляют на повторное обучение, либо отклоняют. Готовые сцены упаковываются в файлы USDZ, пригодные для симуляторов, в том числе NVIDIA AlpaSim.

Развертывание в Azure и управление циклом

Каждый этап выполняется как задание в Microsoft Azure, где Volkswagen Group управляет данными своего автопарка. Azure обеспечивает хранение данных и вычислительные ресурсы для их обработки, реконструкции и моделирования, при этом эти задачи остаются в рамках действующей в группе модели безопасности, управления идентификацией и регионального управления.

По словам Voxel51, общая модель данных позволяет переносить данные о вождении и сценарии, созданные в рамках одного проекта, между программами разработки автомобилей, выпусками ПО и брендами. Каждая новая поездка пополняет базу сценариев, а реконструированные сцены можно повторно использовать в будущих циклах разработки и валидации.

Сооснователь и генеральный директор Voxel51 Брайан Мур написал, что автопроизводитель может самостоятельно управлять циклом разработки, не создавая все инструменты своими силами: «Чтобы добиться действительно передовых в отрасли показателей, необходимо эффективно использовать данные, к которым у вашей компании есть доступ. Нужно самостоятельно контролировать цикл разработки и итераций, даже если вы не создаёте своими силами каждый уровень технологического стека». Voxel51 описывает свою платформу как расширяемую: она позволяет командам использовать собственные модели, задавать пользовательскую логику сценариев и подключать существующие данные и инфраструктуру, не предписывая, как именно должна быть устроена сама система вождения.

Voxel51 рассказала, что начала сотрудничать с Porsche в 2024 году. Тогда технический руководитель Porsche Тин Стрибор Зон описал проблему работы с данными: для её решения требуются автоматическая разметка, позволяющая понять данные, обнаружение сценариев, чтобы находить новое или важное, и отбор данных для устранения избыточности. В публикации Voxel51 также говорится со ссылкой на опрос McKinsey, что каждый четвёртый потребитель в мире сменил бы бренд ради более совершенных функций автономного вождения.

Отдельно, на GTC Berlin, в сообщении NVIDIA говорится, что Volkswagen Commercial Vehicles представляет платформу автономного автомобиля ID. Buzz AD на вычислительной платформе NVIDIA Hyperion, чтобы обеспечить поддержку нескольких систем автономного вождения.