Porsche leder ett gemensamt dataflöde för autonom körning inom Volkswagen Groups varumärken

På NVIDIAs konferens GTC Berlin den 21 oktober 2026 meddelade Porsche, Volkswagen Groups varumärken och CARIAD att de tillsammans bygger ett gemensamt dataflöde för utveckling av autonoma fordon, där Porsche leder den inledande implementeringen och integrationen av ekosystemet tillsammans med Voxel51, NVIDIA och Microsoft.

Volkswagen Group leder utvecklingen av en fysisk AI-stack som kopplar samman fordonsflottans data med simulering, träning och utvärdering. Voxel51 uppgav att koncernens uppkopplade fordonsflotta genererar lika mycket data som 11 000 genomsnittliga förare per dag, och företagen räknar med att samarbetet kan minska antalet upprepade fysiska provkörningar med upp till 90 % och förkorta AI-regressionstesternas cykler med upp till 85 %.

Rollerna i dataflödet

Företagen beskriver samarbetet som en referensarkitektur för biltillverkare som utvecklar nästa generations avancerade körsystem.

Volkswagen bidrar med sin uppkopplade fordonsflotta, kördata från verkliga förhållanden, fordonsplattform och systemkrav. Voxel51 tillhandahåller datalagret och driver sex arbetsflöden i dataflödet: multimodal sökning och hämtning, automatisk etikettering, scenariobaserat urval, balansering av datamängder, urval av träningsdata och modellvalidering. NVIDIA bidrar med tekniker för datahämtning, datagenerering och simulering, däribland Cosmos Data Factory för att förbereda, utöka och utvärdera träningsdata, Omniverse NuRec-bibliotek för att återskapa verkliga körningar samt öppna modeller och verktyg för att testa körsystem i simulering. Microsoft Azure tillhandahåller molnet och beräkningskapaciteten, och arbetslasterna körs i fordonsflottans skala på den infrastruktur som koncernen redan använder.

NVIDIAs egen nyhetsrumsartikel från konferensen uppger att Porsche leder utvecklingen av ett arbetsflöde för dataflödet inom Volkswagen Groups varumärken via Voxel51, med Cosmos Data Factory och Omniverse NuRec på Azure.

NVIDIAs vice vd för fordonsindustrin, Rishi Dhall, sade i tillkännagivandet att simulering omvandlar erfarenheter från verklig körning till en kontinuerlig cykel av lärande och förbättring, och att Volkswagen Group kan omvandla fordonsflottans data till simuleringsscenarier med hög detaljrikedom med hjälp av Voxel51s dataplattform tillsammans med Omniverse NuRec och Cosmos.

Granskningar, kontrollgrindar för generering och rekonstruktionsresultat

Virtuell validering av nya versioner av körprogramvara är en av de första tillämpningarna av dataflödet för Porsche och Volkswagen Group. Ingenjörerna återger rekonstruerade kamerabilder från verkliga körningar och jämför de simulerade resultaten med mätningar från verkliga förhållanden. Voxel51 uppgav att målet är att göra testerna repeterbara, förkorta återkopplingscyklerna och minska beroendet av fysiska provkörningar.

Innan någon inspelning går vidare till rekonstruktion på GPU granskar Voxel51 råloggen med ungefär 80 kontroller som omfattar sensorernas integritet, tidsangivelser, kalibrering, färdvägar, aktörer och koordinatsystem. En teknisk fördjupning av Dan Gural, Voxel51s chef för partnerskap inom fysisk AI, uppger att granskningen läser MCAP-filer direkt och genomförs i tre steg: en manifestkontroll på ungefär en millisekund per körning, en episodkontroll på ungefär en sekund och en avkodad kontroll som tar några minuter per körning. Varje kontroll registrerar om den godkändes, underkändes eller inte kunde köras, enligt en regel som Voxel51 kallar ”tystnad är inte ett godkänt resultat”, så att saknade indata inte kan tolkas som giltiga data.

Gural beskriver processen i fem steg: hitta, kontrollera, generera, rekonstruera och utvärdera. För söksteget integrerar plattformen NVIDIA Cosmos Dataset Search, där klipp bäddas in med Cosmos-Embed1 och lagras i Milvus. Därefter låter en agentbaserad omrankare en planeringsmodell skriva en bedömningsmatris utifrån sökavsikten, använder Cosmos Reason för att poängsätta varje klipp mot den och rangordnar listan på nytt.

Gural uppger att Voxel51 validerade granskningen mot sju offentliga datamängder: nuScenes, Waymo, PandaSet, Argoverse 2, MAN TruckScenes, aiMotive och Lyft Level 5. Granskningen upptäckte 25 bekräftade problem i de publicerade datauppsättningarna, varav 17 åtgärdades före rekonstruktionen. Om syntetisk datagenerering med Cosmos Data Factory rapporterar den tekniska fördjupningen att sparade belägg från kontrollgrindarna visade att 12 samplingssteg gav samma acceptansgrad som 35, vilket sänkte kostnaden från 6.80 till 2.43 GPU-minuter per klipp; att en kontrollgrind för attribut godkände endast 30 till 38 % av de genererade klippen; och att omkalibrering av bedömningsmodellen höjde andelen semantiskt godkända resultat från 3 % till 91 % utan ytterligare GPU-tid.

För rekonstruktionen rapporterar den tekniska fördjupningen ett medianvärde för toppsignal-brusförhållandet på 29.05 dB över 25 offentliga nuScenes-scener som behandlades på NVIDIA H100-GPU:er. Den tar upp en nattscen från nuScenes som fick 28.59 dB enligt det måttet, men hade ett strukturellt likhetsvärde på 0.56 och ett värde för inlärd perceptuell likhet på 0.61. Gural använder detta för att visa att ett enda mått på bildkvalitet kan godkänna ett resultat som uppenbart är dåligt. Varje rekonstruktion skickas till en kö för mänsklig granskning, där ingenjörerna godkänner den för simulering, skickar tillbaka den för omträning eller underkänner den. Färdigställda scener paketeras som USDZ-filer som är redo att användas i simulatorer, däribland NVIDIA AlpaSim.

Driftsättning på Azure och ägarskap över processen

Varje steg körs som ett jobb i Microsoft Azure, där Volkswagen Group hanterar sin fordonsflottas data. Azure tillhandahåller lagring och beräkningskapacitet för databearbetning, rekonstruktion och simulering, samtidigt som arbetsbelastningarna hålls inom koncernens befintliga modell för säkerhet, identitet och regional styrning.

Voxel51 uppgav att en gemensam datamodell gör det möjligt att föra vidare kördata och scenarier som skapats i ett projekt till olika fordonsprogram, programvaruversioner och varumärken. Varje ny körning utökar scenariobasen, och de rekonstruerade scenerna kan återanvändas i framtida utvecklings- och valideringscykler.

Voxel51:s medgrundare och vd Brian Moore skrev att en biltillverkare kan äga sin utvecklingsloop utan att själv bygga alla verktyg: ”Nyckeln till verkligt branschledande prestanda är att ta till vara på de data som företaget har tillgång till. Ni måste äga utvecklings- och iterationsloopen, även om ni inte själva bygger varje lager i teknikstacken.” Voxel51 beskriver sin plattform som utbyggbar, så att team kan använda egna modeller, definiera anpassad logik för scenarier och koppla samman befintliga data och infrastrukturer utan att styra hur själva körsystemet byggs.

Voxel51 berättade att samarbetet med Porsche inleddes 2024, då Porsches tekniska ansvarige Tin Stribor Sohn beskrev datautmaningen som något som kräver automatisk märkning för att förstå data, scenariodetektering för att hitta det som är nytt eller viktigt och kurering för att ta bort överflödig information. I sitt inlägg uppger Voxel51 också, med hänvisning till en McKinsey-undersökning, att var fjärde konsument globalt skulle byta varumärke för att få bättre funktioner för självkörning.

Separat från detta uppger NVIDIA i sitt pressmeddelande från GTC Berlin att Volkswagen Commercial Vehicles visar upp sin plattform för det autonoma fordonet ID. Buzz AD på beräkningsplattformen NVIDIA Hyperion, som ska stödja flera system för autonom körning.