TIER IV เผยรายละเอียดโมเดลโอเพนซอร์ส 5 โมเดลสำหรับการขับขี่อัตโนมัติ

เมื่อวันที่ 11 พฤศจิกายน 2026 TIER IV ประกาศการพัฒนาและการเปิดให้ใช้งานโมเดล AI สำหรับการขับขี่อัตโนมัติแบบครบวงจร 5 โมเดลสำหรับ Autoware ครอบคลุมตั้งแต่ระบบที่ใช้กล้องเพียงอย่างเดียว ไปจนถึงการกำหนดค่าที่เพิ่ม LiDAR เรดาร์ และแผนที่ความละเอียดสูง โมเดลเหล่านี้ช่วยให้ผู้ผลิตรถยนต์และพันธมิตรด้านเทคโนโลยีมีทางเลือกหลายแบบในการปรับแต่งโมเดลและผสานรวมเข้ากับระบบรถยนต์

โมเดลในชุดนี้ประกอบด้วย NVIDIA Alpamayo 2 Edge, AutoE2E, METEOR, OnePlanner และ LatentDrive การออกแบบแบบครบวงจรของโมเดลเหล่านี้เชื่อมโยงการรับรู้สภาพแวดล้อมเข้ากับการสร้างเส้นทางการขับขี่ แต่แต่ละโมเดลแตกต่างกันในด้านข้อกำหนดของเซ็นเซอร์ แนวทางการวางแผน และความพร้อมใช้งาน โดยบางโมเดลผสานรวมกับ Autoware แล้ว ขณะที่การปรับใช้กับรถยนต์หรือการผสานรวมโมเดลอื่น ๆ ยังดำเนินอยู่

TIER IV นำเสนอโมเดลเหล่านี้ในฐานะผลลัพธ์ทางเทคโนโลยีที่เป็นรูปธรรมของ Autoware 2.0 ซึ่งเป็นสถาปัตยกรรมรุ่นถัดไปที่บริษัทเปิดเผยรายละเอียดเมื่อวันที่ 2 พฤศจิกายน 2026 สถาปัตยกรรมดังกล่าวผสานแนวทางที่ใช้ AI เข้ากับแนวทางทั่วไปที่อาศัยกฎ เพิ่มรูปแบบการจัดทำดัชนีที่ยืดหยุ่นเพื่อให้ผสานรวมซอฟต์แวร์แบบโมดูลาร์ได้ และจัดเตรียมกรอบงาน Reference Design ซึ่งมีเป้าหมายเพื่อส่งเสริมการนำไปใช้เชิงพาณิชย์ในรถยนต์ แอปพลิเคชัน และสภาพแวดล้อมการใช้งานที่หลากหลาย

โมเดลต่างกัน เหมาะกับรถยนต์ต่างประเภท

TIER IV ระบุว่า Alpamayo 2 Edge มีพารามิเตอร์ 2 พันล้านตัว เทียบกับ 34 พันล้านตัวใน Alpamayo 2 Super และใช้เพียงภาพจากกล้องกับการให้เหตุผลเพื่อสร้างเส้นทางการขับขี่ การผสานรวมกับ Autoware เสร็จสมบูรณ์แล้ว แต่ TIER IV ยังคงปรับแต่งโมเดลและปรับใช้กับรถยนต์จริง

Autoware Foundation และ TIER IV เป็นผู้นำการพัฒนา AutoE2E TIER IV ระบุว่าโมเดลนี้มีพารามิเตอร์ 79.9 ล้านตัว และทำงานบนแพลตฟอร์มประมวลผลอื่นนอกเหนือจากฮาร์ดแวร์ของ NVIDIA ได้ โดยมีการกำหนดค่าตั้งแต่ใช้กล้องเพียงอย่างเดียวไปจนถึงระบบที่มี LiDAR และเรดาร์ สถาปัตยกรรมแบบเร็ว–ช้าของโมเดลนี้จับคู่ Reactive Model สำหรับการตัดสินใจแบบเรียลไทม์ กับ World Model และ Reasoning Model ที่คาดการณ์การเปลี่ยนแปลงของสภาพแวดล้อมและสนับสนุนการตัดสินใจในการขับขี่

METEOR ซึ่ง TIER IV พัฒนาขึ้นอย่างอิสระและมุ่งเป้าไปที่รถยนต์นั่งส่วนบุคคลเป็นหลัก มีพารามิเตอร์ 16 ล้านตัว TIER IV ระบุว่าโครงข่ายประสาทเทียมแบบคอนโวลูชันของโมเดลนี้ใช้ภาพแทนมุมมองจากด้านบนเพื่อจัดการตั้งแต่การรับรู้ไปจนถึงการสร้างเส้นทางภายในโครงข่ายเดียว โดยไม่ต้องอาศัยแผนที่ HD โมเดลนี้รับภาพจากกล้องได้ตั้งแต่ 1 ถึง 8 ตัว เพิ่ม LiDAR และเรดาร์ได้ และรองรับแพลตฟอร์มเซมิคอนดักเตอร์ของ NVIDIA และ Renesas

TIER IV ระบุว่า OnePlanner ผสานการรับรู้เข้ากับการวางแผนการเคลื่อนที่ ปัจจุบันโมเดลนี้ใช้ BEVFusion เพื่อสร้างภาพแทนมุมมองจากด้านบนจากกลุ่มจุด LiDAR และส่งคุณลักษณะที่สกัดได้ในขั้นตอนการรับรู้ไปยังตัววางแผนโดยตรง ช่วยลดการแปลงข้อมูลขั้นกลางให้เป็นตำแหน่งและความเร็วของวัตถุ นอกจากนี้ยังใช้แผนที่ HD ข้อมูลเส้นทาง สถานะสัญญาณไฟจราจร และสถานะการเคลื่อนที่ของรถยนต์ เพื่อสร้างเส้นทางล่วงหน้า 6 วินาที การผสานรวมกับ Autoware เสร็จสมบูรณ์แล้ว

LatentDrive ใช้ V-JEPA ซึ่งเป็นแนวทางการเรียนรู้แบบกำกับตนเอง เพื่อแทนคุณลักษณะจากวิดีโอของกล้องในพื้นที่แฝงและสร้างเส้นทางโดยไม่ต้องตรวจจับและติดตามวัตถุในขั้นกลาง TIER IV ระบุว่าโมเดลนี้ไม่ต้องใช้แผนที่ HD และสร้างเส้นทางล่วงหน้า 4 วินาทีโดยใช้วิดีโอ ข้อมูลเส้นทาง และสถานะการเคลื่อนที่ของรถยนต์ โมเดลรองรับกล้อง 1 ตัวหรือ 3 ตัว ขณะที่การผสานรวมกับ Autoware และการตรวจสอบความถูกต้องในรถยนต์ยังอยู่ระหว่างดำเนินการ

AutoE2E V1.0 มีอะไรบ้าง

Robotaxi Working Group ของ Autoware Foundation ซึ่งได้รับการสนับสนุนจาก TIER IV เปิดตัว AutoE2E v1.0 เมื่อวันที่ 11 พฤศจิกายน 2026 ภายใต้สัญญาอนุญาต Apache 2.0 สำหรับการใช้งานด้านการวิจัยและเชิงพาณิชย์ พร้อมเปิดให้ใช้ชุดจุดตรวจสอบที่ผ่านการฝึกแล้วด้วย รุ่นที่เผยแพร่ประกอบด้วย Reactive Model ซึ่งทำงานที่ 10 Hz รวมภาพจากกล้อง 6 มุมมองเป็นภาพแทนมุมมองจากด้านบน และวางแผนการเร่งความเร็วกับการบังคับเลี้ยวล่วงหน้า 6.4 วินาที ส่วนชั้น World Model และ Reasoning Model ยังอยู่ระหว่างการพัฒนาให้ทำงานร่วมกับตัววางแผนตัวเดียวกัน

มูลนิธิระบุว่า AutoE2E รุ่นที่ปรับแต่งเพิ่มเติมมีค่าความคลาดเคลื่อนเฉลี่ยของตำแหน่ง 0.744 เมตรในช่วงเวลา 3 วินาที จากการตรวจสอบความถูกต้องด้วยข้อมูลที่บันทึกไว้ และอยู่ในอันดับ 2 จากการกำหนดค่าแบบเปิดน้ำหนัก 8 แบบที่นำมาเปรียบเทียบ ในการทดสอบแบบวงเปิดนี้ โมเดลคาดการณ์เส้นทางจากภาพกล้องที่บันทึกไว้และให้คะแนนเทียบกับเส้นทางจริงของผู้ขับขี่มนุษย์ นอกจากนี้ AutoE2E ยังได้รับภาพแรสเตอร์ของแผนที่และข้อมูลเส้นทางด้วย ขณะที่ข้อมูลนำเข้าแตกต่างกันไปในแต่ละโมเดล ดังนั้น ผลลัพธ์นี้จึงเกี่ยวข้องกับการคาดการณ์เส้นทางจากข้อมูลที่บันทึกไว้ ไม่ใช่สมรรถนะการขับขี่บนถนนโดยไม่มีคนขับ

AutoE2E ผสานรวมกับ Autoware สำหรับการประเมินแบบวงเปิดแล้ว และกำลังทดสอบแบบวงปิดกับรถยนต์จริงเพื่อประเมินการขับขี่แบบโต้ตอบ มูลนิธิระบุว่า สมรรถนะในการใช้งานจริงและข้อกำหนดด้านทรัพยากรยังต้องประเมินแยกตามแพลตฟอร์ม โดยมีแผนทดสอบบนถนนเพิ่มเติมในปี 2027 โครงการนี้มุ่งรองรับการใช้งานตั้งแต่ระบบช่วยขับขี่แบบแฮนด์ฟรีระดับ L2++ ไปจนถึงบริการเดินทางไร้คนขับระดับ L4 ในอนาคต แต่ L4 ยังเป็นเป้าหมายการพัฒนา ไม่ใช่ความสามารถที่มีอยู่ในปัจจุบัน

การนำไปใช้เชิงพาณิชย์และขั้นตอนการพัฒนา

สำหรับ METEOR นั้น TIER IV ระบุว่าใช้ CoMET ซึ่งเป็นแพลตฟอร์มติดป้ายกำกับข้อมูลอัตโนมัติภายใน Co-MLOps ร่วมกับ AI แบบเอเจนต์ เพื่อทำให้การติดป้ายกำกับข้อมูล การฝึก การประเมิน และการปรับปรุงโมเดลเป็นไปโดยอัตโนมัติ จึงไม่จำเป็นต้องเขียนโค้ดหรือติดป้ายกำกับด้วยตนเอง ผู้ผลิตรถยนต์และซัพพลายเออร์ชิ้นส่วนสามารถปรับแต่งโมเดลโอเพนซอร์สให้เหมาะกับข้อกำหนดด้านรถยนต์และสมรรถนะของตนเองได้

ชินเปย์ คาโตะ ผู้ก่อตั้งและซีอีโอ กล่าวว่า กลยุทธ์ที่ใช้หลายโมเดลมีเป้าหมายเพื่อช่วยให้ผู้ผลิตและซัพพลายเออร์ «นำเทคโนโลยีไปปรับใช้ให้เหมาะกับการใช้งานและข้อกำหนดด้านสมรรถนะของตน โดยไม่ต้องพึ่งพาโมเดล AI หรือแพลตฟอร์มเซมิคอนดักเตอร์ใดโดยเฉพาะ»

อาลี คานี รองประธานฝ่ายยานยนต์ของ NVIDIA กล่าวว่า การผสาน Alpamayo 2 Edge เข้าด้วยกันช่วยให้นักพัฒนามีรากฐานแบบเปิดสำหรับนำเทคโนโลยีจากงานวิจัยไปใช้ในยานยนต์ของตนเอง

ขั้นตอนต่อไปที่ TIER IV ระบุไว้ ได้แก่ การปรับปรุงสมรรถนะเพิ่มเติม การเพิ่มประสิทธิภาพภายในยานยนต์ การนำออกสู่เชิงพาณิชย์ร่วมกับผู้ผลิตรถยนต์และพันธมิตรผ่าน Autoware และการขยายไปสู่ยานยนต์และการใช้งานประเภทต่าง ๆ Autoware 2.0 มอบสถาปัตยกรรมที่ใช้ร่วมกัน แต่การทดสอบแบบวงปิดของ AutoE2E ที่ยังไม่เสร็จสิ้นแสดงให้เห็นว่า การเปิดให้ใช้งานซอร์สโค้ดและการนำไปใช้ในยานยนต์ที่ผ่านการตรวจสอบยืนยันแล้วนั้นยังคงเป็นหมุดหมายคนละขั้น