TIER IV, Otonom Sürüş için Beş Açık Kaynak Modeli Tanıttı

TIER IV, 11 Kasım 2026’da Autoware için uçtan uca otonom sürüşe yönelik beş yapay zekâ modelinin geliştirilmesini ve açık kaynak olarak sunulmasını duyurdu. Bu modeller, yalnızca kamerayla çalışan sistemlerden LiDAR, radar ve yüksek çözünürlüklü haritalar ekleyen yapılandırmalara kadar uzanıyor. Model yelpazesi, otomobil üreticilerine ve teknoloji ortaklarına modelleri optimize etmek ve araç sistemlerine entegre etmek için çeşitli seçenekler sunuyor.

Model yelpazesinde NVIDIA Alpamayo 2 Edge, AutoE2E, METEOR, OnePlanner ve LatentDrive yer alıyor. Uçtan uca tasarımları, çevrenin algılanmasını sürüş yörüngesi oluşturmaya bağlıyor; ancak modeller sensör gereksinimleri, planlama yaklaşımları ve hazır olma düzeyleri bakımından farklılık gösteriyor: Bazıları Autoware ile entegre edilmişken, diğerlerinin araçlara uyarlanması veya entegrasyonu sürüyor.

TIER IV, modelleri 2 Kasım 2026’da ayrıntılarını paylaştığı yeni nesil mimari Autoware 2.0 için somut teknolojik çıktılar olarak sunuyor. Bu mimari, yapay zekâ tabanlı ve geleneksel kural tabanlı yaklaşımları bir araya getiriyor, modüler yazılım entegrasyonu için esnek bir indeksleme şeması ekliyor ve araçlar, uygulamalar ile çalışma ortamlarında ticari kullanımı kolaylaştırmayı amaçlayan bir Referans Tasarım çerçevesi sağlıyor.

Farklı Araçlar için Farklı Modeller

TIER IV’in bildirdiğine göre Alpamayo 2 Edge, 2 milyar parametreye sahip; bu sayı Alpamayo 2 Super‘daki 34 milyar parametreyle karşılaştırıldığında çok daha düşük. Model, sürüş yörüngeleri oluşturmak için yalnızca kamera görüntülerini ve akıl yürütmeyi kullanıyor. Autoware entegrasyonu tamamlanmış olsa da TIER IV modeli optimize etmeyi ve gerçek araçlara uyarlamayı sürdürüyor.

AutoE2E’nin geliştirilmesine Autoware Foundation ve TIER IV öncülük ediyor. TIER IV, modelin 79,9 milyon parametreye sahip olduğunu belirtiyor ve NVIDIA donanımı dışındaki bilgi işlem platformlarında da çalışabildiğini söylüyor. Yapılandırmalar yalnızca kameraları içeren sistemlerden LiDAR ve radar kullanan sistemlere kadar değişiyor. Hızlı-yavaş mimarisi, gerçek zamanlı kararlar için bir Tepkisel Modeli; çevresel değişiklikleri öngören ve sürüş kararlarını destekleyen Dünya ve Akıl Yürütme Modelleriyle bir araya getiriyor.

TIER IV tarafından bağımsız olarak geliştirilen ve öncelikle bireysel kullanıma ait binek araçları hedefleyen METEOR, 16 milyon parametreye sahip. TIER IV’e göre evrişimli sinir ağı, HD haritalara ihtiyaç duymadan algılamadan yörünge oluşturmaya kadar tüm işlemleri tek bir ağda gerçekleştirmek için kuş bakışı görünüm kullanıyor. Model, bir ila sekiz kameradan görüntü alabiliyor; LiDAR ve radar da eklenebiliyor. NVIDIA ve Renesas yarı iletken platformlarını destekliyor.

TIER IV, OnePlanner’ın algılama ile hareket planlamasını birleştirdiğini belirtiyor. Model şu anda, LiDAR nokta bulutlarından kuş bakışı görünüm oluşturmak için BEVFusion kullanıyor ve algılama sırasında çıkarılan özellikleri doğrudan planlayıcıya iletiyor; böylece nesnelerin konum ve hız bilgilerine dönüştürülmesi için gereken ara işlemler azalıyor. Ayrıca altı saniyelik yörüngeler oluşturmak için HD haritaları, rota bilgilerini, trafik ışıklarının durumunu ve aracın hareket durumunu da kullanıyor. Autoware entegrasyonu tamamlandı.

LatentDrive, kamera videosundaki özellikleri örtük bir uzayda temsil etmek ve ara nesne algılama ile izleme işlemlerine gerek kalmadan yörüngeler oluşturmak için öz denetimli bir öğrenme yaklaşımı olan V-JEPA’yı kullanıyor. TIER IV, modelin HD haritaya ihtiyaç duymadığını ve video, rota bilgileri ile aracın hareket durumunu kullanarak dört saniyelik yörüngeler oluşturduğunu belirtiyor. Model bir veya üç kamerayı destekliyor; Autoware entegrasyonu ve araç içi doğrulama çalışmaları ise sürüyor.

AutoE2E V1.0 Neleri İçeriyor

TIER IV’in sponsorluğundaki Autoware Foundation Robotaksi Çalışma Grubu, AutoE2E v1.0‘ı 11 Kasım 2026’da, araştırma ve ticari kullanım için Apache 2.0 lisansı altında yayımladı; eğitilmiş model kontrol noktaları da kullanıma sunuldu. Sürüm, 10 Hz hızında çalışan, altı kamera görüntüsünü kuş bakışı bir temsilde birleştiren ve 6,4 saniyelik hızlanma ile direksiyon hareketlerini planlayan Reactive Model’i içeriyor. Dünya modeli ve akıl yürütme katmanları, aynı planlayıcıyla çalışacak şekilde hâlâ geliştiriliyor.

Vakıf, ince ayar yapılmış AutoE2E modelinin kaydedilmiş verilerle yapılan doğrulamada üç saniye boyunca ortalama 0,744 metre konum hatası elde ettiğini ve karşılaştırmadaki sekiz açık ağırlıklı yapılandırma arasında ikinci sırada yer aldığını bildiriyor. Bu açık döngülü testte modeller, kaydedilmiş kamera karelerinden tahmin yürüttü ve sonuçları insan sürücünün gerçek güzergâhıyla karşılaştırılarak puanlandı; AutoE2E’ye ayrıca harita rasteri ve rota verildi, diğer modellerin girdileri ise farklılık gösterdi. Dolayısıyla sonuç, kaydedilmiş veriler üzerindeki yörünge tahminiyle ilgilidir; sürücüsüz araçların yoldaki performansını göstermez.

AutoE2E, açık döngülü değerlendirme için Autoware ile entegre edildi; etkileşimli sürüşü değerlendirmek üzere gerçek araçlarla kapalı döngülü testler ise sürüyor. Vakfa göre dağıtım performansı ve kaynak gereksinimleri platforma özgü değerlendirmelere tabi olmaya devam ediyor; 2027’de yolda ek denemeler yapılması planlanıyor. Proje, eller serbest L2++ sürüş desteğinden gelecekteki L4 düzeyinde sürücüsüz ulaşıma kadar çeşitli uygulamaları hedefliyor. Ancak L4, mevcut bir yetenek değil, geliştirme hedefi olmaya devam ediyor.

Ticarileştirme ve Geliştirme Süreci

TIER IV, METEOR için Co-MLOps bünyesindeki otomatik etiketleme platformu CoMET’i ajan tabanlı yapay zekâyla birlikte kullanarak veri etiketleme ile model eğitimi, değerlendirmesi ve iyileştirmesini otomatikleştirdiğini; böylece elle kodlama ve etiketleme ihtiyacını ortadan kaldırdığını belirtiyor. Otomobil üreticileri ve bileşen tedarikçileri, açık kaynaklı modeli kendi araçlarının teknik özelliklerine ve performans gereksinimlerine göre optimize edebiliyor.

Kurucu ve CEO Shinpei Kato, çok modelli stratejinin üreticilerin ve tedarikçilerin “belirli bir yapay zekâ modeline veya yarı iletken platformuna bağlı kalmadan, teknolojileri kullanım alanlarına ve performans gereksinimlerine göre kendi bünyelerine uyarlamalarına” yardımcı olmayı amaçladığını söyledi.

NVIDIA otomotivden sorumlu başkan yardımcısı Ali Kani, Alpamayo 2 Edge entegrasyonunun geliştiricilere teknolojiyi araştırma aşamasından kendi araçlarına taşıyabilecekleri açık bir temel sunduğunu söyledi.

TIER IV’ün açıkladığı sonraki adımlar; performansı daha da iyileştirmek, araç içi optimizasyon yapmak, Autoware aracılığıyla otomobil üreticileri ve iş ortaklarıyla ticarileşmeye gitmek ve farklı araç türleri ile uygulama alanlarına yayılmak. Autoware 2.0 ortak mimariyi sağlarken AutoE2E’nin tamamlanmamış kapalı döngü testleri, açık kaynak olarak sunulmanın ve araçlarda doğrulanmış biçimde kullanıma alınmanın birbirinden ayrı aşamalar olduğunu gösteriyor.