NVIDIA presentó oficialmente el 11 de noviembre el modelo de IA vehicular Alpamayo 2 Edge, destacando principalmente su capacidad de inferencia adaptativa en tiempo real. Este modelo puede planificar rutas de conducción según el entorno circundante y, cuando es necesario, explicar sus decisiones de conducción. Por ejemplo, al encontrarse con peatones, el sistema cederá el paso o, en caminos estrechos, hará espacio para autobuses que se aproximan. NVIDIA indicó que los desarrolladores pueden construir vehículos autónomos de próxima generación basándose en este modelo abierto y personalizarlo según las necesidades de su flota.
Alpamayo 2 Edge utiliza una red neuronal de inferencia Nemotron con aproximadamente 2 mil millones de parámetros, combinada con expertos en acciones difusas, y pertenece a la categoría de modelos visual-lenguaje-acción (VLA). Puede procesar simultáneamente múltiples imágenes de cámaras alrededor del vehículo, información histórica de movimiento y comandos de navegación, generando trayectorias de conducción y explicando, a través de inferencia causal, por qué se toma una determinada acción de conducción. A diferencia de los sistemas de conducción autónoma tradicionales que dependen principalmente de reglas predefinidas y módulos de percepción, este enfoque intenta dotar al vehículo de una comprensión de escenas y capacidades de toma de decisiones más cercanas a las humanas.
La capacidad de inferencia adaptativa de Alpamayo 2 Edge mejora significativamente
El enfoque de esta actualización es la inferencia adaptativa. Cuando el vehículo circula por carreteras normales, no necesita realizar inferencias complejas en cada momento, lo que permite al modelo reducir cálculos innecesarios; sin embargo, al enfrentarse a situaciones complejas, puede generar procesos de inferencia más detallados. Este diseño ayuda a disminuir el consumo de recursos computacionales a bordo, manteniendo al mismo tiempo la capacidad de toma de decisiones en escenarios complejos.
En cuanto al rendimiento, NVIDIA utilizó el marco de aprendizaje por refuerzo de bucle cerrado AlpaGym para entrenar el modelo, logrando que el rendimiento de conducción en bucle cerrado mejorara en un 48.9% en comparación con el mejor modelo que no había pasado por esta fase de entrenamiento. Tras la optimización con herramientas como TensorRT, la inferencia de imágenes a trayectorias de conducción de Alpamayo 2 Edge en la plataforma DRIVE AGX Thor tiene un retraso de aproximadamente 160 a 190 milisegundos. Los desarrolladores también pueden descargar los pesos del modelo, ajustarlo según la configuración de sus vehículos y sensores, y utilizar las herramientas de simulación, entrenamiento y evaluación proporcionadas por NVIDIA para optimizar las estrategias de conducción.
Alpamayo 2 Edge está actualmente dirigido principalmente a desarrolladores de conducción autónoma y no es un sistema de conducción autónoma completo que se pueda instalar directamente en automóviles de producción en serie.

