英偉達は11月11日にAlpamayo 2 Edge 車載AIモデルを正式に発表し、主にそのリアルタイム自適応推理能力を強調した。このモデルは周囲の環境に基づいて走行ルートを計画し、必要に応じて自身の運転判断を説明することができる。例えば、歩行者に遭遇した際にはシステムが積極的に道を譲ったり、狭い道路で対向するバスにスペースを譲ったりする。英偉達は、開発者がこのオープンモデルを基に次世代の自動運転車を構築し、自社の車両群のニーズに応じてカスタマイズできると述べている。
Alpamayo 2 Edgeは約20億のパラメータを持つNemotron推理バックボーンネットワークを採用し、拡散型アクションエキスパートと組み合わせた視覚-言語-アクション（VLA）モデルである。これにより、車両の周囲の複数のカメラ映像、過去の動きの情報、ナビゲーション指示を同時に処理し、運転軌跡を生成し、因果推理を通じてなぜ特定の運転行動を取ったのかを説明することができる。従来の自動運転システムが主に事前に設定されたルールや認識モジュールに依存しているのとは異なり、このアプローチは車両に人間に近いシーン理解と意思決定能力を持たせることを目指している。
Alpamayo 2 Edgeの自適応推理能力が大幅に向上
今回のアップグレードの焦点は自適応推理である。車両が通常の道路を走行する際には、常に複雑な推理を行う必要がなく、モデルは不必要な計算を減らすことができる。一方、複雑な道路状況に遭遇した場合には、より詳細な推理プロセスを生成する。この設計により、車載計算リソースの消費を抑えつつ、複雑なシーンでの意思決定能力を保持することが可能となる。
性能面では、英偉達はAlpaGym閉ループ強化学習フレームワークを使用してモデルを訓練し、閉ループ運転のパフォーマンスは未訓練の最適モデルに比べて48.9%向上した。TensorRTなどのツールで最適化された後、Alpamayo 2 EdgeはDRIVE AGX Thorプラットフォーム上での画像から運転軌跡への推理遅延が約160から190ミリ秒となっている。開発者はまた、モデルの重みをダウンロードし、自社の車両およびセンサー構成に基づいて微調整を行い、英偉達が提供するシミュレーション、訓練、評価ツールを利用して運転戦略を最適化することができる。
Alpamayo 2 Edgeは現在、主に自動運転開発者を対象としており、一般的な量産車に直接インストールできる完全な自動運転システムではない。