黄仁勋亲测英伟达辅助驾驶系统Alpamayo,全程无接管
英伟达CEO黄仁勋近日亲测了公司最新的自动驾驶辅助系统。在从加利福尼亚州伍德赛德前往旧金山市中心的试驾中,搭载英伟达参与开发的MB.Drive Assist Pro系统的奔驰CLA轿车,在22分钟的行程中实现了零接管,顺利应对了施工路段、狭窄车道等复杂路况。此次实测展示了英伟达在自动驾驶领域从底层芯片向端到端AI解决方案转型的最新成果。
01核心架构:混合栈技术路线
在今年早些时候的CES上,英伟达发布了代号为Alpamayo的解决方案,旨在实现L4级自动驾驶。黄仁勋将其称为“实体AI的ChatGPT时刻”。该系统的核心架构采用了“端到端AI模型”与“传统人工工程化技术栈”相结合的独特路径。
自动驾驶技术路线对比
英伟达混合架构
兼顾类人驾驶与安全验证
- 端到端模型:负责环境推理与决策,使车辆驾驶风格接近人类,处理减速带、变道更自然。
- 传统技术栈:遵循成熟的工程规范与流程,提供基于道路规则的安全框架,弥补纯AI模型在安全验证上的不足。
行业纯端到端方案
依赖神经网络数据驱动
- 特斯拉 (FSD):完全依赖端到端神经网络,通过庞大的车队数据积累进行训练。
- 其他厂商:部分企业也在使用端到端模型,但通常会搭配明确的安全规则来约束车辆行为。
02传感器策略与竞品对比
在传感器配置上,英伟达与特斯拉存在显著差异。英伟达强调感知技术的冗余性与多样性,认为这对于处理极端场景和实现更高安全等级至关重要。其DRIVE Hyperion平台支持多种配置,基础版依赖摄像头与雷达,高配版本则搭载激光雷达。
| 对比维度 | 英伟达 (NVIDIA) | 特斯拉 (Tesla) |
|---|---|---|
| 传感器策略 | 多传感器融合(摄像头、雷达、超声波、激光雷达) | 主要依赖摄像头(纯视觉方案) |
| 核心优势 | 感知冗余度高,利于处理极端场景与安全验证 | 硬件成本低,依托海量车队数据进行迭代 |
| 数据来源 | 仿真训练(神经重建NuRec)、合作伙伴行车视频 | 数十亿英里的实车驾驶数据 |
| 目标成本 | 垂直整合方案,预计未来激光雷达可下探至4~5万美元车型 | 通过简化传感器配置降低单车成本 |
英伟达与特斯拉自动驾驶方案对比
03未来展望:仿真与VLA模型
面对特斯拉和Waymo的数据积累优势,英伟达将“仿真”视为追赶的关键基础设施。通过神经重建(NuRec)和数据增强技术,英伟达能够复现真实场景并修改元素,生成极端案例进行训练,从而减少对海量实车数据的依赖。
- 神经重建 (NuRec):利用采集的传感器数据复现真实驾驶场景。
- 数据增强:在重建场景中修改元素(如调整行人速度),测试系统在细微变化下的表现。
- VLA模型研发:整合视觉感知、语言理解与物理动作,类似驾校学习逻辑,目标是仅靠交规和少量训练数据即可学会开车。
当前文章无评论,是时候发表评论了