業務目標
明確要解決的性能、擴容、穩定性、覆蓋、互連或運維問題，並確認上線優先級。
開發自動駕駛策略需要彌合訓練與部署之間的關鍵鴻溝。視覺-語言-動作（VLA）模型能夠利用互聯網規模的圖文資料預訓練，再通過駕駛資料進行微調，展現出在駕駛場景中理解和行動的能力。然而，傳統的開環訓練方式——模型在靜態資料集上學習預測正確的駕駛動作——無法讓模型體驗自身決策的後果，導致在真實道路上面臨分布偏移時表現不穩定。NVIDIA Alpamayo正是為解決這一挑戰而設計，它是一個閉環訓練框架，讓自動駕駛策略模型在逼真的仿真環境中不斷試錯和學習。
Alpamayo的工作流程包括三個階段：首先在真實駕駛資料上進行開環預訓練，使模型具備基礎的感知和駕駛能力；然後在NVIDIA Omniverse構建的高保真仿真環境中進行閉環策略學習，模型在仿真器中自主駕駛並接收獎勵信號，通過強化學習優化駕駛策略；最後將訓練好的策略遷移到真實車輛上進行驗證和微調。通過在仿真環境中經歷數百萬英里的駕駛體驗，包括各種邊緣場景和危險情況，Alpamayo訓練出的自動駕駛策略在安全性、流暢性和泛化能力上顯著優於僅通過開環訓練得到的模型。這一方法正在成為L3/L4級自動駕駛策略開發的標準範式，有效解決了仿真到現實（sim-to-real）的遷移鴻溝。
WeChat
Profile