Volkswagen Konzern baut mit NVIDIA, Microsoft und Voxel51 gemeinsames Daten-Schwungrad für autonomes Fahren
Porsche, Marken des Volkswagen Konzerns und CARIAD entwickeln gemeinsam mit NVIDIA, Microsoft und Voxel51 ein geteiltes Daten-Schwungrad (Data Flywheel) für die Entwicklung autonomer Fahrzeuge. Laut Ankündigung sollen sich wiederholte physische Testfahrten um bis zu 90 % verringern und die Testzyklen für KI-Regressionstests um bis zu 85 % verkürzen lassen.
- Porsche, Marken des Volkswagen Konzerns und CARIAD bauen mit NVIDIA, Microsoft und Voxel51 ein gemeinsames AV-Daten-Schwungrad, angekündigt auf der NVIDIA GTC Berlin.
- Die Unternehmen erwarten bis zu 90 % weniger wiederholte physische Testfahrten und bis zu 85 % kürzere KI-Regressionstestzyklen.
- Voxel51 prüft Rohfahrten vor der Rekonstruktion mit NVIDIA Omniverse NuRec anhand von rund 80 Checks.
- Die Workloads laufen auf Microsoft Azure innerhalb des bestehenden Sicherheits- und Governance-Modells des Volkswagen Konzerns.
Eine Referenzarchitektur auf Basis von Flottendaten
Die Unternehmen stellten das Projekt auf der NVIDIA GTC Berlin vor. Porsche verantwortet die erste Umsetzung und die Integration des Ökosystems. Laut Ankündigung verfügt der Volkswagen Konzern über eine Flotte, die täglich Daten im Umfang von 11.000 durchschnittlichen Fahrern erzeugt. Diese Daten nutzt der Konzern, um einen Physical-AI-Stack aufzubauen, der Flottendaten mit Simulation, Training und Evaluierung verbindet.
Jeder Partner hat eine klar definierte Rolle:
- Volkswagen: steuert die vernetzte Flotte, reale Fahrdaten, die Fahrzeugplattform und die Systemanforderungen bei.
- Voxel51: liefert die Datenebene, wandelt rohe Flottendaten in Trainings- und Simulationseingaben um und verknüpft Modellfehler mit den Szenarien und Daten, die für die nächste Iteration nötig sind.
- NVIDIA: stellt Technologien für Datenabruf, Datengenerierung und Simulation bereit, darunter Cosmos Data Factory und die Omniverse-NuRec-Bibliotheken zur Rekonstruktion realer Fahrten.
- Microsoft Azure: bietet die Cloud- und Recheninfrastruktur, die Volkswagen bereits nutzt.
Das Ergebnis beschreiben die Unternehmen als Referenzarchitektur für Autohersteller, die die nächste Generation fortschrittlicher Fahrsysteme entwickeln.
Voxel51 prüft Fahrten vor der Rekonstruktion
Eine der ersten Anwendungen ist die virtuelle Validierung von Releases der Fahrsoftware. Das Team rendert rekonstruierte Kameraeingaben aus realen Fahrten und vergleicht simulierte Ausgaben mit realen Messwerten. Erklärtes Ziel ist es, Tests wiederholbar zu machen, Feedbackzyklen zu verkürzen und die Abhängigkeit von physischen Testfahrten zu verringern.
In der Mitteilung wird betont, dass die Rekonstruktion empfindlich auf fehlerhafte Eingaben reagiert. Eine um wenige Grad verstellte Kamerakalibrierung oder ein Zeitversatz der LiDAR-Uhr stoppt einen Rekonstruktionsjob nicht, kann aber nach Stunden an GPU-Zeit eine Szene erzeugen, die gut bewertet wird und dennoch falsch aussieht. Jede nachgelagerte Simulation erbt den Fehler. Um das zu verhindern, prüft Voxel51 jede Rohaufnahme anhand von rund 80 Checks zu Sensorintegrität, Zeitsynchronisation, Kalibrierung, Trajektorien, Akteuren und Koordinatensystemen.
Das Audit liest MCAP-Dateien direkt aus, und die schnellsten Checks sind pro Fahrt in einem Bruchteil einer Sekunde abgeschlossen. Jeder Check hält fest, ob er bestanden wurde, fehlgeschlagen ist oder nicht ausgeführt werden konnte, damit fehlende Eingaben nicht mit gültigen Daten verwechselt werden.
Ingenieure können NVIDIA-Omniverse-NuRec-Rekonstruktionen sowie Daten aus NVIDIA-Cosmos-Läufen direkt in Voxel51 starten und verfolgen. Jede synthetische Ausgabe wird automatisch auf Qualität geprüft und bleibt mit dem Quellclip, dem Generierungsrezept und dem erzeugenden Modell verknüpft. Die Qualität wird nicht anhand eines einzelnen Wertes, sondern in mehreren Dimensionen bewertet: Die Bildqualität wird nach Kamera und Objektklasse gemessen, hinzu kommen separate Prüfungen für Fahrzeuge und Fußgänger. Anschließend durchläuft jeder Lauf eine Review-Warteschlange, in der Ingenieure ihn für die Simulation freigeben, zum erneuten Training zurückschicken oder ablehnen können.
Warum die Unternehmen in Flottendaten den Vorteil sehen
Voxel51 unterstützt zudem Workflows wie multimodale Suche und Abfrage, automatisiertes Labeling, szenariobasierte Kuratierung, Datensatz-Balancing, Auswahl von Trainingsdaten und Modellvalidierung. Jede Phase läuft als Job auf Microsoft Azure, wo der Volkswagen Konzern seine Flottendaten verwaltet, und zwar innerhalb des bestehenden Sicherheits-, Identitäts- und regionalen Governance-Modells.
Voxel51-CEO Brian Moore sagte: "The key to really industry-leading performance is to harness the data that your company has access to." Rishi Dhall, Vice President Automotive bei NVIDIA, erklärte, der Volkswagen Konzern könne mit der Plattform und der NVIDIA-Technologie "turn fleet data into high-fidelity simulation scenarios to accelerate the development and validation of next-generation driving systems."
Ein gemeinsames Datenmodell sorgt dafür, dass Fahrdaten und Szenarien, die in einem Projekt entstehen, über Fahrzeugprogramme, Software-Releases und Marken hinweg weiterverwendet werden können. Laut Ankündigung erweitert jede neue Fahrt die Szenariobasis, und rekonstruierte Szenen lassen sich in späteren Entwicklungs- und Validierungszyklen wiederverwenden.
Was das für Autohersteller bedeutet
Die Ankündigung beschreibt die Chance für Autohersteller so, dass sie sich nicht nur danach bemisst, wie viele proprietäre Daten sie besitzen, sondern auch danach, wie schnell sie Ereignisse auf der Straße in die nächste Trainings-, Simulations- und Validierungslast überführen können. Die Reduktionen um 90 % und 85 % sind von den Unternehmen genannte erwartete Ergebnisse, keine gemessenen Resultate. Für andere Autohersteller wird das Projekt als Vorlage präsentiert, um Flottendaten, Simulation und Cloud-Infrastruktur zu verbinden. Voxel51 zufolge wird seine Plattform bereits von Teams bei Berkshire Grey, Porsche, Volkswagen Group, Ford und Precision Planting eingesetzt.
