NVIDIA Alpamayo 2 Edge Optimiert AV-Argumentation für Bord-Systeme

NVIDIA hat Alpamayo 2 Edge eingeführt, ein adaptives Argumentations-Modell für visuelle, sprachliche und handlungsorientierte (VLA) Anwendungen mit 2 Milliarden von Parametern, das dafür entwickelt wurde, innerhalb der Rechen- und Latenzanforderungen von Bord-Systemen autonomer Fahrzeuge (AV) zu arbeiten. Entworfen für den Echtzeiteinsatz auf NVIDIA DRIVE AGX Thor, adressiert das Modell die Herausforderung, die Argumentationsqualität und Effizienz in Edge-Umgebungen auszubalancieren.

Wichtige Funktionen von Alpamayo 2 Edge

Alpamayo 2 Edge basiert auf dem Nemotron-Argumentations-Rückgrat von NVIDIA Cosmos 3 Edge und integriert einen Diffusions-Aktions-Experten. Es verarbeitet Eingaben von Rundum-Kameras, zeitlichem Kontext und Navigationsanweisungen, um Kausalitätsketten (CoC) Argumentationen und Fahrtrajektorien zu generieren. Das Modell verwendet adaptive Argumentation, um unnötige Token-Generierung während des routinemäßigen Fahrens zu minimieren und so die Berechnungsressourcen für Inferenz zu schonen.

Um die Leistung weiter zu optimieren, wurde Alpamayo 2 Edge mit geschlossenem Regelkreis Verstärkungslernen (RL) in NVIDIA AlpaGym nachtrainiert. Dieser Prozess verbesserte die Leistung im geschlossenen Regelkreis um 48.9% im Vergleich zum besten Leistungscheckpunkt ohne RL. Darüber hinaus unterstützt das Modell Eingaben mit mehreren Auflösungen und spekulative Decodierung mit DFlash2 , was effizientes Online-Argumentieren ermöglicht, ohne an Qualität zu verlieren.

Bewertung und Bereitstellung

Um die Argumentationsqualität sicherzustellen, entwickelte NVIDIA AlpaJudge, ein menschlich kalibriertes Bewertungs- und Belohnungsmodell. AlpaJudge bewertet Argumentationsspuren, wählt hochqualitative Trainingsdaten aus und bietet RL-Belohnungen an. Entwickler können AlpaJudge in ihre Arbeitsabläufe integrieren, um die Modellleistung zu verfeinern durch:

• Durchführen von Bewertungen an PhysicalAI-AV-Proben.
• Auswahl von Trainingsbeispielen, die Lernmöglichkeiten bieten.
• Verwendung von Argumentationspunkten als Belohnungen für das Nachtraining.

Bereitstellungsrezepte für Alpamayo 2 Edge umfassen Quantisierung und Inferenzbeschleunigungstechniken unter Verwendung von NVIDIA TensorRT und TensorRT-Edge-LLM. Diese Optimierungen ermöglichen eine Pixel-zu-Trajektorie-Latenz von 160-190 Millisekunden auf DRIVE AGX Thor.

Leistungsbenchmarks und Branchenfeedback

Im Vergleich zu Qwen- Drive-1.0 zeigte Alpamayo 2 Edge eine überlegene Leistung bei geschlossenen Regelkreisfahrten, offenen Regelkreistrajektorien und Szenenverständnis-Benchmarks. Es erreichte ungefähr 40 Mal den Abstand zwischen schuldhaften Vorfällen in AlpaSim-Simulationen.

Frühe Anwender haben signifikante Verbesserungen berichtet. Matas Simonavicius, CTO von PORT, hob hervor, dass Alpamayo 2 Edge die Fahrstreifen Disziplin doppelt so oft wie sein Vorgänger, Alpamayo 1.5 , aufrechterhielt und Trajektorien doppelt so schnell plante. Ebenso bemerkte Luca Crotti, Mitbegründer von Niulinx, eine Reduzierung des seitlichen Vorhersagefehlers um 46.1% in 3 Sekunden während der Null-Probenbewertungen. Embedl-CEO Hans Salomonsson bestätigte, dass das Modell innerhalb von 48 Stunden nach der Bereitstellung Echtzeit-Planungsgeschwindigkeiten von 10 Hz auf AGX Thor erreichte.

Diese Fortschritte positionieren Alpamayo 2 Edge als robuste Lösung zur Integration von argumentationsbasierten Fahrfunktionen in Bord-AV-Systeme.