Hyundai Motor Group ავტონომიური მართვის ინოვაციებს ხელოვნურ ინტელექტზე დაფუძნებული მონაცემთა უწყვეტი ციკლის მეშვეობით აჩქარებს

• Hyundai Motor Group-მა გამართა ღონისძიება სახელწოდებით- ავტონომიური მართვის მედია დღე („HMG Autonomous Driving Media Day“), რომელზეც ავტონომიური მართვის განვითარების მომდევნო ეტაპის საგზაო რუკა წარადგინა. ღონისძიებაზე პირველად აჩვენა Level 2++ ტექნოლოგია.
• ორმაგი მიმართულების სტრატეგია აჩქარებს Level 2+ სისტემის სერიულ წარმოებაში დანერგვას NVIDIA-სთან თანამშრომლობით და ამავდროულად ხელს უწყობს ავტონომიური მართვის საკვანძო ტექნოლოგიების დამოუკიდებლად განვითარებას Hyundai Motor Group-ის საკუთრებაში არსებული Atria AI-ის მეშვეობით;
• წარმოების დაწყების სამიზნე ვადები: NVIDIA-ს გადაწყვეტილებებზე დაფუძნებული Level 2+ სისტემის დანერგვა დაგეგმილია 2028 წლის პირველ ნახევარში, ხოლო Level 2++ სისტემისა – 2028 წლის მეორე ნახევარში. Atria AI-ზე დაფუძნებული Level 2++ სისტემით აღჭურვილი ავტომობილების გამოშვება კი 2029 წლის მეორე ნახევარშია დაგეგმილი.
• სენსორების სტანდარტიზაციის ეტაპობრივი დანერგვა Hyundai Motor-ის, Kia-ს, 42dot-ისა და Motional-ის მასშტაბით გააერთიანებს ავტონომიური მართვის შესაძლებლობებს ჯგუფის ფარგლებში;
• მონაცემთა უწყვეტი ციკლის (Data Flywheel) სტრატეგია ქმნის მონაცემთა შეგროვების, მოდელების სწავლების, ვალიდაციისა და დანერგვის უწყვეტ ციკლს, რაც ხელოვნური ინტელექტის შესაძლებლობების მუდმივ გაუმჯობესებას უზრუნველყოფს;
• ჯგუფის მონაცემთა ეკოსისტემის გაფართოება მოხდება წელიწადში 7 მილიონი ავტომობილის გაყიდვის მაჩვენებლისა და Data Union-ის ჩარჩოს გამოყენებით. ამავდროულად, დაინერგება მონაცემებზე ორიენტირებული განვითარების მოდელი, რომელიც ეფუძნება რთული შემთხვევების გამოვლენასა და შერჩევას (Hard Example Mining), უწყვეტ სწავლებასა და SER-ს.
• რეალურ საგზაო პირობებში Level 4 ავტონომიური მართვის საპილოტე პროექტი წლის ბოლომდე დაიწყება კვანჯუში, სამხრეთ კორეის მიწის, ინფრასტრუქტურისა და ტრანსპორტის სამინისტროსთან თანამშრომლობით, რათა დიდი მოცულობის ვალიდაციის მონაცემების შეგროვება გახდეს შესაძლებელი.
• 42dot იზიარებს Vision-Language-Action (VLA) პრინციპზე დაფუძნებულ ავტონომიური მართვის ტექნოლოგიას, რომელიც აერთიანებს ვიზუალურ ინფორმაციას და ენობრივ მსჯელობას მართვასთან დაკავშირებული გადაწყვეტილებების მისაღებად;
  VLA-ს კვლევა ორიენტირებულია არასტანდარტული შემთხვევების (edge cases) მოგვარებაზე, ხოლო ბოლოდან ბოლომდე (E2E) ავტონომიისა და VLA მოდელების პარალელური განვითარება აუმჯობესებს ტექნიკურ სტაბილურობასა და მასშტაბურობას;
  VLA მოდელის ვალიდაცია ამჟამად მიმდინარეობს, ხოლო საგზაო ტესტირება და განვითარების სრული პროცესი მომავალი წლის დასაწყისამდე გაგრძელდება.
• ახალი Atria AI-ის ქალაქში მართვის ვიდეოები – ხელმძღვანელთან თანმხლები მგზავრობა, უწყვეტი ერთი გადაღებით ჩაწერილი კადრები და არასტანდარტული სიტუაციების დამუშავება – უკვე ხელმისაწვდომია ჯგუფის You Tube-არხზე.

2026 წლის 13 სექტემბერი, სეული – Hyundai Motor Group-მა (შემდგომში – ჯგუფი) განაცხადა, რომ Data Flywheel სისტემა სრულად აამოქმედა, რაც ავტონომიური მართვის ტექნოლოგიის განვითარების სტრატეგიაში ახალ ეტაპს აღნიშნავს. სისტემა ქმნის მონაცემთა შეგროვების, ხელოვნური ინტელექტის (AI) სწავლების, ვალიდაციისა და დანერგვის უწყვეტ ციკლს, რაც სწავლის პროცესისა და ტექნოლოგიური განვითარების დაჩქარების გზით კონკურენტული უპირატესობის მოპოვებას უზრუნველყოფს.

კორეის, კიონგის პროვინციაში, 42dot-ის სათავო ოფისში გამართულ ღონისძიებაზე – „HMG-ის ავტონომიური მართვის მედია დღე“ – ჯგუფმა წრადგინა: ავტონომიური მართვის ტექნოლოგიის განვითარების სტრატეგია, ტექნოლოგიური საგზაო რუკა, ძირითადი მიღწევები და განხორციელების გეგმები. პრეზენტაციამ ხაზი გაუსვა ჯგუფის სტრატეგიულ პოზიციონირებას ავტონომიური მართვის ტექნოლოგიების გლობალურ კონკურენციაში და დეტალურად წარმოაჩინა, თუ როგორ ქმნის მონაცემებისა და ხელოვნური ინტელექტის ინტეგრირებული სისტემები მომავალი თაობის საავტომობილო ტექნოლოგიების საფუძველს.

ღონისძიებაზე ჯგუფმა ავტონომიური მართვის სფეროში კონკურენტუნარიანობის ერთ-ერთ მთავარ ელემენტად Data Flywheel  დაასახელა, წარმოადგინა მისი ფუნქციონირების მოდელი და განხორციელების სტრატეგია, რომელთა მეშვეობითაც რეალურ საგზაო პირობებში შეგროვებული დიდი მოცულობის მონაცემები ტექნოლოგიების უწყვეტ გაუმჯობესებას ემსახურება.

42dot-მა ასევე წარადგინა ჯგუფის მიერ შემუშავებული ავტონომიური მართვის ხელოვნური ინტელექტის – Atria AI-ის – ძირითადი ტექნოლოგიები და განვითარების მიმდინარე ეტაპი. ამასთან, კომპანიამ მიმოიხილა Vision-Language-Action (VLA) ტექნოლოგიის განვითარების ინიციატივის წინაპირობები და სამომავლო გეგმები.

ღონისძიების ფარგლებში ჯგუფმა გამოაქვეყნა ვიდეომასალა, რომელშიც Atria AI-ით აღჭურვილი SDV სატესტო ავტომობილი რთულ ურბანულ საგზაო პირობებში მძღოლის ჩარევის გარეშე გადაადგილდება. ვიდეოში წარმოდგენილი ავტონომიური მართვის სისტემა, რომელსაც Level 2++ შესაძლებლობები აქვს, ნათლად აჩვენებს, თუ როგორ უზრუნველყოფს Data Flywheel სწავლის, ვალიდაციისა და სისტემის მუშაობის მაჩვენებლების გაუმჯობესების უწყვეტ ციკლს.

ვიდეომასალა ხელმისაწვდომია ჯგუფის ოფიციალურ You Tube-არხზე.

როგორ ამზადებს ორმიმართულებიანი სტრატეგია ჯგუფს კონკურენციისთვის?

მარტში Hyundai Motor Group-მა NVIDIA-სთან თანამშრომლობის სტრატეგია გამოაცხადა და ორმიმართულებიანი მიდგომა წარადგინა. იგი აერთიანებს უკვე გამოცდილი ავტონომიური მართვის ტექნოლოგიების სწრაფ დანერგვასა და საკუთარი ხელოვნური ინტელექტის შესაძლებლობების განვითარებას.

პირველი მიმართულება: NVIDIA-სთან თანამშრომლობა მასობრივი წარმოების დასაჩქარებლად

ჯგუფი NVIDIA-ს დადასტურებულ  სატრანსპორტო AI-გამოთვლით პლატფორმასა და ავტონომიური მართვის პროგრამულ უზრუნველყოფას თავის პროგრამულად განსაზღვრული ავტომობილის (SDV) არქიტექტურაში გააერთიანებს. ეს მიმართულება პრიორიტეტს ანიჭებს ტექნოლოგიების სწრაფ დანერგვას და ამავდროულად ქმნის მონაცემებზე დაფუძნებულ განვითარების მასშტაბირებისთვის საჭირო საფუძველს.

• NVIDIA-ს გადაწყვეტილებებზე დაფუძნებული Level 2+ ავტონომიური მართვის შესაძლებლობების მქონე სერიული წარმოების ავტომობილების გამოშვება დაგეგმილია 2028 წლის პირველ ნახევარში, ხოლო Level 2++ შესაძლებლობების მქონე სერიული წარმოების ავტომობილის – 2028 წლის მეორე ნახევარში;
• Hyundai Motor-ის, Kia-ს, 42dot-ისა და Motional-ის მიერ გამოყენებული სენსორული სისტემების ეტაპობრივი სტანდარტიზაცია NVIDIA DRIVE Hyperion 10 პლატფორმის გარშემო;
• ხელოვნური ინტელექტის სწავლებისა და ვალიდაციისთვის მონაცემთა შეგროვებისა და გამოყენების უფრო თანმიმდევრული პროცესის ჩამოყალიბება.

მეორე მიმართულება: Atria AI – ტექნოლოგიური დამოუკიდებლობისა და გრძელვადიანი შესაძლებლობების განვითარება

პარალელურად, AVP-ის განყოფილება და 42dot აგრძელებენ Atria AI-ის განვითარებას – ავტონომიური მართვის საკუთარ, ბოლომდე ინტეგრირებულ (E2E – End-to-End) სისტემას, რომელიც ამ ორმა ორგანიზაციამ ერთობლივად შეიმუშავა. გუნდები მუშაობენ განვითარების ერთიანი, ინტეგრირებული ჩარჩოს ფარგლებში.

• Atria AI-ით აღჭურვილი, Level 2++ ავტონომიური მართვის შესაძლებლობების მქონე ავტომობილების სერიული წარმოების დაწყება დაგეგმილია 2029 წლის მეორე ნახევარში.
• ავტონომიური მართვის შესაძლებლობების ეტაპობრივი გაუმჯობესება სერიული წარმოების ავტომობილებიდან შეგროვებული რეალურ საგზაო პირობებში მიღებული მონაცემების საფუძველზე.

ორმიმართულებიანი სტრატეგია ჯგუფს საშუალებას აძლევს, უახლოეს მომავალში მომხმარებლებს მოწინავე ტექნოლოგიური შესაძლებლობები შესთავაზოს და ამავდროულად შექმნას მდგრადი ტექნოლოგიური უპირატესობა გრძელვადიან პერსპექტივაში.

როგორ უწყობ ხელს მონაცემთა უწყვეტი ციკლი (Data Flywheel) სწავლასა და შესაძლებლობების განვითარებას?

Data Flywheel ეფუძნება უწყვეტი განვითარების პრინციპს, რომლის ფარგლებშიც ავტომობილებიდან შეგროვებული მონაცემები ხელოვნური ინტელექტის (AI) მოდელების სწავლებისა და ვალიდაციისთვის გამოიყენება. გაუმჯობესებული მოდელები შემდგომ კვლავ ავტომობილებში ინერგება, რაც ახალი მონაცემების შეგროვების შესაძლებლობას ქმნის. ამასთანავე, ჯგუფს მნიშვნელოვანი უპირატესობა აქვს Data Flywheel-ის საწყის ეტაპზე – მონაცემთა მოპოვების მიმართულებით.

მონაცემთა შეგროვება გლობალური მასშტაბით

Hyundai Motor ყოველწლიურად 7 მილიონზე მეტ ავტომობილს ყიდის მსოფლიოს დაახლოებით 190 ქვეყანაში და რეგიონში. წარმოებისა და გაყიდვების ასეთი გლობალური მასშტაბი ავტონომიური მართვისთვის საჭირო მონაცემების შეგროვების მნიშვნელოვან საწყის უპირატესობას ქმნის.

ამჟამად ჯგუფი სადღეღამისო რეჟიმში მუშაობს მონაცემთა შეგროვებისთვის განკუთვნილი დაახლოებით 40 სპეციალიზებული ავტომობილით, რომლებიც მართვის პროცესში მონაცემებს აგროვებენ. მონაცემთა ნაკრებები მოიცავს არა მხოლოდ მართვის ჩვეულებრივ სცენარებს, არამედ რეალურ საგზაო პირობებში წარმოქმნილ მრავალფეროვან, რთულ და არასტანდარტულ შემთხვევებსაც, მათ შორის:

• საგზაო სამუშაო ზონებს და ინფრასტრუქტურის მრავალფეროვნებას;
• მკაცრ მეტეოროლოგიურ პირობებს;
• ზოლის უეცარ შეცვლასა და ავარიულ მანევრებს;
• გვერდით ქუჩებსა და ვიწრო გზებზე გაჩერებულ ავტომობილებს;
• ქალაქისთვის დამახასიათებელი რთული საგზაო მოძრაობის დინამიკა.

მოწინავე სწავლების ტექნოლოგიები

მიუხედავად იმისა, რომ მართვის მონაცემების დიდი მოცულობა მნიშვნელოვანი ფაქტორია, ავტონომიური მართვის ხელოვნური ინტელექტის (AI) ეფექტიანობა მხოლოდ მონაცემების რაოდენობით არ განისაზღვრება. მოდელების გაუმჯობესება დამოკიდებულია იმაზე, თუ რამდენად ეფექტიანად შეუძლიათ დეველოპერებს იმ სიტუაციების იდენტიფიცირება, რომლებიც ხელოვნური ინტელექტის სისტემებისთვის გამოწვევას წარმოადგენს და სწავლების სწორედ ასეთ სცენარებზე ფოკუსირება.

AI მოდელების გაუმჯობესების დასაჩქარებლად Hyundai Motor Group მიმდინარე წლის დასაწყისიდან მონაცემთა უწყვეტი ციკლის (Data Flywheel) სისტემაში ახალ ტექნოლოგიებს ეტაპობრივად აერთიანებს.

• რთული შემთხვევების იდენტიფიცირება (Hard Example Mining) – ავტომატურად ავლენს მართვის რთულ სიტუაციებს, ე.წ. edge case-ებს, რომელთა ამოცნობა ან ინტერპრეტაცია AI მოდელებს უჭირთ და პრიორიტეტს სწორედ ამ სცენარების გამოყენებით სწავლებას ანიჭებს.

• უწყვეტი სწავლების პროცესი (Continuous Training Pipeline) – რეალურ საგზაო პირობებში მართვისა და ვალიდაციის პროცესების შედეგად ახლად მიღებულ მონაცემებს მუდმივად ამატებს მოდელების სწავლების პროცესში, რაც დროთა განმავლობაში მათი მახასიათებლების განმეორებით გაუმჯობესებას უზრუნველყოფს. ავტომობილების შეფასების შედეგად მიღებული მიგნებები კვლავ მონაცემთა შეგროვებისა და მოდელების განვითარების პროცესს უბრუნდება, რაც განვითარების ციკლებს ამოკლებს და მოდელების დახვეწას აჩქარებს.

• ვირტუალური ვალიდაციის ტექნოლოგია (Virtual Validation Technology) – ვირტუალური ვალიდაცია მონაცემთა უწყვეტი ციკლის კიდევ ერთი მნიშვნელოვანი კომპონენტია. Hyundai Motor Group რეალურ საგზაო პირობებში შეგროვებულ მონაცემებს სამგანზომილებიან გარემოებად გარდაქმნის და იყენებს მოწინავე გრაფიკულ ტექნოლოგიებს, მათ შორის 3D Gaussian Splatting-ს, რათა აღადგინოს ისეთი სცენარები, რომელთა რეალურ პირობებში გამოცდა რთული ან პოტენციურად სახიფათოა. ეს ინჟინრებს საშუალებას აძლევს, მოდელები სხვადასხვა რთულ სცენარში განმეორებით შეაფასონ და ამავდროულად დარწმუნდნენ, რომ ახლად გაწვრთნილი მოდელები მანამდე მიღწეულ შედეგებს არ აუარესებს.

• განვითარება დროის ზონების მონაცვლეობით (Follow-the-Sun Development) – სამხრეთ კორეასა და აშშ-ში მდებარე განვითარების ცენტრების დაკავშირების გზით, ჯგუფი Follow-the-Sun განვითარების მოდელს იყენებს. დროის ზონებს შორის სხვაობის ეფექტიანად გამოყენებით, გუნდები თანმიმდევრულად ახორციელებენ მონაცემთა შეგროვებას, პრობლემების ანალიზსა და მოდელების გაუმჯობესებას, რაც შესაძლებელს ხდის რომ განვითარების პროცესი 24 საათის განმავლობაში უწყვეტად წარიმართოს. 

• სპეციალური მოვლენების ჩამწერის (SER) ინტეგრაცია – ჯგუფი მონაცემთა უწყვეტი ციკლის სისტემაში ეტაპობრივად აერთიანებს სპეციალური მოვლენების ჩამწერს (Special Event Recorder – SER). ეს არის სისტემა, რომელიც ავტონომიური მართვის დროს მომხდარ მნიშვნელოვან მოვლენებსა და მათთან დაკავშირებულ მონაცემებს ავტომატურად აღრიცხავს და ინახავს. შეგროვებული მონაცემები ძირითადად AI მოდელების სწავლებისა და მათი ეფექტიანობის გაუმჯობესებისთვის გამოიყენება.

ჯგუფი ასევე იკვლევს SER-ის შემდგომი გაუმჯობესების შესაძლებლობებს, რათა AI მოდელებმა უფრო ეფექტიანად გამოავლინონ რთული, არასტანდარტული სიტუაციები (edge case-ები) და ავტომატურად მოიპოვონ შესაბამისი მონაცემთა ნაკრებები, რომლებიც მათი მუშაობის გაუმჯობესებისთვისაა საჭირო.

• მონაცემთა გაერთიანების ეკოსისტემა (Data Union Ecosystem) – ჯგუფის შიგნით და მის ფარგლებს გარეთ მონაცემების გამოყენების შესაძლებლობების გასაფართოებლად, Hyundai Motor Group ქმნის Data Union-ის ჩარჩოს, რომელიც სტანდარტიზებულ სენსორულ არქიტექტურასა და მონაცემთა სტრუქტურებს ეფუძნება. ორგანიზაციებს შორის მხოლოდ ნედლი მონაცემების გაცვლის ნაცვლად, Data Union ქმნის მონაცემთა ეკოსისტემას, რომელშიც სხვადასხვა ავტომობილისა და ორგანიზაციის მიერ გენერირებული მონაცემები ერთიანი სტანდარტების საფუძველზე გროვდება და AI მოდელების სწავლებისთვის გამოიყენება.

თავდაპირველად ჯგუფი ყურადღებას Hyundai Motor-ს, Kia-ს, 42dot-სა და Motional-ს შორის მონაცემთა გამოყენების გაუმჯობესებაზე გაამახვილებს, რითაც მომავალში ამ ეკოსისტემის გაფართოებისთვის საფუძველს შექმნის.

რატომ არის მე-4 დონის ავტონომიური მართვის რეალურ პირობებში ვალიდაცია კრიტიკულად მნიშვნელოვანი?

მასობრივი წარმოებისთვის განკუთვნილი ტექნოლოგიების განვითარების პარალელურად, ჯგუფი ახორციელებს მე-4 დონის (Level 4) ავტონომიური მართვის სისტემების რეალურ საგზაო პირობებში ვალიდაციას. სამხრეთ კორეის ინფრასტრუქტურისა და ტრანსპორტის სამინისტროსთან პარტნიორობით, ჯგუფი გეგმავს, მიმდინარე წლის ბოლომდე სამხრეთ კორეის სპეციალურ მეტროპოლიურ ქალაქ ჯონნამ-გვანგჯუში Atria AI-ით აღჭურვილი SDV Pace Car-ი გამოიყენოს.

საპილოტე პროექტის ფარგლებში ავტონომიური მართვის მქონე ავტომობილები სამხრეთ კორეის რეალურ საგზაო გარემოში იმოძრავებენ, სადაც მოძრაობის რთული დინამიკა და არაპროგნოზირებადი ფაქტორები გვხვდება. ეს პირობები მნიშვნელოვნად განსხვავდება კონტროლირებად სატესტო ტრასებზე არსებული გარემოსგან. რეალურ პირობებში გადაადგილებისას გამოვლენილი მრავალფეროვანი საგზაო სცენარები და გაუთვალისწინებელი სიტუაციები აღირიცხება და AI-ის სწავლებისა და სისტემის მუშაობის გაუმჯობესების მიზნით უშუალოდ მონაცემთა უწყვეტი ციკლის (Data Flywheel) პროცესში ჩაერთვება.

ამ მიდგომის მეშვეობით ჯგუფი აუმჯობესებს, როგორც მასობრივი წარმოებისთვის განკუთვნილი მე-2+ დონის (Level 2+) მძღოლის დამხმარე ტექნოლოგიების სრულყოფილებას, ისე მე-4 დონის (Level 4) მოწინავე ავტონომიური მართვის შესაძლებლობების ვალიდაციას.

როგორ უწყობს ხელს VLA ტექნოლოგია ავტონომიური მართვის განვითარებას ფიზიკური AI-ის მიმართულებით?

ავტონომიური მართვის ტრადიციული განვითარების პროცესის პარალელურად, 42dot Vision-Language-Action (VLA) მიდგომის გამოყენებით ახალი თაობის ტექნოლოგიასაც ავითარებს. ეს არის მოდელი, რომელიც ერთიან სისტემაში აერთიანებს ვიზუალური ინფორმაციის ამოცნობას, ენობრივ საფუძველზე მსჯელობასა და მოქმედებების გენერირებას.

42dot გეგმავს VLA მოდელების განვითარებას არსებულ, ავტონომიური მართვისთვის განკუთვნილ სრულ (End-to-End, E2E) მოდელებთან ერთად. მიზანია ავტონომიური მართვის ტექნოლოგიების სტაბილურობისა და მასშტაურობის გაუმჯობესება, ამასთანავე, სხვადასხვა ავტომობილის ტექნიკური მახასიათებლებისა და მომხმარებელთა საჭიროებებისთვის მორგებული გადაწყვეტილებების შეთავაზება.

VLA განიხილება ისეთი ფიზიკური ხელოვნური ინტელექტის (Physical AI) გამოყენების ძირითად ტექნოლოგიად, როგორიცაა ავტონომიური მართვა და რობოტიკა. მაშინ, როდესაც ტრადიციული E2E მოდელები მართვის შეყვანილ მონაცემებს უშუალოდ ავტომობილის მოქმედებებს უკავშირებს. VLA მოდელები დამატებით იყენებენ ენობრივ საფუძველზე სიტუაციის გააზრებისა და მსჯელობის შესაძლებლობებს. ეს ხელს უწყობს რთულ საგზაო სიტუაციებში გადაწყვეტილებების მიღების გაუმჯობესებას და სისტემის გადაწყვეტილებების უფრო გასაგებად ახსნას.

42dot-ის მოლოდინით, VLA ტექნოლოგია გააუმჯობესებს იშვიათ საგზაო სიტუაციებზე რეაგირების შესაძლებლობას ენობრივ საფუძველზე მსჯელობისა და ფართომასშტაბიანი წინასწარი სწავლების შედეგად მიღებული ცოდნის გამოყენებით — ცოდნისა, რომლის ათვისებაც მხოლოდ მართვის მონაცემებზე დაყრდნობით რთულია.

• მონაცემთა უწყვეტი ციკლის (Data Flywheel) ინტეგრაცია

42dot იყენებს მონაცემთა უწყვეტი ციკლის (Data Flywheel) მიდგომას VLA მოდელების განვითარებაშიც. მართვის პროცესში წარმოქმნილი პრობლემების გამოვლენისას გუნდი აანალიზებს მათ გამომწვევ მიზეზებს, აუმჯობესებს შესაბამისი მართვის პოლიტიკასა და მონაცემებს, შემდეგ კი მოდელს ხელახლა წვრთნის მისი მუშაობის გასაუმჯობესებლად.

• VLA ტექნოლოგიის განვითარების პროგრესი

ამჟამად 42dot-ის VLA-ზე დაფუძნებული ავტონომიური მართვის ტექნოლოგია მოდელის ვალიდაციის ეტაპზეა, რომელიც სიმულაციებზე დაყრდნობით მიმდინარეობს.

ჯგუფი 2026 წლის ბოლოდან 2027 წლის დასაწყისამდე განვითარების სრულ პროცესზე გადასვლას გეგმავს, რაც რეალურ ავტომობილებზე ტესტირებასაც მოიცავს. რეალურ საგზაო პირობებში გამოვლენილი პრობლემები კვლავ ჩაერთვება სწავლებისა და ვალიდაციის პროცესებში, რაც VLA მოდელების მუდმივ დახვეწასა და მათი განვითარების დონის ამაღლებას შეუწყობს ხელს.

• მომხმარებლისთვის გასაგებად გადმოცემა

42dot-მა გამოაქვეყნა განვითარების პროცესის ამსახველი ვიდეომასალა, რომელშიც ნაჩვენებია, თუ როგორ განმარტავს VLA მოდელი მართვის სიტუაციებს და როგორ გადმოსცემს საკუთარ მსჯელობას ბუნებრივ ენაზე. მაგალითში ავტომობილის მოძრაობისას ეკრანზე ჩნდებოდა ტექსტი, რომელიც აღწერდა როგორც შესრულებულ მოქმედებას, ისე მის გამომწვევ მიზეზს.

რას გვიჩვენებს სეულის ურბანულ გარემოში გადაღებული ახალი ვიდეომასალა Atria AI-ის შესაძლებლობების შესახებ?

ჯგუფმა ასევე გამოაქვეყნა ვიდეომასალა, რომელშიც ნაჩვენებია, თუ როგორ გადაადგილდება Atria AI-ით აღჭურვილი SDV სატესტო ავტომობილი სეულის რეალურ გზაზე მძღოლის ჩარევის გარეშე. ვიდეოები წარმოაჩენს, თუ როგორ უზრუნველყოფს მონაცემთა უწყვეტი ციკლის (Data Flywheel) მიდგომა რეალურ პირობებში მუშაობის მაჩვენებლების გაზომვად გაუმჯობესებას.

კონტროლირებად სატესტო სცენარებზე ფოკუსირების ნაცვლად, ვიდეოები აჩვენებს, თუ როგორ მუშაობს ჯგუფის ავტონომიური მართვის ტექნოლოგიები ყოველდღიური ურბანული გარემოს რთულ პირობებში და წარმოაჩენს მათი შემდგომი განვითარების პოტენციალს.

ვიდეომასალა მოიცავს სამ კატეგორიას:

მგზავრობა ხელმძღვანელთან ერთად (Executive Ride-Along):

მინვუ პარკმა და სონგიუნ ჩონმა ავტონომიური მართვის მქონე ავტომობილით სეულის ცენტრალურ ნაწილში იმგზავრეს. ავტომობილი რეალურ საგზაო პირობებში გადაადგილდებოდა, მათ შორის ჩქაროსნულ გზებზე, მთავარ მაგისტრალებზე, ხიდებსა და საქალაქო ქუჩებზე.

მგზავრობისას მათ განიხილეს Atria AI-ის განვითარების პროცესი, ამჟამინდელი ტექნიკური შესაძლებლობები, ავტონომიური მართვისას გადაწყვეტილებების მიღების მექანიზმები და ტექნოლოგიის განვითარების სამომავლო მიმართულებები. ვიდეოში ასევე ნაჩვენებია, თუ როგორ აღიქვამს ავტომობილი გარშემო არსებულ საგზაო ვითარებას, როგორ იღებს მართვის გადაწყვეტილებებს და როგორ რეაგირებს რეალურ დროში მრავალფეროვან გზებზე.

ვიდეოს ბმული ჯგუფის ოფიციალურ YouTube არხზე: https://www.youtube.com/watch?v=5c5ojBJUznU

ქალაქში უწყვეტად გადაღებული ვიდეომასალა (One-Take Urban Driving Footage):

სამი დაუმონტაჟებელი ვიდეოსერია აჩვენებს ავტონომიური მართვის სისტემის მუშაობას სხვადასხვა გარემოში, მათ შორის:

• დილით პიკის საათებში გადატვირთულ მოძრაობას განგნამის რაიონში;
• მაღალი ინტენსივობის საგზაო მოძრაობას ჩამსილის რაიონში, მათ შორის ავტობუსების მსგავსი დიდი ზომის სატრანსპორტო საშუალებებთან ხშირ ურთიერთქმედებას;
• წვიმიან ამინდში ქალაქის ქუჩებში მოძრაობას პანგიოს რაიონში.

თითოეული ვიდეო დაახლოებით ორიდან ოთხ წუთამდე გრძელდება და უწყვეტად, ერთი გადაღებით არის ჩაწერილი. გამოყენებულია მხოლოდ ვიდეოს დაკვრის სიჩქარის ცვლილება, სხვა მონტაჟის გარეშე, რაც რეალურ საგზაო პირობებში ავტონომიური მართვის სისტემის მუშაობის დაუფარავ სურათს იძლევა.

ვიდეომასალა აჩვენებს, თუ როგორ ამოიცნობს და განმარტავს Atria AI გზის სხვადასხვა ელემენტს, მათ შორის სატრანსპორტო საშუალებებს, ქვეითებს,  ხაზობრივ მონიშვნებს, გზაჯვარედინებსა და შუქნიშნებს, ამავდროულად კი მუდმივად ადაპტირდება ცვალებად საგზაო გარემოსთან.

ვიდეოების ბმულები ჯგუფის ოფიციაურ YouTube არხზე:

• განგნამ: https://www.youtube.com/watch?v=-7BEzmdrlcU
• ჯასმილ: https://www.youtube.com/watch?v=MxkVELIgoWE
• პანგიო: https://www.youtube.com/watch?v=qBAFzUPKA_o

არასტანდარტულ სიტუაციებზე რეაგირება (Edge Case Handling): მესამე ვიდეო ფოკუსირებულია იმაზე, თუ როგორ რეაგირებს Atria AI ურბანულ გარემოში მართვისას წარმოქმნილ არასტანდარტულ საგზაო სიტუაციებზე.

ვიდეოში წარმოდგენილია ათი ტიპური სცენარი, მათ შორის:

• გზის პირას გაჩერებული ავტომობილებისთვის გვერდის ავლა;
• სხვა ავტომობილის მიერ მოძრაობის ზოლში უეცრად გადმოსვლისას შესაბამისი რეაგირება;
• მარცხნივ მოხვევა დამატებითი დამცავი სიგნალის გარეშე;
• ქვეითების აღმოჩენა გადატვირთულ ადგილებში;
• ვიწრო საცხოვრებელ ქუჩებზე საპირისპირო მიმართულებით მოძრავი ავტომობილების ამოცნობა.

მთლიანობაში, ეს სცენარები აჩვენებს, თუ როგორ რეაგირებს ავტონომიური მართვის სისტემა რთულ ურბანულ საგზაო გარემოში არსებულ მრავალფეროვან და ცვალებად პირობებზე.

ვიდეოს ბმული ჯგუფის ოფიციაურ YouTube არხზე: https://www.youtube.com/watch?v=c9DipX33EVM