Porsche, le altre marche del Gruppo Volkswagen e CARIAD hanno avviato una collaborazione con Voxel51, NVIDIA e Microsoft per realizzare un’infrastruttura condivisa di raccolta, elaborazione, simulazione e validazione dei dati destinati allo sviluppo dei sistemi di guida autonoma. Il progetto, presentato il 21 ottobre 2026 durante il GTC Berlin, prevede che Porsche coordini la prima implementazione e l’integrazione delle tecnologie, mentre il Gruppo Volkswagen sviluppa un ciclo continuo di apprendimento basato sulle informazioni provenienti dalla flotta connessa. Secondo Voxel51, i veicoli del gruppo producono ogni giorno una quantità di dati paragonabile all’esperienza di guida di 11.000 automobilisti medi. L’obiettivo dichiarato è utilizzare questo patrimonio informativo per costruire scenari virtuali riutilizzabili nei diversi programmi automobilistici, riducendo fino al 90% la necessità di ripetere prove fisiche su strada e abbreviando fino all’85% i cicli di regressione dei sistemi AI. Voxel51 gestisce il livello dati attraverso ricerca multimodale, etichettatura automatica, selezione degli scenari, bilanciamento dei dataset, individuazione dei dati di addestramento e validazione dei modelli. NVIDIA mette a disposizione Cosmos Data Factory e le librerie Omniverse NuRec, mentre Microsoft Azure fornisce l’infrastruttura di calcolo e archiviazione utilizzata per eseguire i processi all’interno dell’ambiente informatico del gruppo.
L’elaborazione parte dalle registrazioni acquisite dai veicoli e prevede verifiche preliminari prima che i dati vengano impiegati per ricostruire scene tridimensionali. Voxel51 applica circa 80 controlli relativi all’integrità dei sensori, alla sincronizzazione temporale, alla calibrazione, alle traiettorie, agli oggetti rilevati e ai sistemi di coordinate. Il procedimento opera direttamente sui file MCAP e comprende una prima verifica del manifest, eseguibile in circa un millisecondo per registrazione, un controllo dell’episodio nell’ordine di un secondo e un’analisi completa dei dati decodificati che può richiedere alcuni minuti. Ogni verifica produce un risultato esplicito, distinguendo superamento, errore e impossibilità di esecuzione, per impedire che l’assenza di informazioni venga interpretata come una conferma di validità. La ricerca delle sequenze di guida utilizza NVIDIA Cosmos Dataset Search, rappresentazioni prodotte da Cosmos-Embed1 e un archivio vettoriale Milvus. Un sistema di reranking agentico costruisce criteri di rilevanza a partire dalla richiesta e impiega Cosmos Reason per valutare i filmati individuati. La procedura di controllo è stata verificata su sette dataset pubblici, tra cui nuScenes, Waymo, PandaSet, Argoverse 2, MAN TruckScenes, aiMotive e Lyft Level 5, individuando 25 problemi confermati, 17 dei quali corretti prima della ricostruzione.
Per la generazione sintetica, i controlli sperimentali di Voxel51 hanno mostrato che 12 passaggi di campionamento potevano ottenere lo stesso tasso di accettazione di 35 passaggi, riducendo il costo computazionale da 6,80 a 2,43 minuti GPU per clip. Un controllo sugli attributi accettava soltanto il 30-38% delle sequenze generate, mentre la ricalibrazione del sistema di valutazione semantica ha portato il tasso di superamento dal 3% al 91% senza ulteriore impiego di GPU. Nella ricostruzione di 25 scene nuScenes tramite GPU NVIDIA H100 è stato registrato un valore mediano di PSNR pari a 29,05 dB, ma l’analisi considera anche misure di somiglianza strutturale e percettiva, poiché un singolo indicatore può non rappresentare adeguatamente la qualità visiva. Ogni scena ricostruita viene sottoposta a revisione umana prima dell’approvazione, del nuovo addestramento o del rifiuto e può essere esportata in formato USDZ per simulatori come NVIDIA AlpaSim. Tutte le fasi vengono eseguite come processi su Azure, mantenendo dati, identità e controlli regionali nell’infrastruttura del Gruppo Volkswagen. Il modello operativo consente di riutilizzare registrazioni, etichette e simulazioni tra differenti marchi, piattaforme e versioni del software di guida, anziché ricostruire ogni volta le medesime condizioni di prova.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)