物理AI掌舵：全球机器人出租车领导者如何借助NVIDIA技术构建

NVIDIA Blog 新闻
autonomous-vehicles robotaxi nvidia physical-ai ai-training simulation

摘要

NVIDIA为AI训练、仿真和车载计算提供的开放平台，正助力全球机器人出租车领导者扩大自动驾驶车队规模，推动物理AI的商业突破。

<div id="bsf_rt_marker"></div><p><span style="font-weight: 400;">全球</span><a target="_blank" href="https://www.nvidia.com/en-us/glossary/robotaxi/"><span style="font-weight: 400;">机器人出租车</span></a><span style="font-weight: 400;">市场——</span><a target="_blank" href="https://www.nvidia.com/en-us/glossary/generative-physical-ai/"><span style="font-weight: 400;">物理AI</span></a><span style="font-weight: 400;">的首个商业突破——预计到</span><a target="_blank" href="https://www.goldmansachs.com/insights/articles/robotaxis-to-become-a-400-billion-dollar-market-in-2035"><span style="font-weight: 400;">2035年将达到4000亿美元</span></a><span style="font-weight: 400;">，届时超过600万辆商用车辆将投入运营，无人驾驶车队已经在一些世界上最繁忙和最复杂的街道上运送乘客。</span></p> <p><span style="font-weight: 400;">部署无人驾驶车辆是一项挑战，而扩大车队规模则是一个更高层次的计算挑战；这意味着在数千辆车辆上提供相同的安全、可靠性能。</span></p> <p><span style="font-weight: 400;">满足这些需求需要在机器人出租车开发生命周期中进行大量计算，从准备和训练AI模型到模拟和验证驾驶行为，以及在车辆中进行实时处理。</span></p> <p><span style="font-weight: 400;">NVIDIA提供了一个开放平台，用于</span><a target="_blank" href="https://www.nvidia.com/en-us/solutions/autonomous-vehicles/ai-training/"><span style="font-weight: 400;">AI训练</span></a><span style="font-weight: 400;">、</span><a target="_blank" href="https://www.nvidia.com/en-us/solutions/autonomous-vehicles/simulation/"><span style="font-weight: 400;">仿真</span></a><span style="font-weight: 400;">和</span><a target="_blank" href="https://www.nvidia.com/en-us/ai-trust-center/halos/autonomous-vehicles/"><span style="font-weight: 400;">安全验证</span></a><span style="font-weight: 400;">，开发者可以将其库、软件开发工具包、工作流程和模型与自身技术栈结合使用。</span></p> <p><span style="font-weight: 400;">目前每个大规模商业运营的主要机器人出租车项目都在NVIDIA的模块化栈上运行，涵盖AI训练、仿真、</span><a target="_blank" href="https://www.nvidia.com/en-us/solutions/autonomous-vehicles/in-vehicle-computing/"><span style="font-weight: 400;">车载计算</span></a><span style="font-weight: 400;">——或三者的组合——以大规模开发和部署车队。</span></p> <h2><b>什么是机器人出租车技术栈？</b></h2> <p><span style="font-weight: 400;">机器人出租车技术栈是用于开发、验证和部署自动驾驶汽车的一整套端到端技术——从数据和AI模型训练到仿真、安全验证和实时车载计算。</span></p> <p><span style="font-weight: 400;">NVIDIA的机器人出租车和</span><a target="_blank" href="https://www.nvidia.com/en-us/solutions/autonomous-vehicles/"><span style="font-weight: 400;">自动驾驶汽车平台</span></a><span style="font-weight: 400;">通过三台计算机解决方案整合了这些能力：模型训练计算机、仿真与验证计算机以及车载计算机。</span></p> <h3><b>1. 训练计算机：NVIDIA DGX</b></h3> <p><span style="font-weight: 400;">随着项目将不断增长的车队数据转化为更强大的模型，机器人出租车智能得以进步。驾驶模型可以在</span><a target="_blank" href="https://www.nvidia.com/en-us/data-center/dgx-platform/"><span style="font-weight: 400;">NVIDIA DGX</span></a><span style="font-weight: 400;">系统上进行训练。</span></p> <p><span style="font-weight: 400;">NVIDIA Alpamayo系列开放推理视觉语言行动模型、仿真框架和物理AI数据集，为开发者提供了可以适应自身数据、需求和技术栈的构建模块。其推理模型通过将复杂驾驶情况分解为更小的步骤、逐一推理并选择最安全的轨迹，帮助解决自动驾驶汽车的长尾挑战。</span></p> <p><span style="font-weight: 400;">NVIDIA还提供物理AI数据集、强化学习蓝图以及后训练和蒸馏配方，帮助开发者为他们的目标车辆优化模型。</span></p> <figure id="attachment_98145" aria-describedby="caption-attachment-98145" style="width: 1680px" class="wp-caption alignnone"><img fetchpriority="high" decoding="async" class="wp-image-98145 size-large" src="https://blogs.nvidia.com/wp-content/uploads/2026/09/robotaxi-momentum-vla-chart-1680x945.jpeg" alt="" width="1680" height="945" srcset="https://blogs.nvidia.com/wp-content/uploads/2026/09/robotaxi-momentum-vla-chart-1680x945.jpeg 1680w, https://blogs.nvidia.com/wp-content/uploads/2026/09/robotaxi-momentum-vla-chart-960x540.jpeg 960w, https://blogs.nvidia.com/wp-content/uploads/2026/09/robotaxi-momentum-vla-chart-1280x720.jpeg 1280w, https://blogs.nvidia.com/wp-content/uploads/2026/09/robotaxi-momentum-vla-chart-1536x864.jpeg 1536w, https://blogs.nvidia.com/wp-content/uploads/2026/09/robotaxi-momentum-vla-chart-1290x725.jpeg 1290w, https://blogs.nvidia.com/wp-content/uploads/2026/09/robotaxi-momentum-vla-chart-630x354.jpeg 630w, https://blogs.nvidia.com/wp-content/uploads/2026/09/robotaxi-momentum-vla-chart-300x169.jpeg 300w, https://blogs.nvidia.com/wp-content/uploads/2026/09/robotaxi-momentum-vla-chart-400x225.jpeg 400w, https://blogs.nvidia.com/wp-content/uploads/2026/09/robotaxi-momentum-vla-chart.jpeg 1920w" sizes="(max-width: 1680px) 100vw, 1680px" /><figcaption id="caption-attachment-98145" class="wp-caption-text">在一项具有挑战性的自动驾驶评估中，添加元动作和思维链推理数据提高了VLA模型的轨迹预测精度，将最小平均位移误差——预测路径与参考路线的平均偏差——降低了43%，从2.08降至1.18。</figcaption></figure> <h3><b>2. 仿真与验证计算机：NVIDIA Omniverse和Cosmos在NVIDIA RTX PRO上</b></h3> <p><span style="font-weight: 400;">机器人出租车项目不能仅依赖物理里程来捕捉罕见的长尾驾驶场景。</span><a target="_blank" href="https://docs.nvidia.com/nurec/"><span style="font-weight: 400;">NVIDIA Omniverse NuRec</span></a><span style="font-weight: 400;">模型从传感器数据重建真实世界驾驶场景，而NVIDIA Cosmos世界基础模型生成基于物理的变体，使开发者能够将数千个真实世界的边缘案例转化为数百万种驾驶行为、交通、天气、光照和传感器条件的组合。</span></p> <figure id="attachment_98146" aria-describedby="caption-attachment-98146" style="width: 1680px" class="wp-caption alignnone"><img decoding="async" class="wp-image-98146 size-large" src="https://blogs.nvidia.com/wp-content/uploads/2026/09/robotaxi-momentum-synthetic-data-chart-1680x945.jpeg" alt="" width="1680" height="945" srcset="https://blogs.nvidia.com/wp-content/uploads/2026/09/robotaxi-momentum-synthetic-data-chart-1680x945.jpeg 1680w, https://blogs.nvidia.com/wp-content/uploads/2026/09/robotaxi-momentum-synthetic-data-chart-960x540.jpeg 960w, https://blogs.nvidia.com/wp-content/uploads/2026/09/robotaxi-momentum-synthetic-data-chart-1280x720.jpeg 1280w, https://blogs.nvidia.com/wp-content/uploads/2026/09/robotaxi-momentum-synthetic-data-chart-1536x864.jpeg 1536w, https://blogs.nvidia.com/wp-content/uploads/2026/09/robotaxi-momentum-synthetic-data-chart-1290x725.jpeg 1290w, https://
查看原文
查看缓存全文

缓存时间: 2026/09/10 20:11

# 物理AI接管方向盘：全球领先的自动驾驶出租车企业如何借助NVIDIA技术构建未来 来源：https://blogs.nvidia.com/blog/robotaxi-leaders-full-stack-open-platform/ 全球自动驾驶出租车市场——物理AI的首个商业突破口——预计到2035年将达到4000亿美元规模。届时，超过600万辆商业车队将在全球最繁忙、最复杂的街道上实现无人驾驶运营。 部署单一无人驾驶车辆已是挑战。扩大车队规模更是对计算能力的极致考验——这意味着需要为数千辆车提供始终如一的安全可靠性能。 应对这些需求，需要贯穿自动驾驶出租车开发全周期的海量算力支持：从准备和训练AI模型，到模拟验证驾驶行为，再到车载实时处理。 NVIDIA提供开放平台，涵盖AI训练、仿真模拟与安全验证三大领域，开发者可利用其库、软件开发套件、工作流程和模型，与自身技术栈协同工作。 当今所有达到商业规模的主流自动驾驶出租车项目，均运行在NVIDIA的模块化技术栈之上——该技术栈涵盖AI训练、仿真模拟、车载计算或三者的组合，以支持大规模车队的开发和部署。 ## **什么是自动驾驶出租车技术栈？** 自动驾驶出租车技术栈是指用于开发、验证和部署自动驾驶汽车的端到端技术体系——涵盖数据采集、AI模型训练、仿真模拟、安全验证和车载实时计算。 NVIDIA的自动驾驶出租车与自动驾驶平台将这三大能力整合为三重计算解决方案：模型训练计算机、仿真验证计算机和车载计算机。 ### **1. 训练计算机：NVIDIA DGX** 自动驾驶出租车的智能水平随着车队数据规模的增长而不断提升。驾驶模型可在NVIDIA DGX系统上进行训练。 NVIDIA Alpamayo开放推理视觉语言动作模型、仿真框架及物理AI数据集组合，为开发者提供了可适配自身数据、需求和技术栈的构建模块。其推理模型通过将复杂驾驶情境分解为更小步骤、逐步推理并选择最安全轨迹，助力解决长尾场景挑战。 NVIDIA还提供物理AI数据集、强化学习蓝图及后训练蒸馏方案，帮助开发者针对目标车型优化模型。在严苛的自动驾驶评估中，加入元动作与思维链推理数据后，视觉语言动作模型的轨迹预测精度显著提升，最小平均位移误差（预测路径与参考路线的平均偏差）降低了43%，从2.08降至1.18。 ### **2. 仿真验证计算机：基于NVIDIA RTX PRO的Omniverse与Cosmos** 自动驾驶出租车项目无法仅依靠实际路测来覆盖罕见的长尾场景。NVIDIA Omniverse NuRec模型可基于传感器数据重构真实驾驶场景，而NVIDIA Cosmos世界基础模型能生成物理合理的场景变体，使开发者得以将数千个真实边界案例转化为数百万种驾驶行为、交通、天气、光照及传感器条件的组合。 从真实边界案例到涵盖行为与内容的数千种合成排列，NVIDIA Cosmos变体扩展了自动驾驶训练数据并加速模型部署。运行在NVIDIA RTX PRO服务器上的Omniverse与Cosmos支持闭环仿真验证。NVIDIA AlpaSim仿真框架进一步扩展了推理型自动驾驶模型的训练与评估流程，帮助开发者在部署前识别薄弱环节。 ### **3. 车载计算机与传感器架构：搭载DRIVE AGX的NVIDIA DRIVE Hyperion** NVIDIA DRIVE Hyperion是面向L4级自动驾驶出租车的模块化车载计算与传感器参考架构。DRIVE Hyperion 10搭载基于NVIDIA Blackwell平台的双系统级芯片NVIDIA DRIVE AGX Thor，配合14个高清摄像头、9个雷达、3个激光雷达和12个超声波传感器，实现360度实时传感器融合。其冗余计算与传感设计支持单点故障下的持续运行。 双DRIVE AGX Thor系统专为运行现代AI工作负载设计——包括视觉语言动作模型，可实现感知、推理、路径规划与驾驶决策。 NVIDIA Halos通过Halos OS提供生产级安全基础，并构建涵盖独立检测、系统验证、大规模仿真及云车协同持续测试的完整验证与认证框架。 ## **采纳NVIDIA自动驾驶出租车技术栈的行业领军者** NVIDIA的自动驾驶出租车生态系统覆盖当前全球所有涌现商业服务的地区：亚洲、欧洲、中东和北美。在这些市场中，出行服务商、自动驾驶开发商与汽车制造商正广泛采用NVIDIA的三计算机架构，以训练AI模型、仿真验证驾驶行为，并大规模部署自动驾驶汽车。 ### **全球自动驾驶出租车服务规模化拓展** - **Uber**正扩大其NVIDIA DRIVE Hyperion车队规模，计划到2028年覆盖28个城市。Uber与NVIDIA还在基于NVIDIA Cosmos构建自动驾驶出租车AI数据工厂，用于采集稀有场景的车队驾驶数据。双方正携手**Autobrains、Avride、Lucid、May Mobility、梅赛德斯-奔驰、Momenta、日产、Nuro、小马智行、Stellantis、Waabi、Wayve、文远知行与Zoox**，将NVIDIA赋能的自动驾驶出租车服务引入Uber平台。 - **May Mobility**计划通过Uber网络运营自动出行服务，同时基于NVIDIA DRIVE平台开发软件栈。 - **Bolt**运用NVIDIA技术在欧洲开发并规模化推广自动驾驶汽车。 - **Lyft**计划以NVIDIA DRIVE Hyperion作为未来自动驾驶车队的参考架构。**May Mobility**车辆目前已在亚特兰大运营于Lyft网络，由NVIDIA DRIVE提供支持。 - **文远知行**通过与**Grab**的合作，计划将其基于DRIVE Hyperion与DRIVE AGX Thor的GXR车型推向东南亚关键市场。 - **Waymo**与NVIDIA合作，助力构建其自动驾驶计算系统。 ### **构建自动驾驶出租车智能内核** 在这些服务背后，自动驾驶开发商正运用NVIDIA加速计算、仿真与车载平台，构建出行服务商与汽车制造商所部署的智能系统。 - **Wayve、日产与Uber**正开发全球自动驾驶出租车项目，采用原型车融合日产车辆工程、Wayve具身智能与NVIDIA DRIVE Hyperion平台。 - **Autobrains**正与**Uber**在慕尼黑、与**VinFast**在东南亚开发基于NVIDIA DRIVE Hyperion并搭载Autobrains智能体AI技术的自动驾驶出租车项目。 - **Zoox**运用NVIDIA DRIVE进行车载计算、云端训练与仿真。 - **Momenta**基于运行于DriveOS的NVIDIA DRIVE AGX开发软件栈。 - **小马智行**采用NVIDIA DRIVE Hyperion与DRIVE AGX Thor开发新一代自动驾驶域控制器。 - **Tensor**在其车载超级计算机中搭载八颗NVIDIA DRIVE AGX Thor系统级芯片，开发L4级Robocar。 - **Waabi**通过与**Uber**的部署合作进军自动驾驶出租车市场；其Waabi Driver平台基于NVIDIA DRIVE AGX Thor构建。 - **TIER IV与五十铃**正部署基于NVIDIA DRIVE Hyperion与DRIVE AGX Thor的L4级自动驾驶巴士。 - **联想**正为**SWM**的下一代自动驾驶出租车项目供应基于NVIDIA DRIVE AGX Thor的AD1 L4域控制器。 - **DeepRoute.ai**正开发基于NVIDIA DRIVE Hyperion平台与DRIVE AGX Thor的新一代自动驾驶出租车。 ### **推动自动驾驶出租车量产落地** 随着这些系统从开发迈向量产，汽车制造商正将NVIDIA技术整合到自动驾驶及准量产车型项目中。 - **特斯拉**在NVIDIA超级计算机上训练其自动驾驶神经网络。 - **梅赛德斯-奔驰**与NVIDIA及**Uber**合作，基于全新S级轿车构建自动驾驶出租车生态，采用NVIDIA DRIVE Hyperion架构、全栈NVIDIA DRIVE AV L4软件，以及NVIDIA Alpamayo开放AI模型、仿真工具与数据集，支持基于推理的优先安全自动驾驶。 - **Stellantis、Wayve与Uber**正合作开发并部署L4级无人驾驶出行服务，依托NVIDIA DRIVE Hyperion与AI计算技术。 - **Lucid、Nuro与Uber**正使用作为DRIVE Hyperion平台组成部分的NVIDIA DRIVE AGX Thor开发全球自动驾驶出租车服务。 - **现代汽车与起亚**正扩大与NVIDIA的合作，基于NVIDIA DRIVE Hyperion开发数据驱动的自动驾驶系统。NVIDIA还将探索与现代汽车集团合资公司**Motional**深化合作，推进L4级自动驾驶出租车服务。 - **吉利**计划与其生态系统合作伙伴共同开发并商业化基于DRIVE Hyperion的自动驾驶出租车。 - **极氪**（吉利汽车集团旗下品牌）已在集中式域控制器中采用DRIVE AGX Thor。 从云端到车端，自动驾驶出租车平台的几乎每一层技术都建立在NVIDIA加速计算之上。 *探索NVIDIA完整的**自动驾驶出租车开发平台** (https://www.nvidia.com/en-us/solutions/autonomous-vehicles/)*。

相似文章