公開:2026年11月11日, 最終更新:2026年11月11日
NVIDIAは、自動運転向けエッジAIモデル「Alpamayo 2 Edge」の実装手法と性能評価ワークフローをNVIDIA Technical Blogで解説した。同モデルは2Bパラメータの視覚言語行動モデルで、NVIDIA DRIVE AGX Thor上でリアルタイム動作するよう設計されており、ピクセルから走行軌跡生成までの推論レイテンシは160〜190msとされている。
30秒サマリー
- NVIDIAがAlpamayo 2 Edgeの実装・評価方法を公式ブログで詳説。DRIVE AGX Thor上で160〜190msの推論レイテンシを達成。
- クローズドループ強化学習(AlpaGym)による後処理で、強化学習なしの最良チェックポイント比48.9%の走行性能向上を確認。
- 推論品質の評価・報酬モデルAlpaJudgeを活用し、訓練データ選定とRL報酬付与の3ワークフローを提示。
Alpamayo 2 Edgeの実装内容と評価ワークフロー
NVIDIAはNVIDIA Technical Blogにおいて、自動運転向けエッジ推論モデル「Alpamayo 2 Edge」の実装最適化手法と、推論品質評価モデル「AlpaJudge」を組み合わせた開発ワークフローを解説した。Alpamayo 2 Edgeは2BパラメータのNemotronベース推論バックボーンとDiffusion行動エキスパートを組み合わせた視覚言語行動(VLA)モデルで、全周カメラ映像・自車運動履歴・ナビゲーション入力を処理し、因果連鎖推論(Chain-of-Causation、CoC)と走行軌跡を生成する。推論は「適応型」で、定常走行時には推論トークン生成をスキップする設計とされている。
DRIVE AGX Thor上での実動作にはTensorRTおよびTensorRT-Edge-LLMによる量子化・エンジンビルド、DFlash2によるスペキュラティブデコーディングを組み合わせる「Alpamayo Developer Hub」のレシピが公開されている。同レシピはDRIVE AGX Thor-X、DRIVE OS 7.2.7.0、CUDA 13.4、TensorRT 11.3.1.9の環境での計測値を参照値として記載しており、最適化後の推論レイテンシはピクセルから軌跡生成まで160〜190msとされる。
クローズドループ強化学習はNVIDIA AlpaGymシミュレータで実施され、クローズドループRLなしの最良チェックポイントと比較して走行性能を48.9%改善したと記載されている。また、推論品質の測定・データ選定・RL報酬付与に使用する評価モデルAlpaJudgeには、参照回答付き評価を行う「AlpaJudge-RB」と画像・行動メタデータから無参照で評価する「AlpaJudge-RF」の2種類が用意されている。
早期アクセスパートナーの声として、英国のPORTはAlpamayo 2 EdgeがAlpamayo 1.5比で車線維持成功率が2倍以上、復帰成功率が約40%向上したと報告。NiulinxはAlpamayo 2 Superとの比較でゼロショット評価において変位誤差(minADE)を13.6%、3秒時点の横方向誤差(RMSE)を46.1%削減したと述べている。EmbedlはAGX Thor上で10Hz動作(リアルタイムプランニング)を48時間以内に実現したと報告している。
Alpamayo 2 Edgeの主な仕様・数値
- パラメータ数:2B
- 推論バックボーン:Nemotronベース(NVIDIA Cosmos 3 Edgeのバックボーン)
- 対象ハードウェア:NVIDIA DRIVE AGX Thor
- 推論レイテンシ(最適化後):160〜190ms(ピクセルから軌跡生成まで、推論量に応じて変動)
- 参照環境:DRIVE AGX Thor-X、DRIVE OS 7.2.7.0、CUDA 13.4、TensorRT 11.3.1.9
- クローズドループRL性能向上:48.9%(AlpaGym、クローズドループRLなしの最良チェックポイント比)
- デフォルト重みフォーマット:BF16
- モデル公開場所:Hugging Face(Alpamayo 2 Edge、AlpaJudge)
出典: NVIDIA Technical Blog(公式ブログ)
なぜ重要か(編集部の分析)
編集部の見方として、今回の解説が示す本質的な意義は「大型推論モデルの能力を、車載コンピュータの制約内に収める具体的な工学手順が整いつつある」点にある。160〜190msという数値と、パートナー各社が数日〜48時間以内に実車・シミュレータで動作確認できた事実は、エッジ自動運転AIの開発サイクルが実用フェーズに入ったことを示唆する。また、AlpaJudgeによる「推論の質」の定量評価は、軌跡精度だけでは捉えられないAI判断の信頼性評価に新たな次元を加えるものと言える。
日本企業への示唆(編集部の分析)
編集部の分析として、自動運転・ADAS開発に取り組む日本企業にとって確認すべき点は3つある。第一に、Hugging Face上のAlpamayo 2 EdgeとAlpaJudgeが公開されており、既存の車載ハードウェア環境での評価着手コストが低い。第二に、EmbedlやNiulinxの事例が示す通り、独自センサー構成・自社データでのファインチューニングが数日内に可能な設計になっており、特定のODD(運行設計領域)への適応が現実的な選択肢となる。第三に、AlpaJudgeの「推論品質スコア」という概念は、将来的な型式認証・機能安全審査での説明可能性確保に活用できる可能性があり、安全認証戦略の観点からも注目に値する。
背景・経緯
NVIDIAは自動運転向けモデルファミリー「Alpamayo」シリーズを展開しており、今回取り上げられたAlpamayo 2 Edgeは、より大規模な「Alpamayo 2 Super」から知識を蒸留してエッジ展開に適したサイズに抑えたモデルと位置付けられている。また、推論基盤にはNVIDIA Cosmos 3 Edgeのバックボーンが採用されており、NVIDIA DRIVEプラットフォームとの統合を前提とした開発が進められていることが原文から読み取れる。
Alpamayo 2 Edgeについてよくある質問
Q. Alpamayo 2 EdgeはDRIVE AGX Thor上でどのくらいの推論速度で動くのか?
A. 原文によれば、TensorRTとDFlash2を用いた最適化後のAlpamayo 2 Edgeは、DRIVE AGX Thor上でピクセルから走行軌跡生成まで160〜190msの推論レイテンシを達成するとされている。推論量(CoC生成の有無)によって値が変動する。
Q. AlpaJudgeにはどのような種類があり、Alpamayo 2 Edgeの評価に何を使えばよいか?
A. AlpaJudgeには参照回答付きで評価する「AlpaJudge-RB」と、フロントカメラ画像や行動メタデータを使い参照なしで評価する「AlpaJudge-RF」の2種類がある。参照回答が利用できる場合はAlpaJudge-RB、画像・行動履歴のみ利用可能な場合はAlpaJudge-RFを選ぶよう原文では説明されている。
Q. Alpamayo 2 Edgeのクローズドループ強化学習はどれほど効果があったか?
A. 原文では、NVIDIA AlpaGymを用いたクローズドループ強化学習後のポストトレーニングにより、クローズドループRLを適用しない最良チェックポイントと比較して走行性能が48.9%向上したと記載されている。




