주변을 인식한다
카메라와 주행 입력을 통해 차량, 보행자, 차선, 신호와 도로 구조를 파악합니다.
01 — REASONING-BASED AUTONOMOUS DRIVING
도로 위의
AI 추론
자율주행 AI는 도로를 인식하는 것을 넘어,
복잡한 상황의 관계와 맥락을 이해하고
다음 행동을 추론하는 방향으로 발전하고 있습니다.
OPEN VLA
SCROLL TO EXPLORE
PHYSICAL AI
02 — WHY REASONING
인식에서
추론으로
실제 도로에는 학습 데이터에서 자주 보지 못한 복잡하고 예외적인 상황이 존재합니다. 따라서 차량은 객체를 감지하는 것뿐 아니라 도로 공간, 주변 참여자의 움직임, 주행 맥락을 함께 고려해야 합니다.
관계를 추론한다
장면의 맥락과 객체 사이의 관계를 바탕으로 가능한 행동과 그 결과를 판단합니다.
행동으로 연결한다
추론 결과를 바탕으로 미래 주행 궤적을 생성하고 차량의 행동으로 연결합니다.
03 — SAME SCENE / DIFFERENT DECISION PROCESS
같은 도로,
다른 판단 과정
기존 자율주행 시스템과 추론 기반 VLA 시스템은 같은 상황에서 동일하거나 유사한 주행 행동을 선택할 수도 있습니다. 중요한 차이는 그 행동을 결정하는 과정과 표현 방식 에 있습니다.
같은 주행 상황
같은 장면에서 판단 과정이 어떻게 달라지는지 단계별로 확인합니다.
SAME SCENARIO
MY CAR
BLOCKED
ONCOMING
VEHICLE / OBSTACLE
ONCOMING VEHICLE
SAME POSSIBLE ACTION
DIFFERENT DECISION PROCESS
이 장면은 시스템 간 성능 우열을 비교하기 위한 실제 시험 결과가 아니라, 판단 구조의 차이를 설명하기 위한 개념적 시뮬레이션입니다. 기존 모듈형 자율주행 시스템도 인식·예측·계획을 통해 복잡한 상황을 처리할 수 있으며, Alpamayo의 특징은 장면에 대한 Chain-of-Causation 추론과 주행 궤적을 함께 생성할 수 있다는 점에 있습니다.
04 — LONG-TAIL SCENARIOS
도로의 예외는
끝이 없습니다.
공사 구간, 예상하지 못한 보행자의 움직임, 비정형적인 교통 흐름처럼 드물지만 중요한 상황은 자율주행 개발의 핵심 과제입니다.
추론 기반 접근은 단순한 객체 분류를 넘어 현재 장면에서 어떤 관계가 형성되어 있고, 어떤 행동이 적절한지 판단하는 것을 목표로 합니다.
공사 구간
임시 차선과 표지
정차 차량
막힌 진행 차로
보행자
예측하기 어려운 이동
복잡한 교차로
다수의 상호작용
악천후
제한된 관측 조건
새로운 조합
드문 롱테일 상황
05 — CASE STUDY / NVIDIA
OPEN REASONING VLA MODELS,
FRAMEWORKS AND DATASETS
NVIDIA 사례 ALPAMAYO
NVIDIA Alpamayo는 하나의 단일 자율주행 모델이 아니라, 오픈 추론 VLA 모델, 폐쇄 루프 시뮬레이션, 강화학습 프레임워크, 피지컬 AI 주행 데이터셋 으로 구성된 자율주행 개발 플랫폼입니다. NVIDIA Cosmos를 기반으로 멀티카메라 영상, 내비게이션 입력, 주행 맥락을 처리하고, 주행 궤적과 Chain-of-Causation 추론 트레이스 를 생성합니다.
Reasoning VLA
영상과 주행 맥락을 입력받아 미래 주행 궤적과 추론 결과를 함께 생성합니다.
Chain-of-Causation
차량이 특정 행동을 선택한 이유를 사람이 검토할 수 있는 추론 트레이스로 표현합니다.
AlpaSim
폐쇄 루프 시뮬레이션을 통해 모델의 행동과 그 결과를 반복적으로 평가합니다.
AlpaGym + Open Data
강화학습 프레임워크와 실제 주행 데이터셋을 연결해 모델 학습과 검증을 지원합니다.
Alpamayo 모델 계열
Alpamayo 1 Nano
초기 공개 추론 VLA 모델
Alpamayo 1.5 Nano
RL 후학습으로 추론 품질 개선 · 내비게이션/멀티카메라 기능 확장
Alpamayo 2 Super
최신 공개 멀티태스크 자율주행 파운데이션 모델
06 — DEVELOPMENT LOOP
데이터에서
검증까지
Alpamayo 플랫폼은 데이터 준비와 추론 레이블 생성부터 모델 학습, 폐쇄 루프 시뮬레이션, 차량 내 적용까지 자율주행 개발 흐름을 지원합니다.
-
01
DATA
데이터 및 레이블
실제 주행 데이터와 Chain-of-Causation 기반 추론 레이블을 준비합니다.
-
02
RL
모델 학습 · 후학습
AlpaGym의 폐쇄 루프 강화학습 환경 등을 활용해 모델을 학습하고 최적화합니다.
-
03
SIM
시뮬레이션 · 검증
AlpaSim의 폐쇄 루프 환경에서 실제 도로 적용 전 모델의 행동을 평가합니다.
-
04
DRIVE
차량 내 적용
검증된 개발 과정을 바탕으로 NVIDIA DRIVE AGX Thor 등 차량용 컴퓨팅 플랫폼과 연결할 수 있습니다.
07 — TRUST & SAFETY
설명하고,
검증하는 자율주행
자율주행 안전은 모델의 추론 능력만으로 완성되지 않습니다. 모델의 판단을 검토하고, 다양한 조건에서 반복적으로 시험하며, 실제 차량 수준의 안전 설계를 함께 적용해야 합니다.
추론의 가시성은 안전 검증을 위한 하나의 도구이지, 그 자체가 안전을 보장하는 것은 아닙니다.
해석 가능성
판단 근거 검토
반복 평가
동일·유사 조건 반복 시험
폐쇄 루프 검증
행동 결과 평가
데이터 다양성
실제·롱테일 주행 상황
안전 아키텍처
중복성과 시스템 안전
실차 검증
배포 전 체계적 평가
08 — NEXT STEP
인식하는 차량에서
추론하는 차량으로,
그리고 검증 가능한 AI로.
추론 기반 VLA 모델은 기존 자율주행 기술을 단순히 대체하는 개념이라기보다, 복잡한 장면에 대한 이해와 행동 결정 과정을 확장하려는 새로운 접근 중 하나입니다.
NVIDIA Alpamayo는 모델, 데이터, 강화학습, 폐쇄 루프 시뮬레이션을 연결하여 레벨 4 자율주행 연구와 개발을 지원하는 오픈 플랫폼 을 제공하고 있습니다.
09 — REFERENCES
참고 자료
주요 내용은 NVIDIA 공식 제품 페이지, 개발자 자료와 공개 저장소를 기준으로 정리했습니다.
01
NVIDIA Alpamayo
공식 Alpamayo 제품 및 기술 개요
→
02
NVIDIA Alpamayo Developer Hub
모델 학습, 후학습 및 개발 레시피
→
03
Alpamayo 2 Super
34B 멀티태스크 자율주행 파운데이션 모델
→
04
NVIDIA Technical Blog
추론 기반 자율주행과 Alpamayo 개발 구조
→
05
NVIDIA on Hugging Face
공개 모델 및 Physical AI 데이터
→
조원 개인 홈페이지
본 페이지는 NVIDIA Alpamayo 및 추론 기반 자율주행 기술을 설명하기 위해 제작한 교육용 웹 프로젝트입니다. NVIDIA의 공식 웹사이트 또는 제품 페이지가 아닙니다.