13 ноября 2026 г.
Alpamayo2-Edge: Embedl ускорила расчёт траектории автомобиля в 7,3 раза на той же плате
В замерах Embedl на 13 ноября Alpamayo2-Edge рассчитывает траекторию за 82,7 мс вместо 603,7 мс на Jetson AGX Thor.
Модель NVIDIA получает изображения с 6 камер и недавние движения автомобиля, объясняет решение и строит будущую траекторию.
На той же плате. Исходная версия PyTorch BF16 тратила на расчёт 603,7 мс. Embedl сократила задержку до 82,7 мс. При живом вводе камер с частотой 10 кадров в секунду сборка выдаёт 9,4 решения в секунду.
Не хотите разбираться сами? Внедряем ИИ в ваш бизнес: задачи без лимита, одна цена в месяц, отмена в любой момент.
Embedl измеряла задержку на 16 поездках, исключая первые 10 решений каждого запуска. Сравнение с PyTorch относится к одному клипу. На 750 тестовых клипах ошибка траектории на горизонте 5 секунд выросла на 0,8% относительно BF16.
Запуск в браузере. На странице Embedl можно выполнить модель на реальной плате Thor. Для локального запуска NVIDIA опубликовала пример в репозитории и отдельный рецепт ускорения через FP8 и TensorRT Edge-LLM.
Источники: [замеры и запуск Embedl](https://embedl.com/nvidia/alpamayo2-edge/thor), [модель NVIDIA](https://huggingface.co/nvidia/Alpamayo2-Edge).
NVIDIA обучала модель учитывать последствия действий в симуляции, а не только повторять записанные поездки.
Первоисточник