Когда лось — не помеха, а учебное пособие: как Navio тренирует автопилоты в виртуальном мире
16 октября 2025 г. Москва
В мире беспилотных технологий одна из главных проблем — нехватка «редких» данных. Как научить машину реагировать на лося, выскакивающего на трассу в тумане, если такие случаи случаются раз в десятилетие? Компания Navio нашла нестандартное решение: вместо ожидания реальных ЧП она создаёт их сама — в цифровой реальности.
Раньше обучение автопилота напоминало сбор пазла: отдельно учили видеть объекты, отдельно — предсказывать их поведение, отдельно — строить траекторию и управлять автомобилем. Сегодня Navio делает ставку на единые модели типа Vision-Language-Action (VLA), где восприятие, анализ и действие объединены в один нейросетевой процесс. Это часть их концепции Physical AI — интеллекта, способного взаимодействовать с физическим миром как единое целое.
Но такие модели «прожорливы»: им нужны миллионы сценариев, включая самые экзотические. Чтобы закрыть этот пробел, инженеры разработали симулятор NavioSim. Он работает по принципу цифрового редактора: реальная поездка конвертируется в виртуальную сцену, которую можно бесконечно модифицировать. Хотите добавить лося на обочину? Сделать дождь, сумерки или толпу пешеходов? Пожалуйста. Каждое изменение порождает новый обучающий пример.
Ключевое преимущество — скорость и стоимость. Вместо тяжёлой 3D-графики Navio использует gaussian splatting — современный метод рендеринга, который даёт фотореалистичные кадры почти мгновенно и с минимальными вычислительными затратами.
Сгенерированные сцены не просто «смотрят» — их тестируют в реальном времени: изображения подаются напрямую в сенсоры автомобиля на полигоне, имитируя настоящую дорожную ситуацию. Так ИИ учится реагировать на то, чего в природе почти не бывает.
Подход Navio — рискованный, но перспективный. VLA-архитектуры и gaussian splatting пока не вошли в промышленный мейнстрим, но именно такие эксперименты могут стать прорывом в обучении автопилотов, избавив от зависимости от тысяч километров реальных тестов и редких, но критически важных дорожных инцидентов.
