Nvidia se convierte en el socio de conducción autónoma de pila completa de Uber
Nvidia y Uber han anunciado una asociación ampliada que verá la plataforma de software de vehículos autónomos completa de Nvidia impulsar los taxis robóticos de Uber a escala comercial a partir de la primera mitad de 2027. Las empresas planean dirigirse a 28 mercados en cuatro continentes antes del final de 2028, comenzando con Los Ángeles y San Francisco. El anuncio fue realizado por el CEO de Nvidia, Jensen Huang, durante su discurso de apertura en GTC 2026, la conferencia anual de inteligencia artificial de Nvidia en San José.
El alcance del acuerdo marca una evolución significativa de la colaboración existente de las empresas. Uber había acordado previamente en CES este año alimentar datos de conducción del mundo real al pipeline de entrenamiento de AI de Nvidia. Ese arreglo ahora se ha expandido a algo mucho más completo: Nvidia construirá la pila de vehículos autónomos completa para Uber a escala — cubriendo percepción, predicción, planificación y control — mientras también maneja la infraestructura de entrenamiento y validación de simulación que respalda cualquier despliegue AV comercial.
Lo que realmente hace la pila AV de Nvidia
El desarrollo de vehículos autónomos requiere resolver varios problemas de ingeniería interconectados simultáneamente. La plataforma de Nvidia aborda cada capa de la pila. El sistema de percepción procesa datos de cámaras, lidar y radar para construir un modelo 3D en tiempo real del entorno del vehículo. El módulo de predicción anticipa los movimientos de peatones, ciclistas y otros vehículos. El sistema de planificación traza una ruta a través de escenarios de tráfico complejos, y la capa de control traduce ese plan en entradas de dirección, aceleración y frenado.
Detrás del sistema desplegado se encuentra una vasta infraestructura de entrenamiento y simulación. La plataforma DRIVE de Nvidia permite que las empresas de AV entrenen redes neuronales en datos sintéticos generados en simulación, permitiendo que los desarrolladores expongan sus sistemas a escenarios raros o peligrosos que sería impractical recopilar en el mundo real. Una vez que los modelos funcionan satisfactoriamente en simulación, pueden validarse contra datos del mundo real e implementarse progresivamente.
