Xpeng traint zijn zelfrijdende auto's nu op 30 miljoen virtuele testkilometers per dag

Voordat een zelfrijdende auto de weg op mag, moet die eerst aantonen dat hij met alles om kan gaan. Een fietser die plotseling oversteekt, een file op een regenachtige snelweg, onvoorspelbaar voetgangersgedrag op een druk plein. Die situaties testen in het echt kost tijd, geld en brengt risico's met zich mee. Xpeng kiest een andere aanpak: simuleren op schaal.

Xpeng heeft X World onthuld, een AI-aangedreven rijsimulatieplarform dat werkt zoals een vluchtsimulatorsysteem voor piloten — maar dan voor autonome rijsystemen. Het platform kan miljoenen rijscenario's digitaal nabootsen, van dichte stadsverkeer tot plotselinge rijstrookwissels en extreme weersomstandigheden, en laat AI-systemen daarvan leren voordat ze ook maar één kilometer op de openbare weg rijden.

Het aantal beschikbare simulatiescenario's groeide het afgelopen jaar van ongeveer 30.000 naar meer dan 500.000. Het dagelijkse virtuele testvolume staat inmiddels gelijk aan zo'n 30 miljoen kilometer echte rijafstand. Dat is een schaal die met traditioneel testen schlicht onbetaalbaar en onhaalbaar zou zijn.

Naast X World onthult Xpeng ook X Cache, een nieuwe acceleratietechnologie die speciaal is ontwikkeld voor AI-wereldmodellen. Het grootste technische knelpunt bij grootschalige rijsimulatie is de enorme rekenkracht die nodig is om realistische verkeersomgevingen continu en in realtime te genereren.

X Cache lost dat op door herbruikbare visuele informatie tussen videoframes te identificeren, waardoor dubbele berekeningen worden vermeden. Het resultaat: een inferentiesnelheid die tot 2,7 keer hoger ligt, zonder dat het onderliggende model opnieuw getraind hoeft te worden. X World kan daardoor sneller, efficiënter en op grotere schaal draaien.

X World en X Cache zijn onderdeel van Xpengs bredere Physical AI-strategie, waarbij kunstmatige intelligentie verder reikt dan softwareinterfaces en zijn weg vindt naar fysieke producten — voertuigen, robotica en toekomstige mobiliteitstechnologieën.

De technologieën worden al intern ingezet voor gesloten-lus simulatietests, AI-training en reinforcement learning, het genereren van synthetische trainingsdata en veiligheids- en prestatievalidatie.