无人驾驶出租车：安全必须从设计之初开始构建，而非事后附加

车辆缓缓停在路边，手机应用弹出提示：“您的行程已结束。”但驾驶位上空无一人。对于生活在全球数十个已开通无人驾驶出租车服务城市的居民而言，这一幕早已从想象变为现实。

无人驾驶出租车行业已经从“原型验证阶段”迈入“商业化运营阶段”，不断壮大的生态合作伙伴正在加速相关部署节奏。近期在 NVIDIA GTC 台北大会上宣布的一系列合作，体现了全球无人出租车项目正陆续启动：

• Uber 与 Autobrains 正在慕尼黑基于 NVIDIA DRIVE Hyperion 平台启动无人出租车项目，并利用 Autobrains 的代理式 AI 支持规模化的运营。
• Foxconn 正在扩大与 NVIDIA 的合作，在中国台湾部署无人驾驶出租车车队，并将其服务与 NVIDIA DRIVE Hyperion 深度结合，实现快速集成与大规模扩展。
• VinFast 正在与 Autobrains 合作，将基于 DRIVE Hyperion 构建的 L4 级自动驾驶车辆推向东南亚市场。
• HUMAIN 正致力于将搭载 DRIVE Hyperion 的无人驾驶出租车引入沙特阿拉伯，将该平台的全球布局进一步延伸至中东地区。

为安全构建软件基石

随着无人驾驶出租车行业加速发展，安全性至关重要。

监管机构、认证机构以及开发者正深入审视大规模安全部署所需满足的各项条件。

行业对 L4 级自动驾驶的讨论，往往聚焦于车辆具备怎样的感知能力以及如何做出决策。

这种讨论有其充分依据。精准的感知、合理的决策以及对突发情况的应对，都是极具难度的问题，而业界在解决这些问题方面的确正在取得实质性进展。

然而，仅有感知和决策并不能说明全部问题。监管方还需要更多依据：证明整个系统能够可靠运行，在故障升级前及时隔离问题，并且始终不会超出其既定设计边界。

无人驾驶出租车的安全性需要同时攻克四大关键挑战：

• 安全认证的操作系统
• 安全、标准化的软硬件接口
• 运行在可验证安全护栏之内的 AI 系统
• 在车辆驶上公共道路之前完成大规模的验证

为应对这些挑战，NVIDIA 推出了 Halos 操作系统（Halos OS），作为 NVIDIA Halos 全栈综合安全系统的一部分，基于 NVIDIA DRIVE Hyperion，为 AI 驱动的车辆提供统一且可量产落地的安全基础。它包括：

Halos Core：经认证的操作系统基石

在 NVIDIA Halos OS 的最底层，是 Halos Core，它是新一代的 NVIDIA DriveOS，并已通过汽车安全标准认证。该系统经过审核、记录和验证，在故障工况下仍能正常运行，并通过虚拟机管理程序这一专用软件层，对安全关键功能进行隔离，防止故障影响车辆控制系统。

Halos Core 符合 ISO 26262 汽车安全完整性等级（ASIL）D 级标准，内置通过安全认证的 NVIDIA CUDA 与 TensorRT，并提供 TensorRT Edge-LLM 开源框架，用于高性能大语言模型推理。

Halos SDK：标准化安全接口

无人驾驶出租车集成了摄像头、毫米波雷达、激光雷达等多种传感器，每类传感器都会以各自不同的格式和频率持续输出数据。如果缺乏标准化的中间件层，每一次硬件变更都将迫使团队手动重做整套集成工作。

Halos SDK 消除了这类负担。它的传感器抽象层将自动驾驶软件栈与具体的传感器驱动解耦，使得增加或更换传感器不会在应用代码中引发连锁改动；同时，车辆抽象层通过一套统一一致的接口，将自动驾驶软件栈与整车其他子系统连接起来。

此外，Halos SDK 还提供了关键安全软件所需的运行时基础组件：支持可预测时序的确定性应用级调度器、在不增加额外延迟的前提下传输数据的零拷贝进程间通信机制、完善的系统级错误处理框架以及强大的场景数据记录器，共同为高可靠、低时延的车载应用奠定基础。

Halos 应用层：AI 安全护栏

AI 模型已经能够在驾驶表现上接近人类，但监管机构关注的不仅仅是性能指标。

Halos 应用层通过一系列基于规则的确定性功能，为 AI 增设安全护栏，这些功能经过系统化分析与设计，确保在预先设定的边界内运行。其中包括世界模型的感知能力，以及强大的 NVIDIA DRIVE 主动安全堆栈，涵盖自动紧急制动、车道偏离预警、盲点监测、碰撞预警等多种功能。

此外，在 Halos 应用层中，Halos OS 还可以与端到端 AI 模型相结合，而这类模型的可解释性与透明度尤为关键。其中包括用于智能汽车开发的 NVIDIA Alpamayo 系列开放模型，该模型支持思维链推理、持续评估道路、规划下一步行动，并根据环境变化动态调整。

Halos 安全评估框架

Halos 基础架构是云端开发基础架构，可实现辅助驾驶的大规模训练、仿真和验证，同时也是近期发布的 NVIDIA Halos 安全评估框架的技术基础。

从 L2 级辅助驾驶到 L4 级无人驾驶出租车，该框架提供构建可信安全案例所需的工具和指南，并汇集了围绕 NVIDIA Halos OS 产出的 330 余篇研究论文和 1,000 项专利成果。

Halos 基础架构基于 NVIDIA 的三台计算机辅助驾驶解决方案运行：

• 用于在数据中心训练 AI 软件栈的 NVIDIA DGX 系统
• 运行在 NVIDIA OVX 上的 NVIDIA Omniverse，用于仿真以及合成数据的生成
• 用于实时传感器处理与安全相关计算的 NVIDIA AGX 车载计算机

Halos OS 涵盖了整个开发生命周期，从 Halos 基础架构中的训练和仿真到车辆本身的推理。

详细了解 NVIDIA Halos。