依照NVIDIA的规划，基本上会先实际透过街景车搜集各地区道路实际路况，并且将这些数据放进模拟系统随机生成不同道路、车辆数量，以及日夜与天后等变因，甚至也能在模拟训练过程中加入更多特定条件，例如道路上的车辆多寡、是否有如警车等特殊车辆靠近时的情况，借此让自驾车在实际上路前可借此完成前期训练。
今年在CES提出名为Autosim技术，借由虚拟化场景为自驾驶车进行训练的应用模式后，NVIDIA在此次GTC 2018宣布将以Drive Constellation运算平台推行，主要是借由负责建置、执行模拟场景的系统，让搭载Drive Pegasus的超级车载电脑系统进行学习训练，借此让自驾车可在即为安全的模拟环境中进行大量学习，并且可比照去年推出的ISSAC虚拟环境训练Jetson平台机器人学习模式，让自驾车系统能以虚拟化方式进行学习，甚至能以完全安全方式加快学习行驶里程数量。
Drive Constellation运算平台基本上就是去年推出ISSAC学习模式的扩展应用版本，虽然去年NVIDIA曾表示要建置一个虚拟世界让自驾车在其中安全地学习，基本上就必须花费更大功夫，因此认为并没有实际效率。不过，或许在短时间让超级电脑运算能力大幅提升，使得建置一个虚拟世界变得没有那样困难，使得NVIDIA得以用虚拟模拟方式安全训练自驾车，同时也能借由建置多组训练系统，让自驾车能在短时间内快速累积长达10亿英哩的上路行驶里程。
依照NVIDIA的规划，基本上会先实际透过街景车搜集各地区道路实际路况，并且将这些数据放进模拟系统随机生成不同道路、车辆数量，以及日夜与天后等变因，甚至也能在模拟训练过程中加入更多特定条件，例如道路上的车辆多寡、是否有如警车等特殊车辆靠近时的情况，借此让自驾车在实际上路前可借此完成前期训练，避免在训练尚不到位时就上路测试，结果造成伤亡等意外。
而从NVIDIA目前对于整个自驾车训练流程来看，除了借由安全的前期训练之外，当自驾车实际上路之后仍会持续进行学习，并且持续将记录数据同步至云端，进而在透过学习验证等过程后，即可透过云端服务再同步至更多自驾车终端系统，让所有在路上实际运作的自驾车都能获得相同的学习经验，并且让自动驾驶表现更加准确。
