Uber详细介绍了自动驾驶汽车驱动的AI技术VerCD

 
尚未公开讨论其自动驾驶汽车平台架构的优步(Uber)今天发表了一篇文章，阐述了使先进技术集团(ATG)内的工程师能够测试，验证并将AI模型部署到汽车上的技术。它大致了解了自动驾驶汽车开发的复杂性，也许更重要的是，它是Uber无人驾驶努力的准绳，Uber无人驾驶努力在2018年5月在亚利桑那州坦佩市发生事故后遭受了挫折。
根据Uber的说法，ATG工作流程中最重要的组成部分是VerCD，这是专门为自动驾驶汽车原型开发的一组工具和微服务。它跟踪正在开发的各种代码库，数据集和AI模型之间的依赖性，确保工作流从数据集提取阶段开始，然后是数据验证，模型训练，模型评估和模型服务阶段。
Uber写道：“ VerCD……已成为Uber ATG自动驾驶传感器训练数据的可靠来源。” “通过将数据集构建工作流程纳入VerCD，我们将新数据集构建的频率提高了10倍以上，从而显着提高了效率。维护常用数据集的清单还提高了[机器学习]工程师的迭代速度，因为开发人员可以立即继续进行实验，而无需等待几天就可以构建新的数据集。此外，我们还为自动驾驶汽车的旗舰目标检测和路径预测模型提供了每日和每周的培训工作。这种频繁的培训节奏将发现和修复某些错误的时间减少到几天。
Uber表示，VerCD背后的大部分工程工作都花费在添加公司特定的集成上，以使现有系统能够与ATG的完整端到端机器学习工作流程进行交互。为此，最新的VerCD的Orchestrator服务可以调用各种数据原语来构建自动驾驶汽车的运行时以进行测试，或者与代码存储库进行交互，同时使用深度学习库创建图像并在数据中心之间来回复制数据集。云(应该在这些位置进行模型训练)。
VerCD管理的大部分数据集来自ATG自动驾驶汽车收集的日志。日志数据-来自摄像机的图像，激光雷达点和雷达信息，车辆状态(位置，速度，加速度，航向)和地图数据(例如车辆所使用的路线和车道)-分为训练数据，测试数据和验证数据，例如75%用于培训，15%用于测试和10%用于验证。称为GeoSplit的专有工具用于选择日志，并根据其地理位置在火车，测试和验证之间进行划分。
典型的VerCD用户提供任何数据集，模型或度量标准构建的依赖关系，而VerCD在数据库后端中管理此信息。注册新数据集后，VerCD数据集服务会将依赖项元数据存储在补充数据库中。数据集通过名称和版本号以及VerCD跟踪的依赖项进行唯一标识，从而可以准确地从自动驾驶汽车中复制传感器日志ID，描述数据集生命周期的元数据等。机器学习模型也被唯一标识，支持诸如版本化数据集和AI模型训练配置文件路径的复制。
Uber ATG使用混合方法进行机器学习训练，训练作业在由图形卡和处理器集群支持的本地数据中心中运行，并且在云中运行训练作业。开源统一资源调度程序Uber的Peloton通过将作业部署到群集上的进程来扩展作业，而Kubernetes则在主机群集之间部署和扩展应用程序。
机器学习工程师在VerCD的模型服务API中定义了实验模型后，ATG的系统就会开始对其进行培训。 VerCD重要地支持验证步骤，以允许在实验模型和生产模型之间进行平滑过渡，Uber指出，对模型训练施加了额外的约束，以确保可重复性和可追溯性。
根据其性能，VerCD将模型指定为“失败”，“中止”或“成功”。如果模型失败或必须中止，则ML工程师可以选择使用一组新参数进行重建。 VerCD可以异步启动模型验证，其中对训练管道的检查取决于要训练的特定模型。根据Uber的说法，只有在实验构建成功且验证成功的前提下，模型才能升级为正式生产。
该职位可能被视为提高透明度的尝试;坦率地说，优步在自动驾驶汽车研究方面的记录好坏参半。去年12月，沃尔沃重新启动了其在匹兹堡的无人驾驶汽车的测试，这是沃尔沃(Volvo)一款原型SUV在坦佩(Tempe)撞死一名行人之后的8个月。此后，它还在旧金山和多伦多开始了手动测试。国家运输安全委员会后来确定，Uber已禁用了致命车祸中的沃尔沃XC90的自动紧急制动系统。 (该公司在内部文件中表示，这样做是为了“减少车辆行为不规律的可能性。”)
在2018年6月发布的博客文章中，Uber ATG负责人埃里克·梅霍夫(Eric Meyhofer)详细介绍了新实施的保障措施，例如针对安全手动驾驶和监控系统的培训计划，如果驾驶员将视线移开道路，则会提醒远程监控器。在向国家公路交通安全管理局(National Highway Traffic Safety Administration)提交的自愿安全评估中，Uber表示，凭借其新成立的系统工程测试团队，Uber现在处于更好的位置，“可以对许多可能的结果进行推理，最终做出安全响应。”