經歷傷亡事件後的 Uber，能靠新科技 VerCD 翻身嗎？

一直以來，Uber 都沒有公開談過自家的自動駕駛平台架構。不久前，Uber 終於透過一篇部落格文章詳細講述 ATG 部門在測試、驗證和部署 AI 模型時用到的黑科技。

透過這篇文章，不但能進一步認識到自動駕駛汽車研發的複雜性，還能對 Uber 的自動駕駛標準有更深的了解，畢竟後者是少數經歷過自動駕駛傷亡事故、並進行長時間深刻反思的公司。

據 Uber 介紹，ATG 部門工作流中最重要的部分是 VerCD，這是一套專為 Uber 旗下自動駕駛原型車研發的工具與微服務。它能追蹤研發過程中不同代碼庫、數據集和 AI 模型的相關性，保證工作流從數據提取階段開始，隨後逐步過渡到數據驗證、模型訓練評估與服務階段。

「VerCD 已經成了 Uber ATG 部門自動駕駛感測器訓練數據的可靠來源。」Uber 在文章中寫道，「將工作流中的數據集轉上 VerCD 後，我們數據集刷新的頻率已經提升了十倍有餘，效率有了重大進步。對經常使用的數據集進行定期維護，也加速了機器學習工程師產品迭代的速度，因為他們能即時利用數據集做實驗，而非花幾天時間等待數據集搭建完成。」

「此外，我們還定下了目標探測與路徑預測模型的日常訓練與每週訓練工作，這樣密集的訓練頻率不但縮短了探測時間，還加快了 bug 的修復速度。」

VerCD 管理的數據集來自 ATG 自動駕駛汽車採集的日誌

Uber 指出，VerCD 背後的大部分工程都花在添加公司專屬的整合工作上，這是為了使現有系統能夠與 ATG 的完整端到端機器學習工作流程進行互動。為此，最新版 VerCD 的 Orchestrator 服務可以調用各種數據原語來構建自動駕駛汽車的運行時間以進行測試，或者在使用深度學習庫創建圖像，並在資料中心之間來回複製數據集時與代碼儲存庫進行互動。

VerCD 管理的數據集們來自於 ATG 自動駕駛汽車採集的日誌。這裡所說的日誌數據包括鏡頭拍到的圖像、LiDAR 生成的點雲、雷達採集到的資訊、車輛狀態（位置、速度、加速和指向），以及地圖數據（比如車輛路線和行駛車道）。在工作中，日誌數據還會被分為訓練數據、測試數據和驗證數據，其中 75% 的數據會用於訓練、15% 用於測試，而剩下的 10% 會用在驗證上。為了更好的對日誌數據進行分類，Uber 還專門開發了基於地理位置的專屬工具 GeoSplit。

一般來說，VerCD 用戶可提供任何數據集，模型或度量標準構建的相關性，而數據庫後端是 VerCD 管理此類資訊的「據點」。新數據集註冊完成後，VerCD 數據集服務會將相關元數據儲存在補充數據庫中。數據集會透過名稱和版本號以及 VerCD 追蹤的相關項進行唯一標識，進而準確地從自動駕駛汽車中複製感測器日誌 ID、描述數據集生命週期的元數據等。機器學習模型也會打上唯一標識，支援諸如版本化數據集和 AI 模型訓練配置文件路徑的複製。

在機器學習訓練上，Uber ATG 用到「雙線作戰」的混合方式，訓練工作不但會在資料中心執行，還會在雲端開展。在這裡，Uber 的開源統一資源調度程式 Peloton 也非常有用。

一旦機器學習工程師在 VerCD 的模型服務 API 中定義好實驗模型，ATG 的系統就會開始對其進行訓練。在驗證中，VerCD 還允許實驗與生產模型間的平滑過渡，Uber 認為這對複驗性和可追溯性至關重要。

基於訓練中的表現，VerCD 會為各種模型標上「失誤」、「故障」和「成功」等描述。如果一個模型確實故障或必須被拋棄，機器學習工程師可以選擇用新的參數對模型進行重構。此外，VerCD 還能主導模型的驗證，即基於訓練過的特殊模型對訓練管道進行檢查。Uber 指出，只有在構建和驗證上同時取得成功，一個模型才會被升級為生產模型。

在外界看來，這篇文章也是 Uber 提高透明度的嘗試。坦白來講，Uber 在自動駕駛汽車研發上的紀錄好壞參半。

2018 年 12 月，他們重啟在匹茲堡的自動駕駛測試測試，之前因為亞利桑那的一場致命事故，Uber 的自動駕駛車隊禁足了 8 個月。國家運輸安全委員會（NTSB）的調查結果顯示，Uber 禁用了車禍中沃爾沃 XC90 的自動煞車系統（該公司在內部文件中表示，這樣做是為了「減少車輛不規律行為的可能性」）。

在 2018 年 6 月發布的一篇部落格文章中，Uber ATG 負責人 Eric Meyhofer 詳細介紹了公司新實施的保障措施，例如針對安全手動駕駛和監控系統的培訓計畫。如果駕駛員將視線移開道路，遠程監控人員會收到警報。在向國家公路交通安全管理局（NHTSA）提交的安全評估中，Uber 表示，憑藉其新成立的系統工程測試團隊，Uber 現在「可以對許多可能的結果進行推理，最終做出安全回應」。

（本文由雷鋒網授權轉載；首圖來源：Uber）