用于互联自动驾驶的五层MLOps架构
本文提出了一种用于互联自动驾驶系统的五层MLOps架构，旨在通过集体学习实现持续的安全和性能保证。该架构基于已有的MLOps原则和互联自动驾驶工作，为车队运营商等利益相关者提供了设计蓝图，支持多级自我评估，有助于检测和减少包括黑天鹅事件在内的边缘情况。
一篇新论文提出了一个用于互联自动驾驶系统的五层MLOps架构，旨在通过集体学习实现持续的安全和性能保证。该论文由Bastian Lampe等人撰写，于2026年5月12日提交至arXiv（编号2605.12719），属于机器人与机器学习领域。
自动驾驶系统（ADS）在复杂、动态的开放世界中运行，涉及广泛场景，包括初始开发时罕见或未预见的情况。尽管人工智能和机器学习技术的集成使ADS能够从运行中收集的数据学习并随时间适应，但这些方法也带来了自身挑战。与人类驾驶员相比，ADS的一个关键优势在于其能够跨车队甚至跨多个运营商的车队集体收集数据，并从中共同学习。车辆可以共享和组合数据，识别单个车辆可能错过的学习机会。这为解决持续保证安全和性能的挑战创造了新机遇，但要求实现能够利用集体学习潜力的架构。
基于既定的MLOps原则和互联自动驾驶领域的现有工作，本文提出了一个五层架构，用于ADS的集体学习MLOps流程。该架构的目标是为车队运营商和其他相关利益相关者提供设计和实施MLOps流程的概念蓝图。论文描述了每一层的主要职责、它们之间的交互方式，以及该架构启用的多级自我评估如何支持检测和减少包括黑天鹅事件在内的边缘情况。
论文共8页，包含6张图表。该架构有望为自动驾驶系统持续学习和适应提供系统化方法，同时确保安全性和性能。它强调了集体学习在应对自动驾驶安全挑战中的重要性，并为实际部署提供了指导框架。