用於互聯自動駕駛的五層MLOps架構
本文提出了一種用於互聯自動駕駛系統的五層MLOps架構，旨在透過集體學習實現持續的安全和效能保證。該架構基於已有的MLOps原則和互聯自動駕駛工作，為車隊運營商等利益相關者提供了設計藍圖，支援多級自我評估，有助於檢測和減少包括黑天鵝事件在內的邊緣情況。
一篇新論文提出了一個用於互聯自動駕駛系統的五層MLOps架構，旨在透過集體學習實現持續的安全和效能保證。該論文由Bastian Lampe等人撰寫，於2026年5月12日提交至arXiv（編號2605.12719），屬於機器人與機器學習領域。
自動駕駛系統（ADS）在複雜、動態的開放世界中執行，涉及廣泛場景，包括初始開發時罕見或未預見的情況。儘管人工智慧和機器學習技術的整合使ADS能夠從執行中收集的資料學習並隨時間適應，但這些方法也帶來了自身挑戰。與人類駕駛員相比，ADS的一個關鍵優勢在於其能夠跨車隊甚至跨多個運營商的車隊集體收集資料，並從中共同學習。車輛可以共享和組合資料，識別單個車輛可能錯過的學習機會。這為解決持續保證安全和效能的挑戰創造了新機遇，但要求實現能夠利用集體學習潛力的架構。
基於既定的MLOps原則和互聯自動駕駛領域的現有工作，本文提出了一個五層架構，用於ADS的集體學習MLOps流程。該架構的目標是為車隊運營商和其他相關利益相關者提供設計和實施MLOps流程的概念藍圖。論文描述了每一層的主要職責、它們之間的互動方式，以及該架構啟用的多級自我評估如何支援檢測和減少包括黑天鵝事件在內的邊緣情況。
論文共8頁，包含6張圖表。該架構有望為自動駕駛系統持續學習和適應提供系統化方法，同時確保安全性和效能。它強調了集體學習在應對自動駕駛安全挑戰中的重要性，併為實際部署提供了指導框架。