方案概述

场景描述

本方案介绍了在ModelArts Standard上使用PyTorch框架开展UniAD模型的训练过程，涵盖了数据加载、训练作业创建、训练作业快恢、日志转储以及监控等各类常规操作。

方案架构

图1 方案架构图

本架构描述了ModelArts Standard进行模型训练的整体方案：

• 此解决方案重点关注训练任务如何创建以及训练任务可靠性、运维等方面。
• 在存储上使用OBS存储原始数据，使用SFS Turbo进行数据缓存，主要包括模型训练数据以及模型Checkpoint文件。
• 在训练作业方面，Standard提供简单易上手的方式让用户创建训练任务，此方式能够高效地创建训练作业。
• 在运维方面使用云监控服务AOM查看监控指标、配置告警能力。
• 在日志管理中使用云日志服务LTS进行日志查看、使用OBS对运维日志进行转储，同时介绍与三方日志系统进行对接。

使用流程

基于ModelArts Standard的自动驾驶训练模型流程如下。

约束限制

• 本文档中的模型运行环境是ModelArts Standard。
• 确保机器可以访问公网。
• 本文档中的资源池是专属资源池。
• 本方案目前仅适用于企业客户，完成本方案的部署，需要先联系您所在企业的华为方技术支持。

UniAD模型介绍

UniAD模型主要是旨在通过端到端深度学习整合感知、预测、规划等核心任务，解决传统自动驾驶系统中“模块孤立、误差累积”的痛点，实现更安全、高效的自动驾驶决策。UniAD包含五大模块TrackFormer（负责目标检测与跟踪）、MapFormer（负责在线地图分割）、MotionFormer（负责多智能体轨迹预测）、OccFormer（负责占用栅格预测）、Planner（负责自车路径规划）。

UniAD的训练策略是两阶段训练策略：

stage1是UniAD训练的基础阶段，聚焦于训练感知和预测的训练，目标是构建稳定的感知能力，为后续预测和规划任务提供可靠的输入；

stage2是UniAD训练的进阶阶段，在stage1的基础上，将感知、预测、规划模块联合起来进行端到端训练，目标是优化全栈任务的协同性能，实现“感知-预测-规划”的闭环优化。