軌道交通AI應(yīng)用開放平臺

林 軍，劉 悅，王泉東，游 俊，丁 馳，劉 任

（中車株洲電力機車研究所有限公司，湖南 株洲 412001）

0 引言

2021年國家頒布的“十四五”規(guī)劃［1］中明確指出，發(fā)展算法推理訓(xùn)練場景、推動通用化和行業(yè)性人工智能開放平臺的建設(shè)具有重要意義。在深度學(xué)習(xí)、邊緣計算及云邊協(xié)同等諸多關(guān)鍵技術(shù)的突破和推動下，人工智能（artificial intelligence，AI）作為當(dāng)代最具代表性的使能技術(shù)，受到各行各業(yè)的歡迎?，F(xiàn)階段，AI應(yīng)用仍然以公共安全、交通、金融及教育等成熟的專業(yè)性領(lǐng)域為主，其他行業(yè)對AI技術(shù)的應(yīng)用需求雖然廣泛存在，但由于場景的多樣性和需求的高分散性，使得AI技術(shù)的滲透相對較淺。技術(shù)與場景不能有效結(jié)合成為智能化落地的壁壘。

過去幾年，在互聯(lián)網(wǎng)科技、AI以及智能安防等領(lǐng)域，以華為［2］、百度［3-4］和?？低暎?］等為代表的公司陸續(xù)推出了AI開放平臺。這些平臺均以“普惠AI”、降低AI應(yīng)用門檻為核心理念，功能上大同小異，但不同的平臺在不同環(huán)節(jié)都有針對性的核心技術(shù)來解決相應(yīng)的問題?；诠性频腁I平臺建設(shè)通常以攫取商業(yè)利益為驅(qū)動，具有“重云弱邊”、按功能付費的特點；而云計算過度依賴網(wǎng)絡(luò)環(huán)境，難以保證用戶的隱私安全和實時性要求，因此這種模式無法滿足軌道交通多樣的應(yīng)用需求以及行業(yè)數(shù)據(jù)保密性要求［6］。

隨著智能化技術(shù)的飛速發(fā)展，傳統(tǒng)產(chǎn)業(yè)的智能化升級已成為軌道交通行業(yè)的核心訴求。然而軌道交通的應(yīng)用通常具有多需求、小批量的特征。以圖像識別為例，列車自動駕駛［7］、人機交互［8］、鋼軌傷損檢測［9］、公里標(biāo)識別［10］、制造場所人員安防、車輛檢修服務(wù)機器人及弓網(wǎng)狀態(tài)檢測［11-12］等典型場景涉及車輛、工務(wù)、安防、車站及供變電等多領(lǐng)域且種類繁多的產(chǎn)品，通用人工智能技術(shù)顯然無法滿足個性化的應(yīng)用需求。此外，軌道交通業(yè)務(wù)數(shù)據(jù)量不足、保密性高、樣本數(shù)據(jù)不均衡、缺乏AI模型設(shè)計集成與部署能力、上下游資源整合慢及終端計算能力弱等因素嚴重制約了軌道交通智能化產(chǎn)品的快速工程化落地。針對該問題，本文從數(shù)據(jù)服務(wù)、模型算法服務(wù)和應(yīng)用服務(wù)等維度建設(shè)關(guān)鍵能力，封裝共性技術(shù)，提供零門檻、一站式、云邊一體化的AI應(yīng)用開放平臺。該平臺的開發(fā)包括：在車載端規(guī)劃高端智能硬件計算平臺；以深度學(xué)習(xí)算法與模型加速為研發(fā)核心，構(gòu)建平臺算法庫；在云端從模型訓(xùn)練、設(shè)備管理、應(yīng)用開發(fā)和數(shù)據(jù)管理等多個維度提供面向車載產(chǎn)品的一站式智能化服務(wù)，滿足軌道交通領(lǐng)域?qū)嶋H生產(chǎn)場景中的自主創(chuàng)新或迭代AI應(yīng)用需求。

1 軌道交通AI應(yīng)用平臺架構(gòu)

軌道交通AI平臺通過構(gòu)建云邊一體化的全流程解決方案，為圖像、語音等AI應(yīng)用賦能，其組成結(jié)構(gòu)如圖1所示，包括云端軟件、邊緣端軟件和云邊協(xié)同軟件3大部分。

圖1 AI應(yīng)用開放平臺框架Fig.1 Open platform framework of AI application

云端軟件被構(gòu)建在基于GPU的訓(xùn)練服務(wù)器集群上。云端基礎(chǔ)設(shè)施子系統(tǒng)和云端管理子系統(tǒng)提供基本的容器化云資源服務(wù)。數(shù)據(jù)標(biāo)注管理子系統(tǒng)、模型訓(xùn)練子系統(tǒng)和應(yīng)用生成子系統(tǒng)組成AI開發(fā)者工具鏈。AI應(yīng)用市場和AI云端服務(wù)進行應(yīng)用的管理部署。

邊緣端軟件運行于智能化邊緣硬件設(shè)備，通過邊緣計算子系統(tǒng)實現(xiàn)高效的智能化推理。

云邊協(xié)同軟件通過云邊協(xié)同子系統(tǒng)進行關(guān)聯(lián)和通信，實現(xiàn)AI數(shù)據(jù)搜集的云端化、模型從訓(xùn)練到部署的一體化以及邊緣設(shè)備管理的智能化。

為了實現(xiàn)系統(tǒng)的可維護性，保證系統(tǒng)各組件特別是云端工具組件在各自的版本更新和維護的時候依然保持良好的相互配合，在系統(tǒng)底層架構(gòu)設(shè)計中采用了“K8S容器編排工具+微服務(wù)治理”的解決方案。容器編排工具可基于容器化運行，實現(xiàn)服務(wù)發(fā)現(xiàn)與調(diào)度、負載均衡等功能，其應(yīng)用部署和運維更加方便。子系統(tǒng)軟件更新采用藍綠部署、滾動部署、灰度發(fā)布和金絲雀發(fā)布等微服務(wù)治理手段，最大限度地降低因軟件版本更新而帶來的風(fēng)險和維護成本。

2 軌道交通AI應(yīng)用開放平臺優(yōu)勢

在云邊一體的架構(gòu)基礎(chǔ)上，軌道交通AI應(yīng)用平臺形成了5大核心優(yōu)勢。

2.1 有組織的資產(chǎn)管理

如圖1所示，云端基礎(chǔ)設(shè)施系統(tǒng)主要為物理服務(wù)器之上的云基礎(chǔ)平臺及存儲平臺服務(wù)，是AI應(yīng)用開放平臺化的基礎(chǔ)子系統(tǒng)，具有良好的可拓展性。云端管理系統(tǒng)則更進一步構(gòu)建以應(yīng)用為中心的多租戶容器平臺，為AI應(yīng)用開放平臺的業(yè)務(wù)子系統(tǒng)提供基本支撐。云端軟件涉及的其他子系統(tǒng)均通過其提供的容器化機制進行隔離和即插即用的部署。該架構(gòu)的優(yōu)勢在于能實現(xiàn)有組織的資產(chǎn)管理。首先，通過云基礎(chǔ)設(shè)施的搭建實現(xiàn)AI數(shù)據(jù)搜集的云端化，從而對數(shù)據(jù)資產(chǎn)進行統(tǒng)一管控。同時，如圖2所示，以項目或主體為單位，加以角色和權(quán)限控制，保證各自的數(shù)據(jù)安全。在實際的硬件設(shè)備資產(chǎn)管理方面，通過云端基礎(chǔ)設(shè)施建設(shè)，實現(xiàn)GPU集群算力的統(tǒng)一管理，提供AI模型訓(xùn)練所需要的超大算力；通過云邊協(xié)同，統(tǒng)一協(xié)管邊緣設(shè)備，實現(xiàn)設(shè)備資產(chǎn)的彈性擴容。通過數(shù)據(jù)和設(shè)備的資產(chǎn)化和組織化，有效保證了AI平臺應(yīng)用主體和用戶的利益。

圖2 資產(chǎn)的統(tǒng)一管理Fig.2 Unified asset management

2.2 AI開發(fā)工具鏈

圖1中的數(shù)據(jù)標(biāo)注管理子系統(tǒng)、模型訓(xùn)練子系統(tǒng)和應(yīng)用生成子系統(tǒng)共同構(gòu)成了AI開發(fā)工具鏈（圖3）。

如圖3所示，數(shù)據(jù)標(biāo)注管理子系統(tǒng)覆蓋多種數(shù)據(jù)類型的標(biāo)注業(yè)務(wù)，如圖像、語音、點云及文本等，支持用戶通過網(wǎng)頁進行在線多人數(shù)據(jù)標(biāo)注與在線審核，可通過半自動輔助標(biāo)注有效降低人力需求，提升標(biāo)注效率，縮短項目落地周期。軌道交通業(yè)務(wù)具有數(shù)據(jù)保密性強、數(shù)據(jù)種類不均衡和有效數(shù)據(jù)罕見的特點，需要進行長期的業(yè)務(wù)數(shù)據(jù)積累和標(biāo)注?；谠破脚_的數(shù)據(jù)標(biāo)注管理子系統(tǒng)可以集中管理和積累業(yè)務(wù)數(shù)據(jù)，滿足軌道交通領(lǐng)域?qū)?shù)據(jù)的要求。針對軌道交通自動駕駛、工務(wù)檢測等特殊場景，數(shù)據(jù)標(biāo)注模塊支持多傳感器數(shù)據(jù)的融合采集展示，且該子系統(tǒng)具備針對場景困難樣本的清洗和挖掘算法，模塊功能深度契合軌道交通場景，使用戶體驗滿意度遠超通用數(shù)據(jù)標(biāo)注平臺的。

圖3 AI開發(fā)工具鏈Fig.3 AI development tool chain

模型訓(xùn)練子系統(tǒng)覆蓋了深度學(xué)習(xí)的算法開發(fā)、訓(xùn)練、評估和部署的全鏈工具，其作用是將模型訓(xùn)練過程工具化和可視化，將深度學(xué)習(xí)主流算法、框架、調(diào)試參數(shù)、數(shù)據(jù)增強和壓縮量化剪枝算法封裝成可視化工具并提供給用戶使用。該子系統(tǒng)具備模型管理、訓(xùn)練、驗證和部署等能力，并支持各種算法、深度學(xué)習(xí)及數(shù)據(jù)運算處理的框架、預(yù)置模型及對算法組合的操作等。針對深度學(xué)習(xí)模型在嵌入式系統(tǒng)部署的性能問題，一方面提供壓縮量化剪枝工具，使用戶可自由裁剪網(wǎng)絡(luò)，在保證深度學(xué)習(xí)網(wǎng)絡(luò)為輕量級的同時不降低精度；另一方面提供遷移學(xué)習(xí)和模型轉(zhuǎn)換工具，以確保模型均可在邊緣端實現(xiàn)硬件加速。模型訓(xùn)練子系統(tǒng)通過把復(fù)雜的訓(xùn)練和模型轉(zhuǎn)化機制工具化、可視化，使得不具備AI模型開發(fā)經(jīng)驗的軌道交通用戶也可以獲得實際可落地的生產(chǎn)算法模型。

應(yīng)用生成子系統(tǒng)可實現(xiàn)應(yīng)用代碼編譯以及應(yīng)用鏡像打包，作為從模型訓(xùn)練到應(yīng)用部署的中間環(huán)節(jié)，其方便管理者能夠針對不同的應(yīng)用場景進行管理，也可管理不同的邊緣設(shè)備。在應(yīng)用生成子系統(tǒng)的幫助下，AI工具鏈可實現(xiàn)多模塊的聯(lián)動閉環(huán)。訓(xùn)練出來的模型既可被提交到AI市場，部署至云端或者邊緣端；也可被反饋到數(shù)據(jù)標(biāo)注管理系統(tǒng)，輔助人工進行相關(guān)場景的半自動標(biāo)注。

2.3 標(biāo)準化的算法和應(yīng)用市場

AI平臺可對外提供標(biāo)準化的智能算法和應(yīng)用。下面將從AI市場、算法集市以及深度學(xué)習(xí)框架3個維度進行說明。

2.3.1 AI市場

如圖4所示，AI市場提供統(tǒng)一的應(yīng)用入口，通過AI工具鏈生成的應(yīng)用程序可以上架AI市場，用戶可以直接部署標(biāo)準化應(yīng)用，實現(xiàn)業(yè)務(wù)需求。AI市場支持在云環(huán)境中開發(fā)和部署應(yīng)用程序，可對應(yīng)用進行全生命周期管理，提供應(yīng)用打包上傳、應(yīng)用審核、測試部署、應(yīng)用發(fā)布、應(yīng)用的版本控制、應(yīng)用升級、擴容、應(yīng)用更新和應(yīng)用下架等功能，提供一站式應(yīng)用管理并簡化交付過程，從而減少運維人員的工作量并降低出錯率。該系統(tǒng)類似于蘋果手機中的App Store插件，訓(xùn)練的深度學(xué)習(xí)模型可上架成應(yīng)用插件，通過云邊部署子系統(tǒng)安裝到邊緣端。

圖4 算法及應(yīng)用市場Fig.4 Algorithm and application market

2.3.2 算法集市

算法集市被集成在模型訓(xùn)練子系統(tǒng)中，以提供主流深度學(xué)習(xí)算法的標(biāo)準化實現(xiàn)及更優(yōu)的性能表現(xiàn)。算法集市包括用于構(gòu)建主流分類、檢測和分割的算法庫，用于提供具有不同復(fù)雜度的骨干網(wǎng)（如ResNet-18，RestNet-50［13］等）以及不同的調(diào)試參數(shù)。用戶可根據(jù)應(yīng)用需求靈活構(gòu)建深度學(xué)習(xí)算法，實現(xiàn)精度指標(biāo)與速度的均衡。此外，還提供包括幾何變換、顏色變換等在內(nèi)的數(shù)據(jù)增強算法，實現(xiàn)訓(xùn)練數(shù)據(jù)的擴增和類別均衡，從而提升模型指標(biāo)性能。

2.3.3 深度學(xué)習(xí)框架

通過容器化機制，深度學(xué)習(xí)框架支撐模塊，支持主流的深度學(xué)習(xí)框架，如TensorFlow，Pytorch，Paddle‐Paddle等。用戶可以在標(biāo)準算法集市之外，選擇所偏好的框架，靈活自定義算法，以滿足更多定制業(yè)務(wù)需求。平臺預(yù)置了大量不同版本的框架鏡像，用戶通過模型訓(xùn)練模塊加載鏡像，掛載數(shù)據(jù)和算法代碼，即可開始新的模型訓(xùn)練。通過高效統(tǒng)一的標(biāo)準化算法并結(jié)合靈活的自定義機制，可有效減輕業(yè)務(wù)落地的壓力。

2.4 邊緣計算子系統(tǒng)

邊緣計算子系統(tǒng)運行在車載智能硬件平臺上，其重要功能是在邊緣設(shè)備上構(gòu)建一套簡單易用、性能高效的智能應(yīng)用引擎。該引擎框架（圖5）通過分層、分級，按照物理層、感知層和算法層等來固化常用的共性技術(shù)和軟件。其優(yōu)勢在于：

圖5 邊緣推理框架Fig.5 Edge reasoning framework

（1）可兼容各種類型傳感器（IP攝像頭、GSML攝像頭、雷達等）；

（2）封裝深度學(xué)習(xí)模型、部署優(yōu)化技術(shù)，可充分壓榨硬件性能，輕松實現(xiàn)深度學(xué)習(xí)與傳統(tǒng)算法的高效結(jié)合；

（3）特別對視覺應(yīng)用各個環(huán)節(jié)進行了系統(tǒng)優(yōu)化處理，可實現(xiàn)多路視頻流的并行推斷；

（4）在邊緣端構(gòu)建了可視化的模型管理和數(shù)據(jù)管理界面，可實現(xiàn)基于邊緣端模型的本地化部署。

該邊緣計算推理框架是針對軌道交通的專用框架，在物理層、感知層、算法層（模型加速）和應(yīng)用流處理、通信協(xié)議等方面，其設(shè)計更加貼合軌道交通工務(wù)檢測和自動駕駛等場景中的低時延、高吞吐應(yīng)用需求。而百度、華為等公司的AI云平臺只提供通用邊緣AI推理框架，主要針對通用CPU平臺和安防監(jiān)控場景，適應(yīng)性被嚴重打折。

為充分發(fā)揮邊緣子系統(tǒng)性能，為軌道交通應(yīng)用專門定制了一個智能硬件平臺，其以Jetson Xavier核心板為依托，搭載了配套定制化底板，并具備以太網(wǎng)、USB、音視頻、Wifi、4G擴展及藍牙等多種接口，以滿足視覺、音頻等多類型傳感器的數(shù)據(jù)處理需求。用戶使用該平臺運行深度學(xué)習(xí)算法，當(dāng)沒有云端服務(wù)時，只需要將訓(xùn)練好的模型通過可視化界面導(dǎo)入系統(tǒng)，即可實現(xiàn)高性能的視覺推理應(yīng)用；當(dāng)有云端服務(wù)時，可通過云端工具，實現(xiàn)云邊一鍵部署。對于應(yīng)用中的其他邏輯需求，只需要封裝成插件，通過積木形式插入應(yīng)用引擎，即可快速構(gòu)建高性能的視覺應(yīng)用。

2.5 云邊交互子系統(tǒng)

應(yīng)用部署是嵌入式應(yīng)用的共性難題，不同應(yīng)用對系統(tǒng)的要求和依賴資源庫的版本種類需求都不盡相同。將應(yīng)用部署到指定硬件通常需要經(jīng)歷復(fù)雜的調(diào)試過程。應(yīng)用容器化部署是將視覺應(yīng)用所依賴的資源全部打包進虛擬容器，通過容器將應(yīng)用一鍵化部署至邊緣設(shè)備的一種技術(shù)。應(yīng)用容器化技術(shù)的優(yōu)點在于其提供了一種規(guī)范可控的AI應(yīng)用管理方式，可實現(xiàn)AI應(yīng)用生成、打包、上架、部署和更新的全生命周期管控，便于對各種架構(gòu)如X86和ARM設(shè)備的邊緣端軟件的統(tǒng)一管理；同時容器化技術(shù)還可實現(xiàn)資源隔離，使邊緣平臺資源按需分配使用。

云邊部署子系統(tǒng)作為云端與邊緣端進行交互和連接的通路，用于將容器化應(yīng)用程序編排功能擴展到端主機，為網(wǎng)絡(luò)應(yīng)用程序提供基礎(chǔ)架構(gòu)支持，為云和邊緣之間的部署和云數(shù)據(jù)提供同步支持。該系統(tǒng)優(yōu)勢在于跨平臺（可以支持X86和ARM端側(cè)設(shè)備），消耗資源較少，符合云原生的定義。如圖6所示，系統(tǒng)可基于網(wǎng)絡(luò)連接，在云端將上架的模型推送至邊緣端進行部署，實現(xiàn)云端對邊緣節(jié)點的實時監(jiān)控、在線管理與邊緣端異常狀態(tài)告警和統(tǒng)計報表功能；基于網(wǎng)絡(luò)連接，將邊緣節(jié)點的推理結(jié)果、圖像數(shù)據(jù)、語音數(shù)據(jù)、雷達點云數(shù)據(jù)和審計日志等數(shù)據(jù)及時上傳至云端。

圖6 云邊交互子系統(tǒng)Fig.6 Cloud edge interactive subsystem

從應(yīng)用的角度，云邊交互子系統(tǒng)讓AI應(yīng)用的開發(fā)形成了閉環(huán)。在初始數(shù)據(jù)輸入的情況下，通過AI工具鏈訓(xùn)練模型，并將訓(xùn)練后的模型下發(fā)到邊緣設(shè)備。邊緣設(shè)備執(zhí)行相關(guān)應(yīng)用，挖掘難例數(shù)據(jù)并回傳到AI云平臺進行增量訓(xùn)練。通過數(shù)據(jù)回傳和模型迭代優(yōu)化，實現(xiàn)應(yīng)用開發(fā)的飛輪效應(yīng)，使AI模型檢測性能越來越好。

3 礦用卡車無人駕駛視覺感知檢測應(yīng)用案例

無人駕駛礦用卡車（簡稱“礦卡”）采用與軌道交通機車相似的傳動控制系統(tǒng)、邊緣硬件設(shè)備和軟件系統(tǒng)用于感知、規(guī)劃、決策和控制，兩者的自動駕駛技術(shù)具有很多相通之處；而在網(wǎng)絡(luò)通信方面，礦場的管控要求比軌道交通的更加寬松，因而礦卡無人駕駛是軌道交通AI應(yīng)用開放平臺的最佳落地場景之一。礦卡的車載視覺感知技術(shù)采用深度學(xué)習(xí)目標(biāo)檢測算法，并與激光雷達、毫米波雷達等進行多傳感器感知融合，以實現(xiàn)礦場石頭、車輛等目標(biāo)的精準定位、跟蹤及識別。其視覺檢測流程如圖7所示。

圖7 礦卡車載視覺檢測流程Fig.7 Visual detection of mining truck

3.1 邊緣端

礦卡車載邊緣端圍繞AI平臺提供的車載GPU硬件計算平臺進行礦卡車載視覺系統(tǒng)設(shè)計、選型及安裝。視覺采集模塊采集礦卡前視數(shù)據(jù)，一方面將原始數(shù)據(jù)保存或者回傳至AI云平臺，用于后續(xù)模型訓(xùn)練；另一方面，所采集的數(shù)據(jù)被送至邊緣端的目標(biāo)檢測推理模塊，用于檢測圖像中有效目標(biāo)信息（位置、類型等），并通過時空同步標(biāo)定技術(shù)與激光雷達點云分割出來的障礙物進行融合跟蹤，最終將障礙物檢測結(jié)果送到?jīng)Q策規(guī)劃控制模板用于控車。軟件實現(xiàn)采用本文提及的AI平臺高效邊緣推理框架，實現(xiàn)了多攝像頭的最優(yōu)推理性能。

3.2 云端

在云端采用AI開發(fā)工具鏈開發(fā)基于深度學(xué)習(xí)的目標(biāo)檢測模型（圖8），車載邊緣設(shè)備回傳的數(shù)據(jù)被上傳至AI開放平臺，通過數(shù)據(jù)標(biāo)注系統(tǒng)進行團隊多人協(xié)作標(biāo)注，標(biāo)注好的數(shù)據(jù)被推送至模型訓(xùn)練子系統(tǒng)；數(shù)據(jù)集按照4：1的比例劃分為訓(xùn)練集和測試集，其中訓(xùn)練集圖像通過馬賽克、翻轉(zhuǎn)、平移和亮度變換方法進行數(shù)據(jù)擴增。

圖8 視覺模型開發(fā)流程Fig.8 Visual model development process

3.3 參數(shù)及測試結(jié)果

目標(biāo)檢測算法采用預(yù)定義的Yolov5［14］模型。首輪模型采用2 042張人工標(biāo)注數(shù)據(jù)進行訓(xùn)練。相關(guān)訓(xùn)練參數(shù)如下：輸入圖像分辨率為1 280*720，批處理大小為6；采用Adam算法進行梯度下降訓(xùn)練，300個訓(xùn)練周期后，模型在測試集上的Map［15］（平均準確率）指標(biāo)為0.961。

訓(xùn)練好的Yolov5模型通過TensorRT工具進行量化加速，經(jīng)應(yīng)用生成子系統(tǒng)打包成鏡像文件被云邊部署至邊緣端進行推理。礦山實際場景的目標(biāo)檢測效果如圖9所示，石頭和礦卡等可以通過算法被有效感知并定位。

圖9 礦山環(huán)境目標(biāo)檢測Fig.9 Object detection in mine scene

利用AI開放平臺技術(shù)，原本需要3～4個月的無人駕駛礦卡視覺檢測工程落地流程工期可縮短至1個月。先進的云邊交互技術(shù)助力視覺車載檢測模型的持續(xù)閉環(huán)優(yōu)化，現(xiàn)場數(shù)據(jù)不斷被回傳至云平臺進行新的模型訓(xùn)練，訓(xùn)練好的模型可以第一時間被部署到車載端進行算法驗證，形成良好的飛輪效應(yīng)。在相同的訓(xùn)練參數(shù)配置下，首次模型迭代前后的指標(biāo)對比如表1所示。在AI平臺的推動下，模型在測試集上的Map指標(biāo)從0.961提升至0.988，具有更好的感知能力。

表1 模型指標(biāo)Tab.1 Model metrics

4 結(jié)語

智能化產(chǎn)品的快速工程化落地需要數(shù)據(jù)、算法、應(yīng)用程序和算力的緊密配合。目前，軌道交通領(lǐng)域業(yè)務(wù)數(shù)據(jù)積累有限、終端計算能力薄弱，且缺乏AI專業(yè)人才和技術(shù)，這些因素嚴重制約了智能化技術(shù)在軌道交通領(lǐng)域的快速發(fā)展。軌道交通AI應(yīng)用開放平臺提供了從業(yè)務(wù)到產(chǎn)品、從數(shù)據(jù)到模型、端到端、線上化的人工智能應(yīng)用解決方案。通過AI平臺，用戶不僅能夠使用不同的深度學(xué)習(xí)框架進行大規(guī)模的訓(xùn)練，對數(shù)據(jù)集和模型進行管理和迭代；同時還可通過API和本地部署等方式接入具體業(yè)務(wù)場景中。

未來，軌道交通AI開放平臺會在數(shù)據(jù)采集、標(biāo)注和訓(xùn)練等模塊上持續(xù)對標(biāo)龍頭企業(yè)如Tesla、華為和百度等的新功能和新技術(shù)。一方面，以場景業(yè)務(wù)為目標(biāo)，開發(fā)更多的自動標(biāo)注算法和高精度預(yù)訓(xùn)練模型，從而降低人工標(biāo)注和模型訓(xùn)練的難度；同時，開發(fā)遠程協(xié)同開發(fā)環(huán)境，提供圖形化算法設(shè)計工具，降低開發(fā)人員對數(shù)據(jù)處理和管理、模型訓(xùn)練和部署等繁瑣的代碼操作需求，從而提高算法開發(fā)效率并縮短產(chǎn)品的迭代周期。另一方面，從用戶體驗和業(yè)務(wù)需求出發(fā)，打造和完善軌道交通AI開放平臺功能，使之更好地滿足軌道交通領(lǐng)域多場景業(yè)務(wù)的自主創(chuàng)新或迭代優(yōu)化的應(yīng)用需求，更好地指導(dǎo)并賦能軌道交通智能化產(chǎn)品的應(yīng)用落地。