策略池阿里云推出自动驾驶模型训练推理加速框架，训练时间可缩短50%

6 月 23 日消息，阿里云推出面向自动驾驶领域模型的训练、推理加速框架 PAI-TurboX策略池，该框架可提升感知、规划控制乃至世界模型的训推效率，在多个行业模型的训练任务中，PAI-TurboX 均可缩短 50% 的时间。

目前，业界主流的自动驾驶方案需要融合图像、激光雷达、毫米波雷达、GPS 等多个模态数据，但大规模训练样本数据加载和预处理的效率较低，导致 GPU 资源浪费；同时，自动驾驶模型算子数量巨大，使用现有训推框架系统执行效率低下，且优化门槛高。

阿里云推出的 PAI-TurboX，在多模态数据预处理、离线大规模模型训练以及实时智驾推理等环节提供了全面解决方案。在系统侧，PAI-TurboX 通过优化 CPU 亲和性、动态编译、流水线并行等策略，显著提升模型的训练推理效率；在数据侧策略池，PAI-TurboX 提出了高性能的 DataLoader 引擎，并且优化了数据预处理流程和实现了智能训练样本分组，有效提升数据处理效率。

此外，PAI-TurboX 还提供了算子优化和量化等能力，可进一步减少训练阶段的访存延迟，提升吞吐效率，同时在推理任务中，能在保障精度的同时降低计算开销与内存带宽需求，可实现异构平台下的高性能推理部署。

实测结果显示，在自动驾驶的 3D 物体检测模型 BEVFusion 训练任务中，PAI-TurboX 可以将训练时间缩短 58.5%；在实时在线矢量化高精地图构建模型 MapTR 训练任务中，PAI-TurboX 可以将训练时间缩短 53%；在端到端自动驾驶模型 SparseDrive 训练任务中，PAI-TurboX 可以在感知模块训练和联合训练两个阶段获得明显的速度提升，相同训练步数下可分别缩短 51.5% 和 48.5%。