引言

由于深度學(xué)習(xí)技術(shù)的發(fā)展，自動駕駛技術(shù)在過去幾年快速騰飛。目前很多公司的路測和量產(chǎn)項目都已經(jīng)進(jìn)入了大眾的視野。但是對于整個自動駕駛技術(shù)來說依然面臨很多的挑戰(zhàn)。其中 Corner Cases的存在引發(fā)了很多安全問題，諸如特斯拉，小鵬等企業(yè)的量產(chǎn)車輛都發(fā)生過。Corner Cases又叫異常案例，常見的硬件遮擋，異常障礙物等都屬于這個范疇。下面將按照部分文獻(xiàn)的分類方式展開討論。

1. 傳感器級別的Corner Cases

1.1 定義--傳感器層(Sensor Layer)Corner Cases

這部分案例的成因主要是因為傳感器由于自身的硬件原因和外部環(huán)境的干擾導(dǎo)致，比如鏡頭等光學(xué)器件的損壞，表面的污跡等造成成像偏差。

1.2 舉例--傳感器層(Sensor Layer)Corner Cases

傳感器的硬件級問題包括：

a）激光雷達(dá)：棱鏡損壞和點(diǎn)云掃描校準(zhǔn)；

b）攝像頭：包括壞點(diǎn)和鏡頭損壞；

c）雷達(dá)：包括低電壓和低溫造成的脈沖問題。

傳感器的物理級問題包括：

a）激光雷達(dá)：激光束被吸收不反射（深色車等）；

b）攝像頭：鏡頭污跡、過飽和/曝光；

c）雷達(dá)：脈沖被干擾。

2. 數(shù)據(jù)內(nèi)容層級別的Corner Cases

傳感器輸入的數(shù)據(jù)多種多樣，有些目標(biāo)是我們定義的，但是隨著使用場景的變化，這部分目標(biāo)產(chǎn)生了理解歧義。另外可能有些異常目標(biāo)，我們忽略了。以下從域級(domain)，目標(biāo)級，場景級三個細(xì)分的角度分別討論。

2.1  內(nèi)容層-域級Corner Cases的定義和舉例

域級(domain)的定義：由于使用場景或者環(huán)境的變換，算法的世界模型無法理解傳感器輸入的內(nèi)容，或者對輸入的內(nèi)容產(chǎn)生歧義。

域級(domain)的舉例：

a.駕駛環(huán)境變換后，激光雷達(dá)無法理解不同道路的形狀；

b.使用國家變換后，攝像頭在不同國家輸入的內(nèi)容讓算法產(chǎn)生歧義，比如不同國家對停車標(biāo)志的定義千差萬別

c.毫米波雷達(dá)在遇天氣環(huán)境變化后，比如雨雪，會產(chǎn)生虛檢，但是算法無法理解毫米波雷達(dá)輸入的內(nèi)容和雨雪天氣的關(guān)系。

2.2  內(nèi)容層-目標(biāo)級Corner Cases的定義和舉例

目標(biāo)級的定義：主要是未知物體和目標(biāo)的存在，這部分目標(biāo)在數(shù)據(jù)集上未出現(xiàn)過，所以沒有被定義。

目標(biāo)級的舉例：

a. 激光雷達(dá)的點(diǎn)云輸入會受灰塵、蚊蟲的影響，產(chǎn)生未定義的目標(biāo)；

b. 攝像頭的輸入出現(xiàn)某種為定義的動物；

c. 毫米波雷達(dá)的特性可能會導(dǎo)致丟失低速的目標(biāo)；

2.3  內(nèi)容層場景級Corner Cases的定義和舉例

場景級問題定義：目標(biāo)被定義，也可以從傳感器的數(shù)據(jù)中肉眼觀察到，但對物體的數(shù)量和位置情況有歧義或者不明確。

場景級問題舉例：

a.激光雷達(dá)的上下文異常,比如停放在人行橫道上的清掃車

b.攝像頭輸入的內(nèi)容中，發(fā)現(xiàn)一個人離地面很高，實際情況可能是在廣告牌上的人。

c.毫米波雷達(dá)所檢測到的目標(biāo)太多，實際可能是路上的灌木造成。

3. 交通參與者超預(yù)期問題

超預(yù)期問題定義：

在時間維度上，交通參與者在持續(xù)的運(yùn)動中。且這些運(yùn)動不符合交通規(guī)則。自動駕駛系統(tǒng)在底層的方案設(shè)計上并沒考慮到或者窮盡所有的違規(guī)行為。

超預(yù)期問題Corner Cases的舉例

行人違反交通規(guī)則、車禍等。

4. 檢測/解決Corner Cases的方案

coner case復(fù)雜且多變，解決問題的手法也不是唯一的。以下列舉以下常見的手段和方法：

置信度(Confidence score)：通過神經(jīng)網(wǎng)絡(luò)估計不確定coner case的置信的，確定是否是異常情況

重建(Reconstructive):對異常對象進(jìn)行重建，或者仿真模擬得出異常對象數(shù)據(jù)，加入模型訓(xùn)練

生成coner case（Generative):對異常對象和數(shù)據(jù)進(jìn)行擴(kuò)充，利用GAN等技術(shù)生成擴(kuò)充的coner case案例。

特征抽取coner case(Feature Extraction):利用聚類或者svm等分類算法，對coner case案例進(jìn)行快速的定位。

預(yù)測補(bǔ)充coner case(Prediction):利用前后幀之間運(yùn)動物體不會憑空消失或突變等，進(jìn)行異常情況的校正回歸(陳時中直呼內(nèi)行)。

總結(jié)

以上是coner case常見的定義，舉例和解決方案，在整理的過程中也發(fā)現(xiàn)，業(yè)界在定義coner case上存在很大分歧，在類別的劃分上也不相同。但是達(dá)成的目標(biāo)是統(tǒng)一的，即實現(xiàn)一個安全的自動駕駛系統(tǒng)。