玻璃反光也能誤識別？當自動駕駛遇到千奇百怪的corner case
電子發燒友網報道（文/梁浩斌）Corner case在自動駕駛中是指行駛過程中可能出現，但發生頻率極低的小概率事件。盡管平時很少會遇到，但對于自動駕駛系統來說，遇到無法做出決策的corner case時，很可能會導致致命的交通事故。
最近微博有博主就遇到了一個讓人哭笑不得的案例，很生動地展示了corner case的概念。
來源：微博@阿阿阿阿六三
從照片上可以看到，在等紅綠燈時，特斯拉Model 3右側前方有一輛大巴，大巴的車窗玻璃剛好反射出紅綠燈的影子，而在車輛內的可視化界面上，誤將車窗反射識別成鑲嵌在大巴車身內的紅綠燈。對于自動駕駛系統而言，在車窗中反射出的紅綠燈剛好在合理的高度，同時形態也符合模型，所以它就是“紅綠燈”。
雖然這種情況對自動駕駛安全影響不大，但也很好地反映出目前自動駕駛corner case就是會出現在很多人類駕駛員可以很輕易識別并作出決策的地方，而這些corner case對于自動駕駛系統而言卻幾乎無法正確作出識別和判斷。
此前，包括特斯拉在內，小鵬、蔚來等都出現過因為corner case而導致的交通事故。比如最典型的特斯拉Model 3開啟輔助駕駛時，撞上翻側在高速公路上的白色貨車導致車主身亡；在去年5月，美國加州一輛Model 3在夜間撞上側翻在路面上的卡車，而事后在車主的社交賬戶上發現車主分享了多個“雙手離開方向盤”使用自動駕駛的視頻。
小鵬P7去年9月也在開啟NGP的情況下，由于系統無法判斷前方高度較低的掛車而發生追尾；今年3月一輛小鵬P7在使用自適應定速巡航ACC和車道居中保持功能時，與前方發生事故側翻在路面上的汽車發生碰撞；去年8月蔚來ES8也在開啟輔助駕駛的情況下撞上了停在路邊的工程車輛，導致車主身亡。
corner case的存在其實也是一些人不看好自動駕駛的原因。因為通過模擬無法覆蓋現實世界中的所有場景，遇到這些corner case的變量太多，不可能完全讓自動駕駛系統識別所有corner case。也就是corner case無法完全解決，只能不斷優化盡量補全這些漏洞。
而目前的優化方法，其實非常簡單粗暴，就是通過車企收集更多的真實數據。擁有足夠多真實數據的基礎上，再通過模擬計算平臺對這些場景進行進一步解構，模擬出其他類似場景讓系統學習。
同時，在獲取數據時，需要通過系統判斷駕駛車輛是否遇到了corner case，并上傳數據進行標注。標注后的數據用于模擬訓練，以及生成迭代模型，用更多的corner case訓練自動駕駛系統。
當然，corner case其實是一個比較大的概念，其中包括傳感器性能、場景差異、罕見事件等之類的問題。目前業界主要通過對corner case檢測復雜度，或者一定程度上可以說是以出現的概率來進行分級，分為像素級（Pixel）、域級（Domain）、目標級（Object）、場景級（Scene）、時序場景級（Scenario）等五個等級。
因此要對corner case進行優化，就可以將收集到的corner case數據進行難度分級，再根據不同級別來找到解決方案。
總體而言，要優化corner case，首先需要海量的真實路面數據。而數據的背后，還需要擁有足夠算力的數據中心，模型訓練、自動標記等工作需要大量算力。以特斯拉為例，目前特斯拉擁有3大計算中心總計11544 個GPU，今年8月特斯拉首次公開了其Dojo超級計算機系統中每個ExaPOD集群集成了120個訓練模塊，內置3000個D1芯片，擁有超過100萬個訓練節點，算力達到1.1EFLOPS，預計明年完工首個ExaPOD集群。
國內企業目前也在自動駕駛數據中心上加大投入，今年8月，小鵬汽車和阿里云合作建設的國內最大自動駕駛智算中心在內蒙古烏蘭察布落地，將專門用于自動駕駛模型訓練，算力規模達0.6EFLOPS；而商湯在上海的超算中心AIDC也在今年年初投入運營，設計算力達到3.74EFLOPS，未來還會進一步擴展至4.91EFLOPS。
可以說，要盡量避免遇到自動駕駛的corner case，其實在某種程度上比拼的就是數據。
?
來源：微博@阿阿阿阿六三
從照片上可以看到，在等紅綠燈時，特斯拉Model 3右側前方有一輛大巴，大巴的車窗玻璃剛好反射出紅綠燈的影子，而在車輛內的可視化界面上，誤將車窗反射識別成鑲嵌在大巴車身內的紅綠燈。對于自動駕駛系統而言，在車窗中反射出的紅綠燈剛好在合理的高度，同時形態也符合模型，所以它就是“紅綠燈”。
雖然這種情況對自動駕駛安全影響不大，但也很好地反映出目前自動駕駛corner case就是會出現在很多人類駕駛員可以很輕易識別并作出決策的地方，而這些corner case對于自動駕駛系統而言卻幾乎無法正確作出識別和判斷。
此前，包括特斯拉在內，小鵬、蔚來等都出現過因為corner case而導致的交通事故。比如最典型的特斯拉Model 3開啟輔助駕駛時，撞上翻側在高速公路上的白色貨車導致車主身亡；在去年5月，美國加州一輛Model 3在夜間撞上側翻在路面上的卡車，而事后在車主的社交賬戶上發現車主分享了多個“雙手離開方向盤”使用自動駕駛的視頻。
小鵬P7去年9月也在開啟NGP的情況下，由于系統無法判斷前方高度較低的掛車而發生追尾；今年3月一輛小鵬P7在使用自適應定速巡航ACC和車道居中保持功能時，與前方發生事故側翻在路面上的汽車發生碰撞；去年8月蔚來ES8也在開啟輔助駕駛的情況下撞上了停在路邊的工程車輛，導致車主身亡。
corner case的存在其實也是一些人不看好自動駕駛的原因。因為通過模擬無法覆蓋現實世界中的所有場景，遇到這些corner case的變量太多，不可能完全讓自動駕駛系統識別所有corner case。也就是corner case無法完全解決，只能不斷優化盡量補全這些漏洞。
而目前的優化方法，其實非常簡單粗暴，就是通過車企收集更多的真實數據。擁有足夠多真實數據的基礎上，再通過模擬計算平臺對這些場景進行進一步解構，模擬出其他類似場景讓系統學習。
同時，在獲取數據時，需要通過系統判斷駕駛車輛是否遇到了corner case，并上傳數據進行標注。標注后的數據用于模擬訓練，以及生成迭代模型，用更多的corner case訓練自動駕駛系統。
當然，corner case其實是一個比較大的概念，其中包括傳感器性能、場景差異、罕見事件等之類的問題。目前業界主要通過對corner case檢測復雜度，或者一定程度上可以說是以出現的概率來進行分級，分為像素級（Pixel）、域級（Domain）、目標級（Object）、場景級（Scene）、時序場景級（Scenario）等五個等級。
因此要對corner case進行優化，就可以將收集到的corner case數據進行難度分級，再根據不同級別來找到解決方案。
總體而言，要優化corner case，首先需要海量的真實路面數據。而數據的背后，還需要擁有足夠算力的數據中心，模型訓練、自動標記等工作需要大量算力。以特斯拉為例，目前特斯拉擁有3大計算中心總計11544 個GPU，今年8月特斯拉首次公開了其Dojo超級計算機系統中每個ExaPOD集群集成了120個訓練模塊，內置3000個D1芯片，擁有超過100萬個訓練節點，算力達到1.1EFLOPS，預計明年完工首個ExaPOD集群。
國內企業目前也在自動駕駛數據中心上加大投入，今年8月，小鵬汽車和阿里云合作建設的國內最大自動駕駛智算中心在內蒙古烏蘭察布落地，將專門用于自動駕駛模型訓練，算力規模達0.6EFLOPS；而商湯在上海的超算中心AIDC也在今年年初投入運營，設計算力達到3.74EFLOPS，未來還會進一步擴展至4.91EFLOPS。
可以說，要盡量避免遇到自動駕駛的corner case，其實在某種程度上比拼的就是數據。
?
- 中國汽車出口暴增 已占俄羅斯三分之一市場
- 全球PC出貨量歷史性爆降，蘋果卻逆勢收割？寒氣傳到產業鏈上游
- 汽車電驅動系統技術未來發展趨勢及關鍵技術分析
- NASA新電池能量密度達500Wh/kg，固態電池將成主流？
- 俄羅斯芯片采購清單曝光，進口或將困難重重！
原文標題：玻璃反光也能誤識別？當自動駕駛遇到千奇百怪的corner case
文章出處：【微信公眾號：電子發燒友網】歡迎添加關注！文章轉載請注明出處。
聲明：本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人，不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用，如有內容侵權或者其他違規問題，請聯系本站處理。
舉報投訴
-
自動駕駛
+關注
關注
784文章
13838瀏覽量
166548
原文標題：玻璃反光也能誤識別？當自動駕駛遇到千奇百怪的corner case
文章出處：【微信號：elecfans，微信公眾號：電子發燒友網】歡迎添加關注！文章轉載請注明出處。
發布評論請先 登錄
相關推薦
百度獲香港首個自動駕駛先導牌照
近日，百度旗下自動駕駛品牌Baidu Apollo International傳來喜訊，根據香港運輸署的正式通知，該公司成功獲得了香港首個自動駕駛車輛先導牌照。這一牌照的獲得，標志著百
自動駕駛汽車安全嗎？
隨著未來汽車變得更加互聯，汽車逐漸變得更加依賴技術，并且逐漸變得更加自動化——最終實現自動駕駛，了解自動駕駛汽車的安全問題變得非常重要，這樣你才能回答“自動駕駛汽車安全嗎”和“
FPGA在自動駕駛領域有哪些優勢?
領域的主要優勢：
高性能與并行處理能力：
FPGA內部包含大量的邏輯門和可配置的連接，能夠同時處理多個數據流和計算任務。這種并行處理能力使得FPGA在處理自動駕駛中復雜的圖像識別、傳感器數據處理等
發表于 07-29 17:11
FPGA在自動駕駛領域有哪些應用？
是FPGA在自動駕駛領域的主要應用：
一、感知算法加速
圖像處理：自動駕駛中需要通過攝像頭獲取并識別道路信息和行駛環境，這涉及到大量的圖像處理任務。FPGA在處理圖像上的運算速度快，可并行性強，且功耗
發表于 07-29 17:09
自動駕駛汽車如何識別障礙物
自動駕駛汽車識別障礙物是一個復雜而關鍵的過程，它依賴于多種傳感器和技術的協同工作。這些傳感器主要包括激光雷達（LiDAR）、雷達、攝像頭以及超聲波雷達等，它們各自具有不同的工作原理和優勢，共同為自動駕駛汽車提供全面的環境感知能力
自動駕駛識別技術有哪些
自動駕駛的識別技術是自動駕駛系統中的重要組成部分，它使車輛能夠感知并理解周圍環境，從而做出智能決策。自動駕駛識別技術主要包括多種傳感器及其融
百度發布全球首個L4級自動駕駛大模型
近日，百度Apollo宣布了全球首個支持L4級自動駕駛的大模型Apollo ADFM（Autonomous Driving Foundation Model）。這一突破性的技術成果，標志著自動駕駛領域邁出了重要的一步。
迎來“CASE”時代的汽車趨勢和技術課題(3) ～自動駕駛和識別引擎～
本次作為迎來“CASE”時代的汽車趨勢和技術課題的第三次，我們將介紹面向實際應用和實證實驗突飛猛進的自動駕駛和掌控自動駕駛“認知”的識別引擎概要。 開發和實證實驗取得進展的
特斯拉與百度合作掃清自動駕駛關鍵障礙
知情者透露，特斯拉有望在此基礎上推進自動駕駛服務。特斯拉于2020年起在華轉向使用百度地圖及導航服務，新的合作旨在解決更先進的自動駕駛地圖需求。
未來已來，多傳感器融合感知是自動駕駛破局的關鍵
的Robotaxi運營。這標志著L4級自動駕駛迎來了新的里程碑，朝著商業化落地邁進了一大步。中國的車企也不甘落后：4月7日，廣汽埃安與滴滴自動駕駛宣布合資公司——廣州安滴科技有限公司獲批工商執照。廣汽埃安
發表于 04-11 10:26
自動駕駛已成現實？賽思時間同步服務器賦能北京市高級別自動駕駛示范區，為自動駕駛提供中國方案
賽思時間同步服務器賦能全球首個“車路云一體化”高級別自動駕駛示范區，為自動駕駛提供中國方案！北京市高級別自動駕駛示范區的“中樞神經”-云控基礎平臺北京市高級別
發展新質生產力，百度蘿卜快跑開啟大興機場的自動駕駛接駁路線
在高級別自動駕駛領域，百度蘿卜快跑積極響應政府號召，率先在北京亦莊實現了車內無人自動駕駛商業化示范運營，并開啟了大興機場的自動駕駛接駁路線。
百度“蘿卜快跑”首批獲準在京開展大興機場自動駕駛載人示范應用
近日，百度蘿卜快跑宣布首批獲準北京大興機場高速、以及大興機場部分區域的自動駕駛車輛載人示范應用。
工商網監
評論