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。

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。