自动驾驶训练和验证中的极端案例:预测那些不可预测

想象一下,在街上开车时,突然有人跑到车前,推着婴儿车。当然,一个人的第一本能是停车,让他过马路继续开车。然而,自动驾驶汽车纯粹通过传感器和人工智能运行,需要接受如何应对这种情况的培训。让我们尝试另一种不太可能的情况。想象一下,在街上开车时,一台空调从窗户掉了出来。司机会如何反应?或者,一辆自动驾驶汽车如何反应?

所有这些场景都是需要对自动驾驶车辆系统进行培训的情况,即需要通过人工智能模拟的异常、不太可能但又可能发生、车辆必须准备好安全地处理的任何情况。也就是所谓的极端案例,这些案例需要反复运行,训练车辆的每个模块和方面,看看它如何自动响应,并训练模块“应该”如何响应。

要搭建一个健康牢靠的系统,极端案例在开发阶段特别有价值。从一开始就对系统进行常规培训,保证所有情况都顺利进行,当然更轻松。但是,作为负责任的回归测试计划的一部分,运行极端案例也是非常重要的,可以此查看软件或算法的更改是否对现有功能产生不利影响。每次有变化时,确保传感器仍然安全地响应模拟环境中的各种极端情况非常重要。

常见的极端情况包括恶劣的天气、行人和骑自行车的人的异常行为、道路上的物体等。然而,人和机器所感知的异常情况可能完全不同,有时会涉及细微差别,这取决于机器是否能准确地抓取图像。

在自动驾驶汽车开发的各个阶段,运行极端案例将变得越来越重要,因为它是在所有情况下验证车辆响应的最有效和最准确的方法。自动驾驶汽车的目标是有一天它们的驾驶性能会比人类好,要达到这一水平,需要成千上万个极端案例——对于路上跑着的数百万汽车来说,体验经常出现的场景和极不可能出现的极端案例同样重要。其中一辆车可能会遇到一个空调机组从车窗掉下来,如果是这样,它应该准备好自动处理这种情况。

欲了解更多信息,请访问:https://www.cognata.com/blog/