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/