邊緣場景(Corner Case)係自動駕駛同輔助駕駛領域嘅技術術語,亦稱為長尾場景,指發生概率極低、但一旦出現就可能對系統構成高風險挑戰嘅特殊交通狀況。呢類場景通常具有高度不確定性、情況複雜同數據稀疏等特徵,容易令輔助駕駛演算法喺特定條件下產生誤判。
「邊緣」並唔係指道路邊界,而係表示有關情況位於常見訓練數據同一般運行條件嘅邊緣。系統即使能夠處理大量日常交通狀況,仍可能因為罕見事件缺少足夠數據,而難以建立穩定嘅識別同應對方式。
輔助駕駛演算法會利用收集到嘅交通場景數據建立判斷能力。常見場景能夠提供較多資料,罕見場景提供嘅樣本則相對稀少;當實際道路出現同既有數據差異較大嘅情況,演算法便可能對環境、路況或者交通參與者行為作出錯誤判斷。
邊緣場景嘅風險唔單純來自低發生率,亦來自多項不確定因素同時出現。天氣干擾、突發路況或者非規則行為都可能令場景變得複雜。由於真實道路上難以頻繁收集同一類罕見事件,相關數據亦較難自然累積,形成長尾式分布。
常見邊緣場景可按成因分為幾類。極端天氣干擾會令系統面對偏離一般條件嘅環境;突發路況異常包括道路情況突然出現變化;交通參與者嘅非規則行為,則係指其行動未必符合系統較常見嘅行為模式。上述因素亦可以同時存在,進一步增加場景嘅不確定性同複雜程度。
業界會透過仿真測試生成極端同罕見場景,令系統可以喺受控條件下反覆接觸現實道路較少出現嘅情況。仿真場景亦可用於檢查演算法會否喺特定條件下誤判,並擴大測試對特殊交通狀況嘅覆蓋範圍。
多傳感器融合係另一種應對方法,透過整合唔同感知來源嘅資訊提升環境感知。合成數據則用於擴充訓練數據集,補充真實世界中數量不足嘅罕見樣本。仿真測試、多傳感器融合及合成數據分別從測試、感知同數據層面處理邊緣場景問題。
邊緣場景概念主要應用於自動駕駛同輔助駕駛系統嘅演算法訓練、場景測試及感知能力改進。開發過程會將罕見但高風險嘅交通狀況納入測試範圍,檢查系統喺極端天氣、突發異常同非規則交通行為下嘅反應。
隨住自動駕駛技術發展,部分原本屬於邊緣範圍嘅場景正逐步被系統覆蓋。不過,邊緣場景具有數據稀疏同高度不確定嘅特性;當部分罕見情況獲得更多數據並被納入處理範圍,其他低概率特殊情況仍會繼續構成演算法測試同改進嘅對象。