自動駕駛長尾場景是怎樣的？

自動駕駛長尾場景指的是自動駕駛汽車中發生概率較低的邊緣情況，這些場景零碎、特殊且難以預測。

常見的自動駕駛長尾場景包括：帶有突起的卡車或異形車輛、車輛急轉彎、在擁擠人群中行駛、亂穿馬路的行人、極端天氣或極差光照條件、打傘的人、人在車后搬箱子、樹倒在路中央、放透明薄膜在車前等。

造成自動駕駛長尾場景難以處理的原因主要有：這些罕見事件在數據集中常被遺漏，人工智能不像人類那樣天生擅長處理此類情況。

為解決自動駕駛長尾場景問題，目前主要有以下方法：

1. 合成數據：這是解決長尾問題的第一性解法之一。通過生成邊緣場景來擴充數據集，例如特斯拉用合成數據來訓練模型，檢測現有模型中的不準確之處，并收集更多類似案例的數據來重新訓練模型。

2. NVIDIA 的“模仿訓練”戰略方法：在模擬環境中重現真實世界中的系統故障案例，將其用作自動駕駛汽車的訓練數據，重復此循環直至模型性能收斂。

3. 混合訓練：在真實數據中添加不同比例的虛擬數據，以求性能提升。

4. Transfer Learning：使用真實數據預訓練好的模型，然后 Freeze 某些 layer，再添加混合數據進行訓練。

5. Imitation Learning：針對性設計一些模型失誤的場景，并產生數據來逐步提升模型的性能。

Momenta 披露的“飛輪式 L4”技術在夜間長尾場景表現出色。例如在夜間遠光燈中準確避開橫穿馬路的行人，利用多傳感器感知融合能力提前感知并準確預測行人行為；面對路口異型車臨停，能快速判斷并規劃繞行路線；在夜間復雜的道路和交通參與者行為變化的情況下，能快速精準感知并應對各種突發狀況。

礦區自動駕駛也是解決長尾場景的一個重要領域。礦區道路場景封閉且單一，人員活動受限，不可控或不可預知因素較少，有著強烈的無人化需求。其商業化進展迅速，已形成技術服務和運輸服務兩種成熟的商業模式。同時，礦區自動駕駛相關算法的訓練與調優需要處理如精準泊車、自動卸礦、智能會車、繞行避障等長尾場景，這些場景對數據集的場景垂直性與精準性要求極高。

在智駕系統中，紅外傳感技術在解決長尾場景感知困局方面發揮著重要作用。例如在惡劣天氣、對向眩光、陽光及信號干擾、黑夜無燈路段等場景中，傳統傳感器存在明顯短板，而紅外傳感技術具有無需光源探測、探測距離長、可穿透煙霧沙塵、不受強光炫目和光線突變影響、可全天候工作、能識別生命體等特點，可以很好地解決這些問題。

（圖/文/攝：太平洋汽車 整理于互聯網）