自動(dòng)駕駛長(cháng)尾問(wèn)題是指自動(dòng)駕駛汽車(chē)中的邊緣情況，即發(fā)生概率較低的可能場(chǎng)景。感知的長(cháng)尾問(wèn)題是當前限制單車(chē)智能自動(dòng)駕駛車(chē)輛運行設計域的主要原因之一。自動(dòng)駕駛的底層架構和大部分技術(shù)問(wèn)題已經(jīng)被解決，剩下的5%的長(cháng)尾問(wèn)題，逐漸成了制約自動(dòng)駕駛發(fā)展的關(guān)鍵。這些問(wèn)題包括各種零碎的場(chǎng)景、極端的情況和無(wú)法預測的人類(lèi)行為。
自動(dòng)駕駛中的邊緣場(chǎng)景
長(cháng)尾”是指自動(dòng)駕駛汽車(chē) (AV) 中的邊緣情況，邊緣情況是發(fā)生概率較低的可能場(chǎng)景。這些罕見(jiàn)的事件因為出現率較低且比較特殊，因此在數據集中經(jīng)常被遺漏。雖然人類(lèi)天生擅長(cháng)處理邊緣情況，但人工智能卻不是這樣�？赡芤疬吘増�(chǎng)景的因素有：帶有突起的卡車(chē)或者異形車(chē)輛、車(chē)輛急轉彎、在擁擠的人群中行駛、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(chē)后搬箱子、樹(shù)倒在路中央等等。
例子：
1. 放透明薄膜在車(chē)前，透明物體是否可以被識別，車(chē)輛是否會(huì )減速
2. 激光雷達公司Aeye就做了一次挑戰，自動(dòng)駕駛如何處理一個(gè)漂浮在路中央的氣球。L4級無(wú)人駕駛汽車(chē)往往偏向避免碰撞，在這種情況下,它們會(huì )采取規避動(dòng)作或者踩剎車(chē)，來(lái)避免不必要的事故。而氣球是個(gè)軟性的物體，可以直接無(wú)障礙的通過(guò)。
解決長(cháng)尾問(wèn)題的方法
合成數據是個(gè)大概念，而感知數據(nerf, camera/sensor sim)只是其中一個(gè)比較出圈的分支。在業(yè)界，合成數據在longtail behavior sim早已成為標準答案。合成數據，或者說(shuō)sparse signal upsampling是解決長(cháng)尾問(wèn)題的第一性解法之一。長(cháng)尾能力是模型泛化能力與數據內含信息量的乘積。
特斯拉解決方案：
用合成數據（synthetic data）生成邊緣場(chǎng)景來(lái)擴充數據集
數據引擎的原理：首先，檢測現有模型中的不準確之處，隨后將此類(lèi)案例添加到其單元測試中。它還收集更多類(lèi)似案例的數據來(lái)重新訓練模型。這種迭代方法允許它捕獲盡可能多的邊緣情況。制作邊緣案例的主要挑戰是收集和標注邊緣情況的成本比較高，再一個(gè)就是收集行為有可能非常危險甚至無(wú)法實(shí)現。
NVIDIA解決方案：
NVIDIA 最近提出了一種名為“模仿訓練”的戰略方法（下圖）。在這種方法中，真實(shí)世界中的系統故障案例在模擬環(huán)境中被重現，然后將它們用作自動(dòng)駕駛汽車(chē)的訓練數據。重復此循環(huán)，直到模型的性能收斂。
以下真實(shí)場(chǎng)景中由于卡車(chē)高度過(guò)高(上)、車(chē)輛凸出部分遮擋后車(chē)(下)導致模型輸出時(shí)車(chē)框丟失，成為邊緣場(chǎng)景，過(guò)NVIDIA改進(jìn)后的模型可以在此邊緣情況下生成正確的邊界框：
一些思考：
Q：合成數據是否有價(jià)值？
A: 這里的價(jià)值分為兩種 ， 第一種是測試有效性， 即在生成的場(chǎng)景中測試 是否能發(fā)現探測算法中的一些不足， 第二種是訓練有效性， 即生成的場(chǎng)景用于算法的訓練是否也能夠有效提升性能。
Q: 如何使用虛擬數據提升性能？虛擬數據真的有必要添加到訓練集中去嗎？添加進(jìn)去了是否會(huì )產(chǎn)生性能回退？
A: 這些問(wèn)題都難以回答， 于是產(chǎn)生了很多不一樣的提高訓練精度的方案:
·混合訓練:在真實(shí)數據中添加不同比例的虛擬數據， 以求性能提升，
· Transfer Learning:使用真實(shí)數據預訓練好的模型，然后Freeze 某些layer， 再添加混合數據進(jìn)行訓練。
· Imitation Learning:針對性設計一些模型失誤的場(chǎng)景， 并由此產(chǎn)生一些數據，進(jìn)而逐步提升模型的性能， 這一點(diǎn)也是非常自然的。在實(shí)際的數據采集和模型訓練中， 也是針對性采集一些補充數據， 進(jìn)而提升性能。
一些擴展：
為了徹底評估 AI 系統的穩健性，單元測試必須包括一般情況和邊緣情況。然而，某些邊緣案例可能無(wú)法從現有的真實(shí)世界數據集中獲得。為此，人工智能從業(yè)者可以使用合成數據進(jìn)行測試。
一個(gè)例子是ParallelEye-CS，這是一種用于測試自動(dòng)駕駛汽車(chē)視覺(jué)智能的合成數據集。與使用真實(shí)世界數據相比，創(chuàng )建合成數據的好處是可以對每個(gè)圖像的場(chǎng)景進(jìn)行多維度控制。
合成數據將作為生產(chǎn) AV 模型中邊緣情況的可行解決方案。它用邊緣案例補充現實(shí)世界的數據集，確保 AV 即使在異常事件下也能保持穩健。它也比真實(shí)世界的數據更具可擴展性，更不容易出錯，并且更便宜。
本文內容不用于商業(yè)目的，如涉及知識產(chǎn)權問(wèn)題，請權利人聯(lián)系51Testing小編(021-64471599-8017)，我們將立即處理
久久无码人妻精品一区二_久久亚洲春色中文字幕_亚洲艳妇自拍视频_亚洲中文字幕乱码少妇饥渴