自動駕駛長尾場景指的是自動駕駛汽車中發(fā)生概率較低的邊緣情況，這些場景零碎、特殊且難以預(yù)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(zhuǎn)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(shù)據(jù)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(shù)據(jù)：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(kuò)充數(shù)據(jù)集，例如特斯拉用合成數(shù)據(jù)來訓(xùn)練模型，檢測現(xiàn)有模型中的不準(zhǔn)確之處，并收集更多類似案例的數(shù)據(jù)來重新訓(xùn)練模型。

2. NVIDIA 的“模仿訓(xùn)練”戰(zhàn)略方法：在模擬環(huán)境中重現(xiàn)真實世界中的系統(tǒng)故障案例，將其用作自動駕駛汽車的訓(xùn)練數(shù)據(jù)，重復(fù)此循環(huán)直至模型性能收斂。

3. 混合訓(xùn)練：在真實數(shù)據(jù)中添加不同比例的虛擬數(shù)據(jù)，以求性能提升。

4. Transfer Learning：使用真實數(shù)據(jù)預(yù)訓(xùn)練好的模型，然后 Freeze 某些 layer，再添加混合數(shù)據(jù)進(jìn)行訓(xùn)練。

5. Imitation Learning：針對性設(shè)計一些模型失誤的場景，并產(chǎn)生數(shù)據(jù)來逐步提升模型的性能。

Momenta 披露的“飛輪式 L4”技術(shù)在夜間長尾場景表現(xiàn)出色。例如在夜間遠(yuǎn)光燈中準(zhǔn)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(zhǔn)確預(yù)測行人行為；面對路口異型車臨停，能快速判斷并規(guī)劃繞行路線；在夜間復(fù)雜的道路和交通參與者行為變化的情況下，能快速精準(zhǔn)感知并應(yīng)對各種突發(fā)狀況。

礦區(qū)自動駕駛也是解決長尾場景的一個重要領(lǐng)域。礦區(qū)道路場景封閉且單一，人員活動受限，不可控或不可預(yù)知因素較少，有著強(qiáng)烈的無人化需求。其商業(yè)化進(jìn)展迅速，已形成技術(shù)服務(wù)和運(yùn)輸服務(wù)兩種成熟的商業(yè)模式。同時，礦區(qū)自動駕駛相關(guān)算法的訓(xùn)練與調(diào)優(yōu)需要處理如精準(zhǔn)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(shù)據(jù)集的場景垂直性與精準(zhǔn)性要求極高。

在智駕系統(tǒng)中，紅外傳感技術(shù)在解決長尾場景感知困局方面發(fā)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(tǒng)傳感器存在明顯短板，而紅外傳感技術(shù)具有無需光源探測、探測距離長、可穿透煙霧沙塵、不受強(qiáng)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(diǎn)，可以很好地解決這些問題。

（圖/文/攝：太平洋汽車 整理于互聯(lián)網(wǎng)）