面向高度自动驾驶感知中corner cases的应用驱动概念化

依赖机器学习（ML）的系统与功能是高度自动驾驶的基础。此类 ML 模型的一项基本任务是可靠地检测并解释异常、新颖且潜在危险的情境。这些我们称之为 corner cases（极端情况）的情境的检测，对于未来将使用多种传感器模态的车辆中成功开发、应用与验证自动驾驶感知功能高度相关。corner case 检测器开发的一个难点是缺乏一致的定义、术语与 corner case 描述，尤其在考虑各类汽车传感器时。本工作中，我们提供高度自动驾驶中 corner cases 的应用驱动视角。为实现该目标，我们首先考量现有来自通用离群点、新颖性、异常与分布外检测的定义，以揭示其与 corner cases 的关联与差异。此外，我们通过加入 RADAR（无线电探测与测距）与 LiDAR（光探测与测距）传感器，扩展了现有的以相机为中心的 corner case 系统化分类。为此，我们描述了一个数据采集与处理的示例工具链，突出 corner case 检测的接口。我们还定义了一种新颖的 corner case 层级——方法层 corner cases，其因方法或数据分布中固有的不确定性而出现。