如何在自动驾驶的视觉感知中检测corner cases？

一篇来自德国大学的论文：“Corner Cases for Visual Perception in Automated Driving: Some Guidance on Detection Approaches“，在arXiv上2021年2月11日出现。

corner cases是自动驾驶中很重要的一个问题，本文讨论视觉感知（不包括雷达和激光雷达）如何检测这些corner cases，即出现的未期望或者未知情况。检测corner case的任务对安全十分关键，检测方法对训练数据的选择自动化非常重要，对大众能否接受自动驾驶技术一事也是如此。该文系统性的分析corner cases出现的层次及其检测方法的类别，将二者联系在一起。

注：上面图显示的是corner cases层次划分【5】。

检测corner cases包括online和offline方法，online情况是可以作为 安全监控和警告系统 ，offline情况是用于实验室开发新的视觉感知算法， 选择合适的训练和测试数据 。一些不错的工作已经展开，比如障碍物检测【6-7】，新出现的目标【8】。

corner cases 定义为 “ there is a non-predictable relevant object/class in a relevant location ”【9】。本文分析根据【5】将它们分为以下几个层次：

• pixel,
• domain,
• object,
• scene，
• scenario。

具体讲，pixel level 原因分成 global 和local outliers两个；domain-level 是domain shifts 造成的；object level则是single-point anomalies 或者 single-point novelties；scene-level 来源也分成两个，collective anomalies和 contextual anomalies，其中contextual anomalies 是指未知位置的已知目标，比如街中心的树，而collective anomalies 是指数目异常的已知目标，比如demo。最高层的复杂情况是scenario-level， 包括risky scenarios、novel scenarios和anomalous scenarios。

下面表格给出corner cases的各层例子：确实是有趣的corner cases。

检测它们的方法分为以下类别【10】：

• feature extraction,
• regression,
• knowledge-based,
• signal model,
• state estimation,
• clustering,
• classification methods。

corner cases detection方法分为下面5个概念：

• reconstruction,
• prediction,
• generative,
• confidence scores,
• feature extraction.

Reconstruction 方法 基本上是autoencoder-type networks；Prediction-based 方法 主要是scenario level，比如GAN；Generative 和 reconstruction-based 方法非常相关联；Feature extraction 方法主要采用 deep neural networks。其中 confidence score 类，进一步又分成 三个子类：

1. learned confidence scores
2. Bayesian approaches
3. post-processing

如下表所示是检测方法和复杂层次之间的联系：

总的来说，可以说由于缺乏包含所有类型corner cases的大规模数据集，以及相关的corner cases检测的open world问题， 无监督方法 或者仅在正常样本上训练的方法目前看来是最有效获取corner case检测器的方法。依赖于异常训练数据的方法需要更复杂、更专业的训练集，并且冒着集中于样本相关的特定corner cases这种风险，对推理中出现未知corner cases的可能性故意视而不见。