虽然驾驶辅助系统可以提升道路交通的安全性，但目前其主要侧重于标准化的交通场景。据外媒报道，保时捷工程公司（Porsche Engineering）正通过引入人工智能（AI）技术，使识别不常发生交通状况（即极端状况）变得更加容易和可靠，最终提升ADAS（高级驾驶辅助系统）的性能。

极端状况（图片来源：保时捷）

在清晨时分的高速公路上，太阳低垂，早高峰车流逐渐密集。一辆乘用车正在中间车道行驶，并从右侧一辆平板卡车后方插入。该辆卡车正装载着一辆倒放的车辆，即车头向后。正在插入的乘用车上的摄像头可能会将装载的车辆误判为迎面而来的车辆，紧急制动系统也会准备介入。此类交通状况较为罕见，但也并非绝无仅有。因此，ADAS系统必须针对此类典型极端状况进行训练。

极端状况指的是罕见且异常的交通状况，包括高速公路上出现的行人或骑行者、因积雪覆盖而难以辨识的车道分界线、以及由于道路自身特性，导致该系统难以清晰辨别标线的情况。

因此，开发人员必须持续用极端状况训练驾驶辅助系统，以让其进一步改进。问题在于，在日常行程中通过视频记录的大多数场景从技术角度而言彼此非常相似，因此对于优化ADAS系统的帮助不大。随着时间的推移，极端状况数据库也会不断扩充，而在新的试驾中，异常情况往往会变得越来越罕见。

挑战在于如何利用尽可能少的投入，在记录中识别出尚未被考虑到的极端状况，这就像大海捞针一样困难。考虑到所需的时间和相关成本，对视频数据进行人工搜索并不适合大规模实施。

人工智能（AI）技术找出极端状况

在“基于AI的极端状况探测”（AI-Based Corner Case Detection）项目中，保时捷工程公司采用AI方法，自动搜索视频数据或带有预处理传感器数据的时间序列以及总线信号，以找到异常值。变分自编码器（VAE）会对试驾期间记录的视频和时间序列数据进行分析，以找到合适的情况、持续的时间和时间戳。截至目前，该方法主要用于人脸识别，用于改进ADAS是新的尝试。因为VAE是一种无监督学习过程，因此可更容易地生成训练数据。此外，其运行时间更短，让该算法能够直接在车内运行，确保只有相关数据得到记录。

随后，借助AI技术收集到的极端状况会被当作新的测试用例，提供给负责车道识别等功能的团队。CARIAD驾驶功能验证与数据分析技术验证负责人Daniel Slieter表示：“例如，我们曾经遇到一种情况，系统误将地面上的积雪边缘识别为车道边界，导致车辆出现不稳定的横向移动。”在主动车道偏离预警（Active Lane Departure Warning，ALDW）系统中，与积雪相关的极端状况数据点会在空间中被特别标出，让开发人员能够针对此类极端状况调整ALDW系统，从而确保在该系统范围内的类似场景下，驾驶辅助系统不再轻易被积雪边缘所迷惑。

在寻找此类场景方面，AI的表现远超人类：其仅需几分钟就可分析约一万公里的驾驶数据，并准确识别出五个极端状况。该算法的质量和设定的阈值在此过程中发挥了重要作用。借助AI技术，对试驾中记录的公里数进行人工评估的工作量被降至最低。

实时分析

目前，所有记录的数据均被上传至云端以进行分析，不过此模式并非一成不变。Slieter解释道：“未来，在车辆运行期间，就可实时探测极端状况，因为我们的神经网络规模较小，但性能优越。然后，我们可以只将探测到的极端状况上传至云端，而无需上传原始数据，从而可显著减少传输的数据量。”新方法的另一项优势是，通过持续的数据分析，AI不仅变得更加精确，还可以得出更具广度和深度的结论。

此种方法的基础是潜在空间（latent space），即一个抽象的空间，其中，AI通过搜索数据来识别模式和参考图像，从而持续进行优化。利用此种潜在空间，开发人员也能够在分配极端状况时，识别出不同国家间的相似特征。

此外，新数据点与已知极端状况的相似性可用于推断是否已经记录了足够的数据点以用于验证。Slieter解释道：“总而言之，VAE查看图像，同时潜在空间确保图像被合理分析和评估。目前，该方法正在全球范围内接受测试已证明其能力。最终，其能够让我们识别出各种类型的极端状况，并得出结论，即评估结果在不同国家之间可转移的程度。”

目前，该系统在瑞典和芬兰都识别出大量的极端状况，此类状况一定程度上都是因雪造成的特殊交通状况。此外，在此类国家，车辆与野生动物相遇的场景预计也会更加常见。