雖然駕駛輔助系統可以提升道路交通的安全性，但目前其主要側重于標準化的交通場景。據外媒報道，保時捷工程公司（Porsche Engineering）正通過引入人工智能（AI）技術，使識別不常發生交通狀況（即極端狀況）變得更加容易和可靠，最終提升ADAS（高級駕駛輔助系統）的性能。

極端狀況（圖片來源：保時捷）

在清晨時分的高速公路上，太陽低垂，早高峰車流逐漸密集。一輛乘用車正在中間車道行駛，并從右側一輛平板卡車后方插入。該輛卡車正裝載著一輛倒放的車輛，即車頭向后。正在插入的乘用車上的攝像頭可能會將裝載的車輛誤判為迎面而來的車輛，緊急制動系統也會準備介入。此類交通狀況較為罕見，但也并非絕無僅有。因此，ADAS系統必須針對此類典型極端狀況進行訓練。

極端狀況指的是罕見且異常的交通狀況，包括高速公路上出現的行人或騎行者、因積雪覆蓋而難以辨識的車道分界線、以及由于道路自身特性，導致該系統難以清晰辨別標線的情況。

因此，開發人員必須持續用極端狀況訓練駕駛輔助系統，以讓其進一步改進。問題在于，在日常行程中通過視頻記錄的大多數場景從技術角度而言彼此非常相似，因此對于優化ADAS系統的幫助不大。隨著時間的推移，極端狀況數據庫也會不斷擴充，而在新的試駕中，異常情況往往會變得越來越罕見。

挑戰在于如何利用盡可能少的投入，在記錄中識別出尚未被考慮到的極端狀況，這就像大海撈針一樣困難。考慮到所需的時間和相關成本，對視頻數據進行人工搜索并不適合大規模實施。

人工智能（AI）技術找出極端狀況

在“基于AI的極端狀況探測”（AI-Based Corner Case Detection）項目中，保時捷工程公司采用AI方法，自動搜索視頻數據或帶有預處理傳感器數據的時間序列以及總線信號，以找到異常值。變分自編碼器（VAE）會對試駕期間記錄的視頻和時間序列數據進行分析，以找到合適的情況、持續的時間和時間戳。截至目前，該方法主要用于人臉識別，用于改進ADAS是新的嘗試。因為VAE是一種無監督學習過程，因此可更容易地生成訓練數據。此外，其運行時間更短，讓該算法能夠直接在車內運行，確保只有相關數據得到記錄。

隨后，借助AI技術收集到的極端狀況會被當作新的測試用例，提供給負責車道識別等功能的團隊。CARIAD駕駛功能驗證與數據分析技術驗證負責人Daniel Slieter表示：“例如，我們曾經遇到一種情況，系統誤將地面上的積雪邊緣識別為車道邊界，導致車輛出現不穩定的橫向移動。”在主動車道偏離預警（Active Lane Departure Warning，ALDW）系統中，與積雪相關的極端狀況數據點會在空間中被特別標出，讓開發人員能夠針對此類極端狀況調整ALDW系統，從而確保在該系統范圍內的類似場景下，駕駛輔助系統不再輕易被積雪邊緣所迷惑。

在尋找此類場景方面，AI的表現遠超人類：其僅需幾分鐘就可分析約一萬公里的駕駛數據，并準確識別出五個極端狀況。該算法的質量和設定的閾值在此過程中發揮了重要作用。借助AI技術，對試駕中記錄的公里數進行人工評估的工作量被降至最低。

實時分析

目前，所有記錄的數據均被上傳至云端以進行分析，不過此模式并非一成不變。Slieter解釋道：“未來，在車輛運行期間，就可實時探測極端狀況，因為我們的神經網絡規模較小，但性能優越。然后，我們可以只將探測到的極端狀況上傳至云端，而無需上傳原始數據，從而可顯著減少傳輸的數據量。”新方法的另一項優勢是，通過持續的數據分析，AI不僅變得更加精確，還可以得出更具廣度和深度的結論。

此種方法的基礎是潛在空間（latent space），即一個抽象的空間，其中，AI通過搜索數據來識別模式和參考圖像，從而持續進行優化。利用此種潛在空間，開發人員也能夠在分配極端狀況時，識別出不同國家間的相似特征。

此外，新數據點與已知極端狀況的相似性可用于推斷是否已經記錄了足夠的數據點以用于驗證。Slieter解釋道：“總而言之，VAE查看圖像，同時潛在空間確保圖像被合理分析和評估。目前，該方法正在全球范圍內接受測試已證明其能力。最終，其能夠讓我們識別出各種類型的極端狀況，并得出結論，即評估結果在不同國家之間可轉移的程度。”

目前，該系統在瑞典和芬蘭都識別出大量的極端狀況，此類狀況一定程度上都是因雪造成的特殊交通狀況。此外，在此類國家，車輛與野生動物相遇的場景預計也會更加常見。