[首發(fā)于智駕最前沿微信公眾號]不知道你開車時是否遇到過一些如大霧天路口的紅綠燈看不清、前方車子突然倒車、施工區(qū)的標志亂七八糟，甚至半夜突然有動物沖到路上的一些極端場景。對人類駕駛員來說，這些情況雖然少見，但憑經(jīng)驗硬著頭皮也能夠處理好；可對自動駕駛系統(tǒng)來說，這類情況很可能就是“天外來客”，會讓它一時不知道該怎么辦，行業(yè)里把這些少見、復雜、難處理的情況叫作“邊緣場景”。有小伙伴曾問過一個問題，隨著自動駕駛技術的發(fā)展，這些“邊緣場景”的定義是否會發(fā)生改變？

什么是“邊緣場景”，為什么要在意？

說起“邊緣場景”，可以把它想象成馬路上的那些特殊片段，平常很少遇見，但一遇到就可能讓自動駕駛系統(tǒng)犯難。日常里紅綠燈、行人過街、規(guī)范車道這些場景屬于系統(tǒng)已經(jīng)熟悉并訓練得很好的部分，而邊緣場景是長尾里的那一小撮，可能是極端天氣導致傳感器信息變差，也可能是從未見過的路面物體、臨時施工改變了路況，甚至可能是幾個交通參與者做出非常規(guī)動作的組合。它們的共同特點不是單純“罕見”，而是會涉及多個因素疊加，使得感知、定位、預測、規(guī)劃等模塊都無法正常工作。正因為“罕見+復雜”，邊緣場景是難以完全窮舉，也難以用單一的修補方法使其徹底解決，這就成為自動駕駛安全性評價和實際落地的關鍵痛點。

認識到這一點后就明白了為什么在很多技術場景下，邊緣場景會被看得格外重。其實把自動駕駛系統(tǒng)放到真實世界運行，遇到的一定不會是一組標準化的測試題，而會是各種各樣“活”的情況。要把自動駕駛推廣到更廣的城市和道路，除了要讓其能處理常見情形，還要在遇到未見過的問題時能夠安全降級或者有可預測的應對方式。這從技術、產(chǎn)品設計、運營與法規(guī)配合等多個方面都提出了嚴苛的挑戰(zhàn)。

邊緣場景長什么樣？

很多邊緣場景看起來都是“環(huán)境問題”，但深入拆解就會發(fā)現(xiàn)它們常常牽涉到感知、定位、預測和整車控制等多個環(huán)節(jié)的聯(lián)動。先說感知方面，雨、雪、霧這類天氣會讓攝像頭畫面模糊、反光或強烈眩光，激光雷達在大霧或雨滴中也會被散射出噪聲，而毫米波雷達對小型塑料物體的識別能力有限。還有些情況并不是純粹天氣引起的，例如路面上的油污、積水形成的鏡面反射、或者異形物體（被壓扁的交通錐、散落的貨物）等，這些都會導致目標檢測或分割出錯。感知的不確定性會傳給后續(xù)模塊，從而放大風險。

定位和地圖層面的問題同樣棘手。高精地圖能提供豐富的語義信息，但如果遭遇臨時封道、施工、或者最新一次地圖更新未覆蓋到的改造，依賴地圖的定位和軌跡決策就可能偏離真實情況。隧道、城市峽谷或高樓密集區(qū)會屏蔽GNSS信號，慣性導航會隨時間發(fā)生漂移，傳感器間的微小時間偏差也可能把車輛“放”到錯誤的車道上。而對于轉向交互與預測，其涉及到的復雜的人車博弈會造成另一類邊緣場景，比如幾個司機或騎行者同時做出規(guī)避或沖突動作，自動駕駛系統(tǒng)就需要在極短時間內(nèi)評估多種可能性并選擇既安全又不顯得過于僵硬的動作，這恰是最難的。最后還有系統(tǒng)工程方面的邊緣場景，比如算力不足導致決策延時、軟件回歸問題、或某個傳感器短暫失效，這些都不是單一模塊能解決的，而是要靠冗余設計與運行時監(jiān)測來化解。

對于自動駕駛汽車來說，真正危險的往往是幾種情況疊加起來的復合型場景。例如下雨天里施工區(qū)的臨時交通標志部分被遮擋，路面又有積水，周邊有行人不按規(guī)范穿行，同時定位信號被高架橋遮擋，單看其中任何一項，系統(tǒng)或許還能應付，但當多種異常同時出現(xiàn)時，整個鏈路很可能崩潰。理解這種“疊加效應”是減輕長尾風險的關鍵出發(fā)點。

怎么去管控這些邊緣場景？

面對無法窮盡的邊緣場景，應采用一套能持續(xù)學習和安全降級的體系，而不是試圖把每一種異常都寫進規(guī)則里。簡而言之，就是要讓自動駕駛系統(tǒng)學會表達不確定性，當感知或定位對某個物體只給出很低的置信度時，后續(xù)的預測與決策模塊應自動放慢步伐、擴大安全距離或者觸發(fā)更保守的策略。這樣一來，即便識別不準，也能把風險降到可控范圍內(nèi)。還有一條思路就是多模態(tài)與冗余，攝像頭、激光雷達、毫米波雷達和慣導各有長短，把它們有效融合，能在某一類傳感器失效時借助其它傳感器填補信息空缺，從而提高魯棒性。

數(shù)據(jù)和仿真在應對邊緣上正扮演越來越重要的角色。將車輛在實際行駛時遇到的疑似邊緣事件回傳并在仿真中重構，就可以在大規(guī)模參數(shù)空間里反復跑這些極端組合，找到模型的薄弱點并針對性地補數(shù)據(jù)或調(diào)整策略。主動學習和邊緣挖掘能夠把“最有價值”的少量數(shù)據(jù)挑出來優(yōu)先標注，這比盲目海量采集更高效。與此同時，部署時的策略也很關鍵。影子模式（shadow mode）允許新模型在后臺運行、記錄但不影響實際決策，從而評估性能；分階段上線、灰度發(fā)布能把潛在問題限制在小范圍內(nèi)，通過快速回滾避免大面積風險。

此外，自動駕駛汽車運行時的監(jiān)測與在線響應同樣不可或缺。車隊應該持續(xù)監(jiān)控傳感器健康、模型置信、決策延時等指標，自動觸發(fā)回傳與人工審查。遇到無法在線解決的邊緣，系統(tǒng)應有明確且易理解的退路，讓車輛安全?？炕虬芽刂茩嘟唤o遠程操作員或人工駕駛人。對于無人運營場景，遠程干預和自動安全停靠機制就顯得尤為重要。還有一點要注意的，就是要把驗證方法要從傳統(tǒng)里程數(shù)驗證轉向更注重場景覆蓋與風險指標，自動駕駛行業(yè)正在朝著用場景化測試、統(tǒng)計風險度量和仿真覆蓋率來證明系統(tǒng)安全性方向發(fā)展，這樣更能針對長尾風險做出衡量。

未來會怎樣變化，我們該如何準備？

隨著感知算法、傳感器硬件、仿真能力和車隊學習機制不斷進步，很多今天被視為“邊緣”的場景會逐步變成系統(tǒng)能處理的常態(tài)。夜間低光條件、部分雨雪、復雜交叉口這些曾經(jīng)的難點正在被新一代多模態(tài)模型、夜視攝像和更密集的數(shù)據(jù)采集慢慢覆蓋。但當業(yè)務擴展到不同國家和不同道路類型時，又會帶來新的長尾，比如鄉(xiāng)間道路的動物侵入、不同文化下的交通行為或者專有基礎設施問題等會源源不斷地出現(xiàn)。因此“邊緣”并不是一種會消失的現(xiàn)象，而是會隨系統(tǒng)能力與部署背景一并遷移。

面對這樣的動態(tài)，最可行的策略是構建可持續(xù)的能力閉環(huán)，即持續(xù)采集并把邊緣事件回流到訓練與仿真體系里，持續(xù)用仿真驗證新模型對長尾組合的魯棒性，持續(xù)在運行時監(jiān)測并用保守退讓策略保證乘客安全。如果行業(yè)層面的通用標準與數(shù)據(jù)能夠共享，也會對降低長尾風險起到放大效果。若能在保障隱私和商業(yè)利益的前提下實現(xiàn)一定程度的事故回放與場景數(shù)據(jù)交換，整個自動駕駛生態(tài)的“學習速度”會快很多。

對普通用戶來說，自動駕駛技術的發(fā)展會讓自動駕駛車輛會越來越擅長處理常見和已知的復雜情況，但在極端或未見過的組合下將會更加謹慎。這種謹慎不是系統(tǒng)能力不足，反而是成熟表現(xiàn)，在不確定時優(yōu)先保證安全而不是盲目冒進，這才是自動駕駛技術發(fā)展的目的。

最后的話

邊緣場景既是技術問題也是系統(tǒng)問題，既考驗感知算法和模型訓練，也考驗系統(tǒng)架構、運營能力與法規(guī)配合。把邊緣看成可以被發(fā)現(xiàn)、被模擬、被緩解的工程問題，并用持續(xù)學習與場景化驗證去縮短它們對系統(tǒng)安全的影響范圍，才是把自動駕駛從試驗場推進到千家萬戶的實務路徑。未來的路仍然很長，但一步步把每一種長尾化為可管理的風險，就是把不確定性變成可靠性的過程。

審核編輯 黃宇