AUTOSAR从入门到精通-自动驾驶中的corner cases

最新推荐文章于 2025-12-30 19:09:22 发布
原创 最新推荐文章于 2025-12-30 19:09:22 发布 · 411 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#自动驾驶 #人工智能 #机器学习

目录

前言

几个高频面试题目

自动驾驶领域有哪些 CornerCase 及解决方法？

1. 图像识别问题汇总

2. 依赖高精地图识别红绿灯问题汇总

算法原理

什么是CornerCase

解决方法

Corner Cases分类和定义

Corner case 数据处理方法 

自动驾驶Corner Case大视觉语言模型的自动评估

CODA-LM Dataset

CODA-LM Construction

CODA-LM Benchmark

corner cases检测方法

pixel level

domain level

object level

scene level

scenario level

Corner Cases检索方法

数据集

2.1 Lost and Found数据集

2.2 Fishyscapes数据集

2.3 CAOS数据集

2.4 WD-Pascal数据集

2.5 Vistas-NP数据集

2.6 SegmentMeIfYouCan数据集

2.7 CODA数据集

2.8 Wuppertal OOD Tracking数据集

应用驱动定义自动驾驶感知Corner Case

评估的数据：

评估的方法：

 

前言

对自动驾驶而言，倘若感知系统遇到了corner cases，则会带来严重的安全隐患。例如前几年发生的Tesla的Autopilot 没有识别出正在横穿的白色大卡车，直接从侧面撞上去，导致车主立即死亡；Uber 的自动驾驶车在亚利桑那州撞死一名推自行车过马路的女性……

倘若存在能够检测出corner cases的方法，首先，可以用于offline筛选包含corner cases的数据，用于训练新的感知算法，能够用于在实际应用中正确识别和处理这些corner cases情况；其次，还能作为online的安全监控和警告，一旦检测出遇到corner cases情况，可以主动提醒驾驶员进行干预。

几个高频面试题目

自动驾驶领域有哪些 CornerCase 及解决方法？

了解本专栏 订阅专栏 解锁全文 超级会员免费看
《Autosar从入门到精通-实战篇》总目录_培训教程持续更新中...
「汽车电子助手」的博客
01-10 11万+
欢迎大家订阅《Autosar从入门到精通-实战篇》，下方整理了相关博文的目录（单击蓝色字体即可跳转），方便大家获取。 本专栏旨在：扫除Autosar工具链配置过程中的障碍，加深对Autosar理论的理解。 温馨提醒： 如有疑问，可在博文的“评论区”给小编留言，进行技术交流（评论区开启了验证功能，审核通过后，会显示）； 如有疑问，也可以通过博文中的第一个图片联系小编，获取专栏/博文的实时状态； 由于工作限制，仅做个人技术交流。添加好友时，请备注您的“姓名-公司-职务...
AUTOSAR从入门到精通-【应用篇】基于 AUTOSAR 的辅助驾驶系统域控制器软件开发
getusushu的博客
08-27 1076
在的跨域集中架构，从跨域集中架构再到未来的车载电脑集中架构，控制器的数量越。来越少，实现的功能越来越多，按照这个发展趋势，汽车电子硬件只需满足所需资源。要求，更多的功能将由软件来实现，因此统一的软件架构和程序接口将会加快辅助驾。常会用到一些摄像头的数据，其在传输过程中有很大的一个数据量，比传统的传感器。处理的时候，对控制器的硬件计算能力提出了更高的要求，汽车电子领域之前使用的。来开发，已经不适用于现在的汽车电子电气架构，无法应对汽车智能化带来的。控制器的计算能力，使硬件的计算能力得到的巨大的提升。
【自动驾驶】小障碍物检测&分割数据集 【Lost and Found】
prinTao的博客
02-16 7496
禁止转载 自动驾驶的机非人障碍物识别方面已经有很多工作了，相关数据集、方法也非常完善。但是，关注道路普通障碍物的方法仍然很少。笔者将从多个角度，分多系列文章来描述目前效果较好的方法。希望各位看官关注我已获得长期更新。 资源 官网：https://www.6d-vision.com/current-research/lostandfounddataset 百度网盘： 工具包：https://github.com/mcordts/cityscapesScripts 工具包替换labels.py即可 介绍 本数据
【论文+代码】PEBAL/Pixel-wise Energy-biased Abstention Learning for Anomaly Segmentation on Complex Urban
星星亮了bulingbuling~
08-10 1694
背景：SOTA的异常分割方法都是基于不确定性估计和重建。直观假阳性，将正常像素检测为异常。某些hard-ID靠近分类边界假阴性，检测不出异常认为是正常像素。依赖分割结果额外网络难以训练；效率低input不同导致分割模型变化则需要重新训练，适用性不高提出了新的方法：PEBAL = AL + EBM, 两个模块联合训练AL, Abstention Learning. 放弃学习，放弃将像素分类为ID标签，而是划分为异常。...
【自动驾驶】难样本+小障碍物感知 原创综述
prinTao的博客
05-14 1万+
目标检测论文 3D lidar 精确的non-Texture 3d估计 + 检测 Pseudo-LiDAR_From_Visual_Depth_Estimation_Bridging_the_Gap_in_3D https://openaccess.thecvf.com/content_CVPR_2019/html/Wang_Pseudo-LiDAR_From_Visual_Depth_Estimation_Bridging_the_Gap_in_3D_CVPR_2019_paper.html 将
如何定义&检测&解决自动驾驶Corner Cases
人无远虑，必有近忧
06-14 3047
已经进入了大众的视野。但是对于整个自动驾驶技术来说依然面临很多的挑战。其中Corner Cases的存在引发了很多安全问题，诸如特斯拉，小鹏等企业的量产车辆都发生过。Corner Cases又叫异常案例，常见的硬件遮挡，异常障碍物等都属于这个范畴。下面将按照部分文献的分类方式展开讨论。......
目标检测——车辆障碍物数据集
zzjlhlcd的博客
03-07 515
然而，通过使用像 Lost and Found Dataset 这样的数据集，研究人员可以开发和改进专门针对这类挑战的算法，从而提高自动驾驶系统在现实世界中的安全性和可靠性。通过准确检测这些小障碍物，驾驶员和自动驾驶系统可以做出及时的反应，避免潜在的危险，从而保障道路使用者的安全。通过使用这个数据集，研究人员可以测试和改进他们的算法，以便更好地检测和识别道路上的小障碍物，从而提高自动驾驶系统的性能和安全性。例如，如果道路上的障碍物导致车辆频繁变道或减速，将会降低道路通行效率，增加交通拥堵。
AUTOSAR从入门到精通-2024汽车标准法规目录.pdf
07-23
### AUTOSAR从入门到精通-2024汽车标准法规目录 #### 一、AUTOSAR概述 **AUTOSAR（AUTomotive Open System ARchitecture）**是一种由汽车制造商、供应商、工具和软件服务提供商共同开发的开放式标准体系架构。它的...
AUTOSAR从入门到精通-【应用篇】基于 AUTOSAR 的纯电动汽车整车控制系统软件开发与功能映射研究
getusushu的博客
07-04 1769
前言前言随着汽车越来越多地进入到人们的生活中，汽车再也不仅是代步工具，而是与人们休息、娱乐、生活息息相关的空间。在人们不断增长的需求的刺激下，汽车也在不断发展，功能不断完善。越来越多的关于动力性、操作性、舒适性、安全性、娱乐性的要求使得汽车集成更多的功能，同时电子控制系统也变得越来越复杂。由集中式控制向分布式控制发展，由单平台单ECU结构向多平台多ECU网络化结构发展，由每个ECU单独工作向多个ECU协作控制完成特定的功能发展，电控系统的开发难度剧增，开发周期变得越来越长。
AUTOSAR从入门到精通-存储配置（NvM）（一）
getusushu的博客
12-24 3364
AUTOSAR的NvM Block有三种Native、Redundant和DataSet，用得最多的是Native，但你知道其他两种是干什么的吗？是AUTOSAR标准中定义的一种用于存储非易失性数据的机制。在AUTOSAR NVM中，数据被存储在一个或多个NVM块中。每个NVM块由一个或多个NVM数据集组成，可以存储不同类型的数据。
Pixel-wise Anomaly Detection in Complex Driving Scenes 论文阅读
Jcyoung 的博客
08-08 749
基于像素差异的异常物体检测模型，结合了交叉熵、图像生成，使用深度模型进行异常物体检测
Pixel-wise Anomaly Detection in Complex Driving Scenes
m0_37833297的博客
05-18 1802
Pixel-wise Anomaly Detection in Complex Driving Scenes CVPR2021 Code： https://github.com/giandbt/SynBoost 摘要 最先进的语义分割方法无法检测异常实例，这阻碍了它们在安全关键和复杂应用中的部署，例如自动驾驶。最近的方法集中在利用分割不确定性来识别异常区域或从语义标签图中重新合成图像以发现与输入图像的不同之处。在这项工作中，我们证明了这两种方法包含互补信息，并且可以结合起来为异常分割产生稳健的预测。我们
【论文阅读】SML：标准最大logits
星星亮了bulingbuling~
05-07 1793
Standardized Max Logits: A Simple yet Effective Approach for Identifying Unexpected Road Obstacles in Urban-Scene Segmentation 标准max logit：在城市场景分割中识别意外道路障碍的一种简单但有效的方法 论文翻译
【论文阅读】NFlowJS：基于鲁棒学习的合成负数据密集异常检测
星星亮了bulingbuling~
06-08 476
标准的机器学习无法容纳不属于训练分布的输入。由此产生的模型往往会产生自信的错误预测，这可能会导致毁灭性的后果。这个问题在密集预测的背景下要求特别高，因为输入图像可能只是部分异常的。 以前的工作是通过对混合内容的图像进行判别性训练来解决密集的异常检测。我们用合成负片来扩展这种方法，它同时实现了高局内点的似然和平均分布的鉴别性预测。由于其出色的分布覆盖率和生成不同分辨率样本的能力，我们用归一化流生成合成负片。我们还提议根据一个原则性的信息理论标准来检测异常情况，该标准可以通过训练和推理来持续应用。尽管计算开销最
Cityscapes数据集的介绍
热门推荐
qq_32678471的博客
03-07 1万+
一、下载链接 官网：https://www.cityscapes-dataset.com/，官网也可以在benchmarks中查看大家神经网络达到的指标。 百度云：https://pan.baidu.com/s/1fsbavgeEWZnrCRZlRHoVNg#list/path=%2F，需要解压gtFine.zip 没有包含coarse的标注（来自本博客） 二、数据集的结构特点 该大型数据集包含来...
自动驾驶—CARLA仿真（29）传感器（Sensors and data）
zfjBIT的专栏
12-26 1302
该方法接收一个回调函数（callback）作为参数，通常是一个 lambda 函数，用于定义数据到达时应执行的操作。与所有其他参与者一样，首先需从蓝图库中查找传感器蓝图，并设置特定属性。通常，它们会附着（attach）到某个父级参与者（如车辆）上，从而像真实安装在车辆上的传感器一样随仿真移动。要么在每个仿真步（simulation step）获取，要么在特定事件触发时获取，具体取决于传感器类型。大多数传感器数据对象都提供将信息保存到磁盘的方法，便于在其他环境中使用。，因此传感器可能穿过墙壁或其他几何体。
《自动驾驶与机器人中的slam技术:从理论到实践》笔记——ch7（4）
最新发布
qq_74174950的博客
12-30 731
主要是通过激光雷达获取环境三维点云（也可以选择IMU、轮速计来进行辅助传感），软件核心模块是前端点云配准帧间匹配、实现相邻点云的对齐（可以先找到最近邻（暴力最近邻、栅格和体素法、二分树与k-d树、四叉树和八叉树），之后进行拟合（直线拟合、平面拟合））进行基础点云处理，处理完之后进行点云匹配（使用点到点ICP、点到线ICP、似然场法的匹配方法），之后利用栅格地图的方法建立子地图，可使用关键帧或者是体素的方法将子地图拼接构建成局部地图，并使用回环检测来进行地图优化。去畸变是去当前帧激光点云的畸变。
自动驾驶中的传感器技术85——Sensor Fusion（8）
Godspeed_zwh的博客
12-27 834
摘要：PVT（位置、速度、时间）是GNSS系统的最终输出结果，通过与IMU数据进行松耦合或紧耦合融合实现精准定位。松耦合PVT融合采用EKF算法，工程实现简单但抗干扰能力较弱；紧耦合直接处理原始GNSS观测数据，在信号遮挡时仍能保持定位。多传感器融合（GNSS+IMU+视觉/激光雷达）和高精度算法（RTK/PPP）可提升定位精度至厘米级，满足自动驾驶需求。发展趋势包括多频多星座融合、AI驱动的异常检测和车路协同定位，推动车载GNSS感知向全场景高可靠性方向发展。
自动驾驶中的传感器技术86——Sensor Fusion（9）
Godspeed_zwh的博客
12-27 984
阶段核心驱动架构特点优点缺点代表方案规则算法工程师写代码感知-预测-规划 串行逻辑可解释，易调试累积误差，无法处理长尾Mobileye早期，传统L2两段式端到端深度学习+先验结构特征共享，可微分模块兼顾性能与解释性仍有结构限制一段式端到端视频数据上限极高，拟人化黑盒，训练极其昂贵VLA通用人工智能 (AGI)视觉+语言+动作具备常识推理能力实时性挑战，算力巨大演进阶段核心特征数据流形式下游规划局限性1. 模块化人工拆解，串行。
Autosar从入门到精通-实战篇 汽车电子助手
04-01
### Autosar 进阶实战知识与汽车电子开发指南 #### 什么是 AutoSAR？ AutoSAR 是一种针对汽车电子系统开发的开放式软件架构，旨在通过标准化的方法和工具支持高可靠性、可扩展性和可重用性的汽车电子软件开发[^1]。 #### AutoSAR 的开发流程 从开发流程的角度来看，AutoSAR 系统的构建遵循一套严格的步骤。这些步骤包括但不限于需求分析、架构设计、软件组件开发与实现、ECU 配置、测试以及最终的部署和维护。这一过程高度依赖于模块化的设计理念，从而实现了不同功能之间的解耦合，并提升了整体系统的灵活性和适应性[^2]。 #### Vector 工具链的应用 为了进一步优化 AutoSAR 开发中的效率问题，Vector 提供了一系列强大的工具支持。其中，DaVinci Configurator Pro 是一款广泛应用于 ECU 配置管理和自动化的工具。通过对该工具的学习和应用，开发者能够显著减少手动配置的时间成本，并借助其内置的自动化脚本能力完成复杂的任务处理[^3]。 此外，在实际项目中，合理利用 CI/CD 流程并结合 DaVinci Configurator Pro 可以极大程度上改善团队协作体验，促进快速迭代的同时保持高质量交付标准[^4]。 #### 示例代码：基于 C 语言实现 LED 控制逻辑 下面展示了一个简单示例，演示如何编写一段基础代码控制硬件上的 LED 设备状态切换： ```c #include "Std_Types.h" #include "Dio.h" #define LED_PIN_CHANNEL DIO_ChannelType(0) void Led_Init(void){ Dio_SetPinDirection(LED_PIN_CHANNEL, DIO_Output); } void Toggle_Led(void){ uint8 pinLevel; pinLevel = Dio_ReadChannel(LED_PIN_CHANNEL); if(pinLevel == STD_HIGH){ Dio_WriteChannel(LED_PIN_CHANNEL,STD_LOW); } else{ Dio_WriteChannel(LED_PIN_CHANNEL,STD_HIGH); } } ``` 此段代码定义了两个函数 `Led_Init` 和 `Toggle_Led`,分别负责初始化指定引脚方向为输出模式以及周期性改变目标 GPIO 引脚电平达到视觉可见闪烁效果的目的。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

格图素书

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值