自动驾驶中的边缘案例检测：方法、挑战与未来方向

文章背景与核心概要

在自动驾驶领域，确保车辆在真实世界场景中的安全性和可靠性，主要受限于那些罕见且不可预测的“边缘案例”（Edge Cases）。由于这些案例在训练数据中往往缺失，导致自动驾驶系统在面对极端情况时容易失效。本文旨在填补这一研究空白，对现有的边缘案例检测与评估方法进行了系统性的分层综述。

文章的核心贡献在于提出了一个双层分类框架：第一层基于自动驾驶的子系统（如感知、预测、规划与控制），第二层则基于底层方法论（涵盖数据驱动与知识驱动方法）。通过引入“知识驱动”这一概念，研究强调了利用领域专家经验来弥补数据驱动模型在处理未知场景时的不足。此外，本文还探讨了检测性能评估、计算开销及领域特定指标，并指出了数据质量、仿真与现实差距（Sim-to-Real Gap）以及计算约束等关键挑战，为未来的模块化测试框架和场景生成提供了理论指导。

元数据与文档信息

Attribute	Detail
arXiv ID	arXiv:2410.08491 [cs.RO]
Subjects	Robotics (cs.RO); Artificial Intelligence (cs.AI); Systems and Control (eess.SY)
Related DOI	10.1109/TITS.2026.3715674
Submission History	• v1: 11 Oct 2024 • v2: 3 May 2026 • v3 (Latest): 14 Aug 2026

作者

• Saeed Rahmani
• Sabine Rieder
• Erwin de Gelder
• Marcel Sonntag
• Jorge Lorente Mallada
• Sytze Kalisvaart
• Vahid Hashemi
• Bart van Arem
• Simeon C. Calvert

Authors

• Saeed Rahmani
• Sabine Rieder
• Erwin de Gelder
• Marcel Sonntag
• Jorge Lorente Mallada
• Sytze Kalisvaart
• Vahid Hashemi
• Bart van Arem
• Simeon C. Calvert

摘要

自动驾驶汽车（AV）有望提高交通的安全性和效率。然而，确保其在真实世界条件下的可靠性仍然具有挑战性，特别是由于被称为“边缘案例”的罕见且意外的情况。虽然目前存在许多检测边缘案例的方法，但缺乏对这些技术的全面综述。

本文通过对边缘案例检测和评估方法进行分层综述和系统分类，填补了这一空白。我们的分类结构分为两个层面： * 首先，按 AV 模块分类，包括感知和轨迹相关（涵盖预测、规划和控制）子系统。 * 其次，按指导这些技术的底层方法和理论分类。

此外，我们引入了“知识驱动”方法，通过利用专家见解和领域知识来识别训练数据集中缺失的案例，从而补充了数据驱动方法。随后，我们研究了评估边缘案例检测方法的技术和指标，包括检测性能、实际部署（例如计算开销）以及领域特定指标（例如碰撞率和严重性分析）。

最后，我们强调了边缘案例检测面临的关键挑战，包括： * 数据可用性和质量问题。 * 验证和可解释性的局限性。 * 仿真与现实之间的差距。 * 计算约束。

本综述中对方法和评估技术的分层分类，通过指导针对特定 AV 子系统的检测方法选择，同时考虑方法论原则，实现了模块化和有针对性的测试框架。它还通过促进仿真中的场景生成和现实世界中的子系统定向验证，支持了实际测试。

Abstract

Automated vehicles (AVs) promise to enhance transportation safety and efficiency. However, ensuring their reliability in real-world conditions remains challenging, particularly due to rare and unexpected situations known as edge cases. While numerous approaches exist for detecting edge cases, a comprehensive survey reviewing these techniques is lacking.

This paper bridges this gap by presenting a hierarchical review and systematic classification of edge case detection and assessment methodologies. Our classification is structured on two levels: * First, by AV modules, including perception and trajectory-related (encompassing prediction, planning, and control) subsystems. * Second, by underlying methodologies and theories guiding these techniques.

Furthermore, we introduce "knowledge-driven" approaches, which complement data-driven methods by leveraging expert insights and domain knowledge to identify cases absent in training datasets. We then examine techniques and metrics for evaluating edge case detection methods, including detection performance, practical deployment (e.g., computational overhead), and domain-specific measures (e.g., crash rates and severity analysis).

We conclude by highlighting key challenges for edge case detection, including: * Data availability and quality issues. * Validation and interpretability limitations. * The simulation-to-real gap. * Computational constraints.

The hierarchical classification and review of methods and assessment techniques in this survey enable modular and targeted testing frameworks by guiding the selection of detection methods for specific AV subsystems while considering methodological principles. It also supports practical testing by facilitating scenario generation in simulation and focused subsystem validation in the real world.