最近微博有博主就碰着了一个让人哭笑不得的案例，很生动地展示了corner case的观点。
来源：微博@阿阿阿阿六三
从照片上可以看到，在等红绿灯时，特斯拉Model 3右侧前方有一辆大巴，大巴的车窗玻璃刚好反射出红绿灯的影子，而在车辆内的可视化界面上，误将车窗反射识别成镶嵌在大巴车身内的红绿灯。对付自动驾驶系统而言，在车窗中反射出的红绿灯刚好在合理的高度，同时形态也符合模型，以是它便是“红绿灯”。
虽然这种情形对自动驾驶安全影响不大，但也很好地反响出目前自动驾驶corner case便是会涌如今很多人类驾驶员可以很轻易识别并作出决策的地方，而这些corner case对付自动驾驶系统而言却险些无法精确作出识别和判断。
此前，包括特斯拉在内，小鹏、蔚来等都涌现过由于corner case而导致的交通事件。比如最范例的特斯拉Model 3开启赞助驾驶时，撞上翻侧在高速公路上的白色货车导致车主身亡；在去年5月，美国加州一辆Model 3在夜间撞上侧翻在路面上的卡车，而事后在车主的社交账户上创造车主分享了多个“双手离开方向盘”利用自动驾驶的视频。
小鹏P7去年9月也在开启NGP的情形下，由于系统无法判断前方高度较低的挂车而发生追尾；今年3月一辆小鹏P7在利用自适应定速巡航ACC和车道居中保持功能时，与前方发生事件侧翻在路面上的汽车发生碰撞；去年8月蔚来ES8也在开启赞助驾驶的情形下撞上了停在路边的工程车辆，导致车主身亡。
corner case的存在实在也是一些人不看好自动驾驶的缘故原由。由于通过仿照无法覆盖现实天下中的所有场景，碰着这些corner case的变量太多，不可能完备让自动驾驶系统识别所有corner case。也便是corner case无法完备办理，只能不断优化只管即便补全这些漏洞。
而目前的优化方法，实在非常大略粗暴，便是通过车企网络更多的真实数据。拥有足够多真实数据的根本上，再通过仿照打算平台对这些场景进行进一步解构，仿照出其他类似场景让系统学习。
同时，在获取数据时，须要通过系统判断驾驶车辆是否碰着了corner case，并上传数据进行标注。标注后的数据用于仿照演习，以及天生迭代模型，用更多的corner case演习自动驾驶系统。
当然，corner case实在是一个比较大的观点，个中包括传感器性能、场景差异、罕见事宜等之类的问题。目前业界紧张通过对corner case检测繁芜度，或者一定程度上可以说因此涌现的概率来进行分级，分为像素级（Pixel）、域级（Domain）、目标级（Object）、场景级（Scene）、时序场景级（Scenario）等五个等级。
因此要对corner case进行优化，就可以将网络到的corner case数据进行难度分级，再根据不同级别来找到办理方案。
总体而言，要优化corner case，首先须要海量的真实路面数据。而数据的背后，还须要拥有足够算力的数据中央，模型演习、自动标记等事情须要大量算力。以特斯拉为例，目前特斯拉拥有3大打算中央总计11544 个GPU，今年8月特斯拉首次公开了其Dojo超级打算机系统中每个ExaPOD集群集成了120个演习模块，内置3000个D1芯片，拥有超过100万个演习节点，算力达到1.1EFLOPS，估量明年落成首个ExaPOD集群。
海内企业目前也在自动驾驶数据中央上加大投入，今年8月，小鹏汽车和阿里云互助培植的海内最大自动驾驶智算中央在内蒙古乌兰察布落地，将专门用于自动驾驶模型演习，算力规模达0.6EFLOPS；而商汤在上海的超算中央AIDC也在今年年初投入运营，设打算力达到3.74EFLOPS，未来还会进一步扩展至4.91EFLOPS。
可以说，要只管即便避免碰着自动驾驶的corner case，其实在某种程度上比拼的便是数据。
