Τα αυτόματα οχήματα υπόσχονται να βελτιώσουν την ασφάλεια και την αποδοτικότητα των μεταφορών. Ωστόσο, η εξασφάλιση της αξιοπιστίας τους σε πραγματικές συνθήκες παραμένει απαιτητική, κυρίως λόγω των σπάνιων και απρόβλεπτων καταστάσεων γνωστών ως περιπτώσεις άκρων. Παρόλο που υπάρχουν πολλές προσεγγίσεις για την ανίχνευση αυτών των περιπτώσεων, λείπει μια ολοκληρωμένη επισκόπηση που να εξετάζει αυτές τις τεχνικές. Αυτό το έγγραφο γεφυρώνει αυτό το κενό μέσω μιας συστηματικής κατάταξης των μεθοδολογιών ανίχνευσης και αξιολόγησης περιπτώσεων άκρων.
Η κατάταξή μας είναι δομημένη σε δύο επίπεδα: πρώτον, συμπεριλαμβάνοντας υποσυστήματα που αφορούν στην αντίληψη και στην πορεία (ενσωματώνοντας πρόβλεψη, σχεδιασμό και έλεγχο)· και δεύτερον, τις τεχνικές αυτές καθαυτές. Επιπλέον, παρουσιάζουμε τις “knowledge-driven” προσεγγίσεις, οι οποίες συμπληρώνουν τις μεθόδους που βασίζονται στα δεδομένα με τη γνώση για την αναγνώριση περιπτώσεων που απουσιάζουν από τα σύνολα εκπαίδευσης.
Στη συνέχεια, εξετάζουμε τεχνικές και μετρικές για την αξιολόγηση των μεθόδων ανίχνευσης περιπτώσεων άκρων, συμπεριλαμβανομένης της απόδοσης ανίχνευσης (π.χ., ακρίβεια, ανάκληση, ποσοστά ψευδών θετικών), της πρακτικής εφαρμογής (π.χ., υπολογιστική επιβάρυνση, καθυστέρηση ανίχνευσης), και μέτρων ειδικών για τον τομέα (π.χ., ποσοστά ατυχημάτων, ανάλυση σοβαρότητας).
Καταλήγουμε με τα ζητήματα ανίχνευσης περιπτώσεων άκρων, περιλαμβάνοντας την διαθεσιμότητα και ποιότητα δεδομένων, τους περιορισμούς επικύρωσης και ερμηνευσιμότητας, το χάσμα sim2real, και τους υπολογιστικούς περιορισμούς. Η ιεραρχική κατάταξη και η ανασκόπηση των μεθόδων και τεχνικών αξιολόγησης σε αυτή την έρευνα επιτρέπουν την ανάπτυξη αρθρωτών και στοχευμένων πλαισίων δοκιμών για συγκεκριμένα υποσυστήματα αυτόματων οχημάτων, λαμβάνοντας υπόψη τις μεθοδολογικές αρχές. Υποστηρίζει επίσης την πρακτική δοκιμή και την εστιασμένη επικύρωση υποσυστημάτων στον πραγματικό κόσμο.
