สถานการณ์สุดวิเศษที่ทำให้การขับขี่อัตโนมัติต้องล่าช้ามาเป็นเวลาหลายปี

เมื่อรถยานพาหนะอัตโนมัติออกวิ่งบนท้องถนน มันใช้เวลาถึง 99.9% ของชีวิตไปกับการทำสิ่งเดิม ๆ ซ้ำแล้วซ้ำเล่า: วิ่งอยู่ในเลน หยุดรอไฟแดง รักษาระยะห่างจากรถคันหน้า แต่คำถามสำคัญคือ: แล้วในช่วงเวลาเล็ก ๆ ที่เหลืออยู่ นั่นคือช่วงเวลาแปลก ๆ ที่เกิดขึ้นเพียงหนึ่งครั้งต่อการวิ่งหลายล้านกิโลเมตร มันเกิดอะไรขึ้น? นั่นแหละคือช่วงเวลาเหล่านี้ที่ทำให้คำสัญญา "พร้อมสำหรับวันพรุ่งนี้" ของการขับขี่อัตโนมัติต้องเลื่อนออกไป - และในบทความนี้ฉันจะอธิบายว่าทำไมพวกมันจึงยังคงไม่ถูกแก้ไข
กรณีขอบ (Edge Case) คืออะไร และทำไมหางยาว (Long Tail) ถึงเป็นเรื่องอื่น?
ก่อนอื่นมาทำความเข้าใจศัพท์ให้ชัดเจน เพราะสองแนวคิดนี้มักถูกสับสนกันบ่อย กรณีขอบ (edge case) คือสถานการณ์ที่เกิดขึ้นได้ยากซึ่งอยู่นอกเหนือจากข้อมูลการฝึกของระบบขับขี่อัตโนมัติ: บันไดที่ตกลงมาบนทางด่วน ท่าทางมือของตำรวจจราจรที่ไม่คุ้นเคย สภาพอากาศที่ผิดปกติ สิ่งเหล่านี้สามารถกำหนดไว้ล่วงหน้าได้ อย่างน้อยในทางทฤษฎี
ส่วนหางยาว (long tail) คือแนวคิดที่น่าขนลุกกว่า: มันคือผลรวมของทุกสิ่งที่คุณแม้แต่จะคิดไม่ถึง สถานที่ก่อสร้างที่เปลี่ยนแปลงจากคืนหนึ่งเป็นเช้าวันถัดมา ที่นอนที่หล่นจากรถกระบะในวันฝนตก หรือสถานการณ์สุดท้ายของหางยาวที่ไม่มีใครเคยคิดจะเขียนลงในรายการปัญหาเลย ขณะที่กรณีขอบเป็นเหมือนจิ๊กซอว์ หางยาวก็เหมือนกล่องจิ๊กซอว์ที่คุณไม่รู้ด้วยซ้ำว่ามีชิ้นส่วนทั้งหมดกี่ชิ้น
และความหายากก็มีหลายรูปแบบ แบบแรกคือคลาสที่หายาก: วัตถุที่หาได้ยากบนท้องถนนอย่างลาพ่นหรือรถพยาบาล แบบที่สองซึ่งแยบยลกว่าคือสถานการณ์ที่หายาก: วัตถุเองธรรมดาสามัญแต่การจัดวางกลับแปลกไป - เช่นคนเดินเท้าที่พุ่งออกมาจากหลังรถบรรทุกอย่างกะทันหัน หรือคนขับจักรยานที่ถือบันได การค้นหาแบบที่สองนี้ยากกว่ามาก เพราะทุกองค์ประกอบในระบบถูกกำหนดไว้แล้ว ปัญหาอยู่ที่การที่พวกมันปรากฏรวมกัน
ผู้เชี่ยวชาญแบ่งกรณีขอบออกเป็นสี่หมวดหมู่หลัก: ด้านสภาพแวดล้อม (อากาศ สภาพแสง) ด้านวัตถุ (วัตถุหายาก) ด้านพฤติกรรม (ผู้ใช้ถนนที่คาดเดาไม่ได้) และด้านเซ็นเซอร์ (ความผิดปกติของฮาร์ดแวร์ จุดอับสายตา) แต่ละหมวดหมู่ก็เป็นปัญหาใหญ่ในตัวเองแล้ว และเมื่อรวมกันทั้งหมด มันก็อธิบายได้ว่าทำไมหางยาวถึงยาวขนาดนี้
จุดเด่น
- ระบบที่มีความแม่นยำ 99% อาจเผชิญกับสถานการณ์อันตรายที่มันแก้ไขไม่ได้ประมาณหนึ่งครั้งต่อการขับขี่ทุก 10,000 ไมล์
- ในชุดข้อมูลทั่วไป มีคำอธิบายประกอบ (annotation) ของรถยนต์ถึง 493,322 รายการ แต่คำอธิบายประกอบของรถพยาบาลมีเพียงแค่ 49 รายการ
- 30 คลาสวัตถุที่หายากที่สุด แต่ละคลาสปรากฏน้อยกว่า 250 ครั้ง ในข้อมูลที่มีป้ายกำกับแบบสาธารณะจำนวน 344,966 เฟรม
- หากระบบอัตโนมัติขับขี่เหมือนมนุษย์ มันจะป้องกันอุบัติเหตุทั้งหมดได้เพียงประมาณ หนึ่งในสาม เท่านั้น
ความหายากในตัวเลข: ทำไมหางยาวนี้ถึงยาวขนาดนี้?

การเข้าใจขนาดของความหายากต้องใช้คณิตศาสตร์เล็กน้อย ความแม่นยำ 99% ฟังดูเจ๋งใช่ไหม? แต่ลองคำนวณดู: ระบบที่มีความแม่นยำระดับนี้จะเจอสถานการณ์อันตรายที่มันแก้ไขไม่ได้ประมาณหนึ่งครั้งต่อการขับขี่ 10,000 ไมล์ สำหรับการใช้งานในชีวิตประจำวันตัวเลขนี้ก็ใหญ่มากแล้ว - และสำหรับความเป็นอัตโนมัติเต็มรูปแบบคือขนาดภัยพิบัติ เพราะเกณฑ์ความปลอดภัยต้องการอัตราความผิดพลาดที่ต่ำมาก
ส่วนภาพในด้านข้อมูลนั้นน่าทึ่งกว่านั้นอีก การเปรียบเทียบ SearchAD ซึ่งเป็นผลงานร่วมของ Mercedes-Benz และมหาวิทยาลัย Esslingen ได้ศึกษาภาพ 423,798 ภาพจากชุดข้อมูลการขับขี่ 11 ชุด: หมวดหมู่หายาก 90 หมวด ป้ายกำกับด้วยมือ 513,265 รายการ ผลลัพธ์คืออะไร? แต่ละคลาสใน 30 คลาสที่หายากที่สุด ปรากฏในข้อมูลที่มีป้ายกำกับแบบสาธารณะจำนวน 344,966 ภาพ น้อยกว่า 250 ครั้ง ในบริษัทหนึ่งที่พยายามค้นหากรณีหายากเหล่านี้ด้วยมือ งานนี้ใช้เวลาแปดเดือน ใช้เวลาเฉลี่ยมากกว่าหนึ่งนาทีต่อภาพ และแต่ละภาพถูกตรวจสอบอย่างน้อยสองครั้ง
| คลาสของวัตถุ | จำนวนคำอธิบายประกอบในชุดข้อมูลตัวอย่าง |
|---|---|
| รถยนต์ | 493,322 |
| รถเข็นเด็ก | 1,072 |
| รถพยาบาล | 49 |
ตารางนี้แสดงให้เห็นความเบ้ของโลกจริง: รถยนต์มีอยู่ทุกที่ ส่วนรถพยาบาลแทบไม่มีเลย และปัญหาไม่ใช่แค่การค้นพบเท่านั้น การค้นหาแบบอิงป้ายกำกับจะส่งกลับเฉพาะคลาสที่ถูกกำหนดไว้ล่วงหน้าเท่านั้น ถ้าไม่มีใครติดป้ายกำกับคนเดินเท้าที่สวมถุงขยะกันฝนไว้ คำสั่งค้นหาใดก็ตามที่ค้นหาข้อมูลนั้นจะไม่พบมัน ตัวชี้วัดความสำเร็จแบบรวมยังสามารถซ่อนความถดถอยในคลาสหายากไว้ภายในคะแนนรวมที่ดูดีได้อีกด้วย
ถ้าเก็บข้อมูลเพิ่มอีกจะไม่ได้ผลหรือ?
คำตอบคือไม่ได้ ในความเห็นส่วนใหญ่ และเหตุผลอยู่ในความจริงเพียงประโยคเดียว: ความเบ้ของข้อมูลคือความเบ้ของโลก ข้อมูลการขับขี่ที่เก็บจากถนนส่วนใหญ่ล้วนเต็มไปด้วยพฤติกรรมธรรมดา - การควบคุมเลน การปฏิบัติตามไฟจราจร ถนนตรง เมื่อคุณเพิ่มชุดข้อมูลเป็นสองเท่า คุณจะได้เพิ่มตัวอย่างธรรมดาเป็นสองเท่าเป็นส่วนใหญ่ ส่วนกรณีหายากจะถูกฝังลึกยิ่งขึ้นไปอีกในคิว นี่คือปัญหาผลตอบแทนที่ลดลงแบบคลาสสิก: การขยายขนาดกำลังประมวลผลและข้อมูล ไม่ให้ผลลัพธ์เพียงพอที่อัตราความผิดพลาดต่ำมาก
แล้วถ้าเราสร้างสถานการณ์หายากขึ้นมาใหม่ในฉากจำลองล่ะ? นี่คือจุดที่กำแพงด่านที่สองมาถึง: กรณีหายากส่วนใหญ่เป็นอันตรายหรือเป็นไปไม่ได้ การจัดฉากคนเดินเท้าที่โผล่มาจากหลังรถบรรทุกนั้นไม่สามารถลองทำได้เลย ยิ่งไปกว่านั้น คิวนี้เปิดกว้าง - ไม่มีจุดสิ้นสุด นั่นคือช่วงเวลาที่จะพูดว่า "เราทำครบทุกอย่างแล้ว" จะไม่มีวันมาถึง
การจำลองจึงเป็นผู้ช่วยที่โดดเด่น แต่ไม่ใช่ผู้ช่วยชีวิต บนถนนจริง ไม่มีจำนวนการทดสอบใดรับประกันความปลอดภัยได้เพียงลำพัง อีกทั้งการสร้างเหตุการณ์หายากขึ้นเทียมก็เป็นปัญหาทางวิศวกรรมที่ยากในตัวเอง แนวทางของ Waymo ที่นี่น่าสนใจ: ทีมงานสร้างสถานการณ์การชนที่ส่งผลถึงชีวิตในโลกจริงขึ้นมาใหม่ แล้ววาง Waymo Driver ไว้ในตำแหน่งของยานพาหนะที่ก่อการชน ในการจำลอง หลบเลี่ยงการชนทั้งหมดได้สำเร็จ น่าประทับใจ - แต่การประสบความสำเร็จบนสถานการณ์ที่กำหนดไว้ ไม่ได้หมายความว่าได้บริโภคคิวทั้งหมดแล้ว
ผู้ผลิตเข้าหาปัญหาเดียวกันนี้อย่างไร?
Mobileye: ปัญญาประดิษฐ์ที่ล่าหาความล้มเหลว
ยานพาหนะสองลำที่ Mobileye เปิดตัวในปี 2026 นำเสนอทางแก้ปัญหาอย่างเป็นระบบ นักวิเคราะห์ข้อมูลปัญญาประดิษฐ์แบบหลายเอเจนต์ชื่อ Meteor สแกนวิดีโอการขับขี่นับล้านชั่วโมง โดยใช้ embedding ของโมเดลภาพ-ภาษา และการให้เหตุผลอัตโนมัติ สิ่งที่มันค้นหานั้นน่าสนใจ: ไม่ใช่ปาฏิหาริย์เดี่ยวเดียวที่เรียกว่าหงส์ดำ แต่เป็นความล้มเหลวที่เกิดซ้ำได้ - รูปแบบที่เกิดขึ้นซ้ำๆ เช่น คนเดินเท้าที่ถูกปิดบังบางส่วน หรือผู้ใช้ถนนที่คลุมเครือ กระบวนการค้นพบ การตั้งสมมติฐาน การสืบค้นสถานการณ์ การตรวจสอบ และห่วงโซ่ข้อมูลการฝึก ทำงานโดยอัตโนมัติ ส่วนระบบผู้ช่วยGenarioจะแปลงความล้มเหลวที่ผ่านการตรวจสอบแล้วแต่ละรายการให้เป็นสถานการณ์สังเคราะห์แบบโฟโตเรียลิสติก และทำซ้ำเพิ่มด้วยรูปแบบกลางวัน/กลางคืน ฝน หิมะ น้ำแข็ง และหมอก เบื้องหลังทั้งหมดนี้คือประสบการณ์กว่า 25 ปี ยานพาหนะกว่า 230 ล้านคัน และการอัปโหลดข้อมูลจาก 8 ล้านคันต่อวัน
Waymo: พื้นที่จำกัด กฎที่เข้มงวด
กลยุทธ์ของ Waymo คือการทำให้พื้นที่ที่คิวสามารถเข้าถึงได้เล็กลง แทนที่จะทำให้คิวสั้นลง พื้นที่การออกแบบการปฏิบัติงานที่เรียกว่า Operational Design Domain (ODD); ถูกกำหนดด้วยภูมิศาสตร์ ประเภทถนน ช่วงความเร็ว สภาพอากาศ และเวลาของวัน ตามเอกสารด้านกฎระเบียบของบริษัท พื้นที่เป้าหมายครอบคลุมถนนที่มีขีดจำกัดความเร็วสูงถึง 65 mph ยานพาหนะทำงานในโหมดอัตโนมัติเต็มรูปแบบ; ผู้ปฏิบัติงานมนุษย์จากระยะไกลไม่ได้ขับรถด้วยจอยสติ๊ก แต่เพียงให้คำแนะนำระดับสูงเท่านั้น ในเดือนตุลาคม 2026 ยังได้เผยแพร่กรอบใหม่เกี่ยวกับการซ้อมจัดการเหตุการณ์เพื่อเตรียมพร้อมรับมือสถานการณ์ที่ไม่คาดคิด สารจากฝ่ายบริหารชัดเจน: ยานยนต์อัตโนมัติสามารถลดอุบัติเหตุได้อย่างมาก แต่ไม่สามารถไปถึง 100% ได้ และต้องพูดคุยเรื่องนี้อย่างเปิดเผยและตรงไปตรงมา ข้อมูลของบริษัทแสดงให้เห็นว่าจำนวนอุบัติเหตุต่อล้านไมล์ของรถแท็กซี่หุ่นยนต์ต่ำกว่าปีก่อนๆ มาก ข้อสังเกตอีกประการคือ คำนิยาม ODD และแนวคิดด้านความปลอดภัยสามารถนำกลับมาใช้ซ้ำได้ในหลายเมือง - ความยืดหยุ่นนี้ยังทำให้เกิดคำถามถึงขอบเขตของพื้นที่ด้วย
Tesla และ NVIDIA: การเดิมพันสองแบบที่แตกต่างกัน
Tesla เดิมพันว่าข้อมูลโลกจริงจากรถหลายล้านคันและการเดินทางหลายพันล้านไมล์จะค่อยๆ ทำให้คิวสว่างขึ้น ในรุ่นFull Self-Driving (Supervised) ผู้ใช้รายงานการแทรกแซงที่น้อยลง และตามข้อมูลของบริษัท FSD ลดโอกาสการชนจากความผิดพลาดของมนุษย์ได้มากกว่า 80% - แต่นี่คือข้อมูลของบริษัทเอง และประเด็นการตรวจสอบอิสระยังเป็นที่ถกเถียง; Tesla ไม่เคยเผยแพร่ข้อมูลการปลดระบบ (disengagement) อย่างเป็นทางการเลย รายงานจากผู้ใช้แม้จะเป็นเพียงระดับเกร็ดข้อมูล แต่ก็เต็มไปด้วยประเด็นน่าสนใจ: การจำเป็นต้องแยกออกจากระบบเมื่ออยู่หน้ารถบรรทุกที่กำลังเปลี่ยนเลน หรือระบบที่วิ่งเข้าใกล้รถบรรทุกงานก่อสร้างที่จอดอยู่ในเลนซ้ายด้วยความเร็วสูง
ส่วน NVIDIA มองไปในทิศทางตรงข้าม: การใช้การจำลองสถานการณ์และความฉลาดที่ generalize ได้ เพื่อใช้เหตุผลผ่านสถานการณ์ที่ไม่รู้จัก โครงการAlpamayo-R1แสดงให้เห็นว่าโมเดลที่ฝึกด้วยข้อมูลการใช้เหตุผลช่วยปรับปรุงความแม่นยำในการวางแผนในกรณียากได้ถึง 12% และลดการเฉียดชนได้ 35% ปรัชญาทั้งสอง - เช่นเดียวกับการทำเหมืองข้อมูลแบบขับเคลื่อนด้วยสมมติฐานของ Mobileye และแนวทาง AI แบบ end-to-end ของ Wayve - ยังไม่ได้รับการพิสูจน์ว่าเป็นทางแก้ที่แน่นอน ยังไม่มีใครเห็นจุดสิ้นสุดของคิว
การแทรกแซงของมนุษย์จากระยะไกล: เป็นเครือข่ายความปลอดภัยหรือจุดอ่อน?
หลักประกันเชิงปฏิบัติของบริษัทรถแท็กซี่หุ่นยนต์คือ teleoperation: เมื่อระบบติดขัดหรือเกิดข้อผิดพลาด ผู้ควบคุมมนุษย์จากระยะไกลจะเข้ามาแทรกแซง การพิจารณาคดีของวุฒิสภาสหรัฐฯ เปิดเผยว่าบริษัทแท็กซี่หุ่นยนต์พึ่งพาสิ่งนี้เป็นอย่างมาก และในวงการนั้นก็มีความเชื่อกันอยู่แล้วว่าแท็กซี่หุ่นยนต์ของ Cruise ต้องการการแทรกแซงจากผู้ควบคุมระยะไกลบ่อยครั้ง
แต่เครือข่ายความปลอดภัยนี้ก็มีจุดอ่อน ในโมเดลของ Waymo ผู้ควบคุมระยะไกลมีหน้าที่เพียงให้คำแนะนำระดับสูงเท่านั้น ไม่ได้เข้ามาควบคุมพวงมาลัย ส่วนในการเปิดตัวแท็กซี่หุ่นยนต์ของ Tesla ที่ออสติน ระบุว่าพนักงานสนับสนุนระยะไกลสามารถเข้าควบคุมชั่วคราวได้ที่ความเร็ว 2 mph หรือต่ำกว่า และสามารถขับรถจากระยะไกลได้ โดยรายงานปี 2025 ของหน่วยงานขนส่งรัฐหนึ่งบันทึกว่า Tesla ได้นำการปฏิบัติงานระยะไกลมาใช้สำหรับสถานการณ์ขอบขั้นที่พบได้ยากและสภาพแวดล้อมที่ท้าทาย การเชื่อมต่อ 5G และ 6G ที่มีความหน่วงต่ำทำให้โมเดลเหล่านี้เป็นไปได้ในทางเทคนิค คำถามคือ: การที่มนุษย์สามารถแก้ไขสถานการณ์ที่ระบบแก้ไม่ได้ เป็นทางแก้ที่แท้จริงหรือไม่ หรือเราเพียงแค่ย้ายปัญหาไปสู่คิวที่มองไม่เห็น?
กฎหมายว่าอะไรระหว่างคำสัญญากับความจริง?
ตรงนี้เรื่องเริ่มจริงจัง เพราะอุบัติเหตุในสถานการณ์ขอบขั้นที่พบได้ยากก่อให้เกิดคำถามไม่เพียงทางเทคนิคแต่ยังรวมถึงทางกฎหมายด้วย ในสหรัฐฯ NHTSA ได้เผยแพร่การอัปเดตกฎระเบียบระบบขับขี่อัตโนมัติในเดือนเมษายน 2026 ด้านกฎหมายมีความแตกต่างที่น่าสนใจอยู่: การที่รถเป็นไปตามมาตรฐานความปลอดภัยไม่ได้ทำให้มันสมบูรณ์แบบ การฟ้องร้องเรื่องความประมาทเป็นเส้นทางกฎหมายที่แตกต่างอย่างสิ้นเชิง และทนายของโจทก์เล่นเกมตรงจุดนี้เอง ตามคู่มือทางกฎหมายที่จัดทำในเท็กซัส ข้อโต้แย้งที่ใช้ในคดีคือความแตกต่างระหว่างคำสัญญาของบริษัทกับสิ่งที่รถทำจริง ความเสี่ยงทางเทคนิคที่ Brookings กล่าวถึงก็เชื่อมโยงมาที่จุดเดียวกัน: ข้อผิดพลาดที่คาดไม่ถึงในระบบตรวจจับและคาดการณ์อาจทำให้รถทำสิ่งผิดในเวลาที่ผิด
ระดับต่างๆ ในมาตรฐาน J3016 ของ SAE ก็ทำให้เห็นความจริงเรื่องคำสัญญา ในมาตราส่วนตั้งแต่ระดับ 0 ถึงระดับ 5 รถบนท้องถนนส่วนใหญ่ยังคงอยู่ที่ระดับ 1 หรือระดับ 2 ระดับ 3 สร้างการเปลี่ยนผ่านความรับผิดชอบครั้งใหญ่จากผู้ขับขี่ไปสู่ผู้ผลิต สำหรับระดับ 5 ผู้เชี่ยวชาญบางคนคิดว่า: รถที่ทำงานได้ทุกที่ที่มนุษย์ขับได้จะไม่มีวันเกิดขึ้น แม้แต่บทความวิชาการปี 2026 ก็ยังเสนอว่าระดับที่มีอยู่ไม่สะท้อนความสามารถในโลกจริง โดยเสนอการจำแนกเพิ่มเติมที่ขึ้นอยู่กับสภาพแวดล้อมและสถานการณ์
คิวจะถูกบริโภคหมดได้หรือไม่? คำตอบที่ตรงไปตรงมา
ขอบอกตรงๆ แบบชัดที่สุดเลยนะ: สถานการณ์ขอบขั้นคือสถานการณ์ทางสถิติที่หายากมากแต่คาดการณ์ไม่ได้ ซึ่งทำให้การขับขี่อัตโนมัติล่าช้าในการไปถึงระบบอัตโนมัติเต็มรูปแบบตามที่สัญญาไว้ ทั้งการรวบรวมข้อมูลไม่รู้จบและการจำลองสถานการณ์ต่างๆ ไม่สามารถบริโภคคิวเปิดนี้ได้ด้วยตัวเอง ฝ่ายมองโลกในแง่ดีมีข้อมูลอุบัติเหตุจริงในมือ: ข้อมูลของ Waymo แสดงว่าจำนวนอุบัติเหตุต่อล้านไมล์ลดลงจริง และการสร้างสถานการณ์จำลองของ Mobileye ก็ช่วยลดขนาดคิวลงอย่างเป็นระบบ ฝ่ายมองโลกในแง่ร้ายก็มีข้อเท็จจริงในมือเช่นกัน: ถ้าขับเหมือนคนทั่วไป คุณจะป้องกันอุบัติเหตุได้เพียงประมาณหนึ่งในสามเท่านั้น; ตามข้อมูลของหน่วยงานด้านความปลอดภัยบางแห่ง การขับขี่ไร้คนขับยังมาไม่ถึง เพราะยังล้มเหลวในงานพื้นฐานเป็นประจำ และการถกเถียงครั้งต่อไปก็มาถึงทางแล้ว: ถ้าเราแก้กรณีขอบ (edge cases) ได้สักที คราวนี้เราจะรับประกันความถูกต้องของโมเดล AI แบบทั่วไปได้อย่างไร?
มุมมองของผมคือ: การขับขี่อัตโนมัติไม่ใช่การแข่งขัน แต่เป็นงานคัดกรองบนสายพาน การวิ่งได้หลายพันกิโลเมตรต่อวันอย่างไม่มีปัญหาไม่ทำให้ใครประทับใจ; สิ่งที่สร้างความแตกต่างคือคุณทำอย่างไรกับช่วงเวลาแปลกๆ ที่มาเยือนปีละหลายล้านไมล์ และสิ่งที่คุณจะทำในช่วงเวลานั้น ยังไม่มีใครรู้ตั้งแต่วันที่คุณจินตนาการถึงสถานการณ์นั้น คิดว่าแท็กซี่หุ่นยนต์จะเอาชนะคิวนี้ได้ไหม หรือมันจะหนีไปอยู่ห่างออกไปหนึ่งก้าวตลอดกาล? อยากฟังความคิดเห็นของคุณในคอมเมนต์
แหล่งอ้างอิง
- Diagnosing the long tail: how Mobileye turns edge cases into targeted training (Mobileye Blog)
- Why AV Models Miss Rare Edge Cases (and How to Find Them) | Voxel51
- Edge Cases in Autonomous Driving: Detection and Handling Guide | Kognic
- Waymo simulated driving behavior in reconstructed fatal crashes (Scanlon et al., 2021, ScienceDirect)
- Preparing for the Unexpected: A New Framework for AV Incident Management Exercises (Waymo Blog, Oct 2026)
- รายงานความปลอดภัยยานพาหนะ Full Self-Driving (แบบมีผู้ควบคุมดูแล) (Tesla)
- Solving the long-tail with e2e AI (Wayve)
- SAE Levels of Driving Automation (SAE International)
- Self-driving vehicles could struggle to eliminate most crashes (IIHS)
- STATE DOT Policy and Regulatory Approaches (NCDOT, 2025)