3. 动态障碍物类型梳理：运动物体分类、速度范围、尺寸与形状

3.1 用户场景

城区低速无人配送车、园区巡检机器人、室内服务机器人在实际运行中，最常见的交互对象是运动中的行人、自行车/电动滑板车、宠物、儿童玩具车、其他机器人以及偶尔进入的机动车辆。运营团队反馈，感知算法在处理这些对象时出现误检、漏检、速度估计失准，导致频繁急停或绕行失败。典型场景包括：

• 人行道上行人突然横穿（0.5~1.5 m/s）
• 非机动车道上电动自行车从后方快速接近（3~8 m/s）
• 居民区儿童追逐皮球（速度跳跃、尺寸非刚性）
• 仓库内其他AGV相向而行（速度稳定但尺寸轮廓近似）

3.2 业务问题

现有原型使用的障碍物类型表仅包含“人、车、动物”三个粗糙标签，缺失速度区间、尺寸边界和形状可变性等关键属性。这导致：

1. 预测模型无法适配不同运动模式——行人可突然转向，车辆轨迹平滑，动物随机性强。
2. 尺寸模型不统一——将行人框设为 0.6m×1.8m 在地面投影上偏小，导致垂直传感器俯仰角计算不准。
3. 速度范围缺省——规划器默认所有障碍物最高速度 2 m/s，遇到电动车时反应时间不足。

3.3 用户访谈

项目组对三地运营团队（上海、深圳、西安）共 9 名一线工程师进行了结构化访谈，提炼关键发现：

3.4 需求拆解

根据用户场景和访谈结论，将动态障碍物类型按三个正交维度拆解：

• 运动物体分类：行人（含儿童、轮椅使用者）、自行车/电动自行车、摩托车、轿车/SUV、动物（狗、猫、鸟类）、其他AGV/机器人、异形（手推车、移动垃圾桶）。
• 速度范围：低速（0~1 m/s）、中速（1~3 m/s）、高速（3~8 m/s）、超高速（>8 m/s，仅当车辆进入封闭园区时出现）。
• 尺寸与形状：按最小包围盒（1‑sigma）及主要形状特征（刚体/非刚体、凸包/凹包、水平截面形状）。

3.5 方案表达

以下表格展示完整类型矩阵的前 6 类（产品级文档应包含全部 12 类）：

方案表达同时包含一个 YAML 配置片段，用于存储分类参数供感知感知模块加载：

# dynamic_obstacle_types.yaml
categories:
  - id: DYN-001
    name: pedestrian_upright
    speed_range:
      min: 0.3
      max: 1.8
    bounding_box_dims:
      length: 0.5
      width: 0.5
      height: 1.8
    shape: cylinder_with_limb
    is_rigid: false
  - id: DYN-003
    name: bicycle_ebike
    speed_range:
      min: 2.0
      max: 6.5
    bounding_box_dims:
      length: 1.8
      width: 0.6
      height: 1.2
    shape: rigid_body_tire_protrusion
    is_rigid: true

3.6 指标验证

在原型开发阶段，需验证该分类体系的有效性：

• 类型覆盖度 ≥ 95%：通过标注 2000 帧路测数据，逐帧统计是否存在未覆盖的类型。
• 速度区间准确度 平均绝对误差 ≤ 0.3 m/s：对每类障碍物采样 100 个速度值，与高精度基准（RTK+IMU）对比。
• 尺寸偏差容忍度 L/W/H 偏差 ≤ 10%：使用手动标注框作为真值。

3.7 验收标准

1. 分类清单覆盖所有已知主流动态障碍物类型（≥ 12 类），每类包含明确的速度区间、尺寸范围和形状描述。
2. 配置文件中每个类型 ID 与工程代码中的枚举一一对应，且通过静态检查。
3. 在仿真环境中随机生成 500 个障碍物（按类型分布），感知模块的输出属性与真实属性偏差满足：速度 < 0.3 m/s、尺寸 < 10% 相对误差、形状标签正确率 > 90%。

3.8 交付物模板

交付物模板应被集成到产品需求文档（PRD）附录中，后续章节会引用这里的类型 ID 定义预测模块的约束规则。