1. 课程导入
欢迎进入《自动驾驶感知算法量产验证工程》。在自动驾驶系统中，感知算法负责把摄像头、激光雷达、毫米波雷达等传感器的原始数据转化为可被规划控制模块使用的环境模型。实验室里跑通一个模型，和把它安全、稳定、可追溯地交付到量产车上，中间隔着一条很长的工程链路。本课程要讲的，正是这条链路上的验证工程方法。
很多工程师第一次接触量产验证时，会把它理解为"多跑一些测试"。实际上，量产验证是一套以风险为驱动、以数据为证据、以流程为约束的系统工程。它要回答的核心问题是：我们凭什么相信这套感知算法在真实道路上、在百万级里程中、在各种长尾场景下都是安全的？这个问题的答案，不能靠感觉，只能靠可复现、可度量、可审计的验证体系。
学习目标
完成本课程后，你应当具备以下能力：
- 理解感知算法从研发到量产的全生命周期，明确各阶段验证目标与准出条件；
- 掌握数据集构建、标注质量管控、场景库设计的基本方法；
- 能够设计离线评测指标与在线影子模式验证方案，并解释指标背后的物理含义；
- 理解 SIL/HIL/VIL 与实车测试的分工，能规划分层验证策略；
- 掌握感知算法常见失效模式的分析方法，能定位问题并推动闭环；
- 了解功能安全、预期功能安全与法规合规对感知验证的约束。
核心概念
在展开之前，先建立几个贯穿全课程的核心概念。
量产验证：面向量产交付的验证活动总称，强调可重复、可追溯、可量化，最终服务于安全论证与合规准入。它与研发阶段"调通即可"的验证有本质区别。
场景：对驾驶环境与自车行为的一次结构化描述，通常包含道路结构、交通参与者、天气光照、自车意图等要素。场景是验证的最小组织单元。
长尾场景：出现频率极低但风险极高的场景，如异形车辆、施工改道、掉落物、极端逆光。量产验证的难点几乎都集中在长尾。
覆盖率：已验证场景占目标场景空间的比例。它不是一个数字，而是需要按维度分解的指标体系。
准出条件：算法或版本允许进入下一阶段必须满足的量化门槛，例如关键场景通过率、误报率上限、漏检率上限。
整体框架
本课程按"数据—场景—评测—工具—流程—合规"六个维度组织，形成如下知识结构。下图展示了感知算法量产验证的整体框架与各模块之间的关系。
从图中可以看到，数据体系与场景体系是验证的输入基础，评测体系定义了"什么算通过"，分层验证执行负责在不同保真度下收集证据，问题闭环把发现的缺陷转化为改进，最终由准出与安全论证完成交付判定。工具链则像骨架一样支撑所有环节。
典型场景：一次量产验证的起点
假设某车型的 AEB 前向感知模块准备进入量产验证。团队首先识别风险：城市路口横穿行人、夜间无照明、逆光、雨雾。接着从数据平台抽取对应场景片段，检查标注质量，构建专项场景库。然后在离线回放中批量评测，发现夜间逆光下行人漏检率偏高。团队用 SIL 复现该场景，定位到图像预处理环节的动态范围压缩问题，修复后回归验证，最终在实车与影子模式中确认指标达标。这个过程正是本课程要反复演练的完整链路。
常见误区
- 把测试里程当安全证据：里程数不等于覆盖率，长尾场景可能一次都没遇到。
- 只看平均指标：平均精度掩盖了关键场景的严重失效，必须分场景、分维度看。
- 验证与研发脱节：验证团队只报问题不参与归因，闭环效率极低。
- 忽视数据与标注质量：垃圾数据进，垃圾结论出，标注错误会直接污染评测结果。
- 一次性验证思维：算法持续迭代，验证体系必须可复用、可回归、可追溯。
关键参数与准出清单示例
量产验证中，参数与阈值是判定依据。以下是一个简化的准出清单示例，实际项目中会更细化到场景类别与传感器模态。
| 验证维度 | 关键指标 | 示例阈值 | 数据来源 |
|---|---|---|---|
| 行人检测 | 漏检率 | ≤ 0.5% | 离线回放 + 实车 |
| 车辆检测 | 误报率 | ≤ 1 次/千公里 | 影子模式 |
| 车道线 | 关键场景通过率 | ≥ 99% | 场景库评测 |
| 测距精度 | 绝对误差 | ≤ 0.3 m | 标定与路测 |
| 时延 | 端到端延迟 | ≤ 100 ms | HIL + 实车 |
这些阈值不是拍脑袋定的，而是由安全目标、法规要求、竞品水平和工程能力共同约束的结果。课程后续章节会逐一讲解如何推导、分解和验证这些指标。
本课程的学习路径
- 建立量产验证的整体认知与术语体系；
- 掌握数据采集、标注与质量管理方法；
- 学习场景库设计与长尾场景挖掘；
- 深入离线评测指标与在线影子模式；
- 理解 SIL/HIL/VIL 与实车测试的分工；
- 掌握失效分析、问题闭环与回归验证；
- 了解功能安全、SOTIF 与法规合规要求；
- 通过综合案例完成一次完整的量产验证演练。
感知算法量产验证的本质，是用工程化的证据链替代个人经验判断。它要求我们既懂算法，又懂数据，既懂测试，又懂流程，既关注技术指标，也关注安全与合规。接下来的章节，我们将沿着这条主线，逐层拆解每一个环节的方法、工具与实践要点。