📚 课程目录第2章感知系统基础

2. 感知系统基础

在开展感知失败案例聚类与根因分析之前，必须先建立对感知系统本身的统一认知。感知系统是自动驾驶与机器人从物理世界获取信息、形成环境理解的入口，其组成、传感器特性、任务边界以及失败定义，直接决定了后续案例标注、聚类维度和根因归因的粒度。本节从系统组成出发，逐层拆解传感器类型、感知任务与失败定义，为后续工程化分析奠定基础。

一、感知系统的整体组成

自动驾驶与机器人的感知系统通常由四个层次构成：传感器层、数据预处理层、感知算法层和输出接口层。传感器层负责物理信号采集，包括摄像头、激光雷达、毫米波雷达、超声波、IMU、GNSS 等；数据预处理层完成时间同步、标定、去畸变、点云运动补偿等操作；感知算法层执行检测、分割、跟踪、定位与建图等任务；输出接口层将结构化结果以目标列表、占据栅格、语义地图等形式提供给规划与控制模块。

这四个层次之间存在明确的依赖关系：传感器层的时空对齐质量直接影响算法层输入的一致性；预处理层的标定误差会以系统性偏差的形式传播到最终输出；算法层的失败往往并非孤立，而是上游数据质量问题的显性化。因此，在失败案例聚类时，必须保留从传感器到输出的完整链路信息，否则根因分析容易停留在表象。

二、传感器类型与特性对比

不同传感器在感知任务中承担互补角色，其物理特性决定了各自的失效模式。摄像头提供丰富的纹理与颜色信息，但受光照、天气影响显著；激光雷达提供精确的三维几何与距离，但在雨雾、扬尘中回波衰减严重；毫米波雷达具备全天候测距测速能力，但角分辨率低、易受金属反射干扰；IMU 与 GNSS 提供自车运动与全局定位，但在隧道、城市峡谷中易漂移。理解这些特性，是判断失败案例是否属于传感器固有局限的前提。

传感器	核心输出	优势	典型失效模式
摄像头	图像、语义纹理	成本低、分类能力强	逆光过曝、夜间欠曝、雨雪遮挡
激光雷达	三维点云	测距精度高、几何完整	雨雾衰减、镜面反射、点云稀疏
毫米波雷达	距离、速度、角度	全天候、测速直接	多径鬼影、静止目标滤除、角分辨率低
IMU/GNSS	姿态、位置、速度	高频、全局参考	隧道失锁、多路径、积分漂移

三、感知任务与失败定义

感知任务可归纳为五类：检测（找出目标并给出类别与位置）、分割（逐像素或逐点分类）、跟踪（维持目标身份与轨迹）、定位与建图（确定自车位姿并构建环境表示）、融合（多源信息一致性整合）。每类任务都有对应的失败定义，但工程上更关注可观测、可标注、可归因的失败形式。

感知失败通常定义为：在给定场景与任务下，系统输出与真值之间的偏差超出可接受阈值，或输出缺失、延迟、不一致，导致下游规划控制无法安全执行。具体可分为以下几类：

漏检（False Negative）：真实目标未被输出，如行人、锥桶、异形车辆未被检测到。
误检（False Positive）：输出不存在目标，如井盖被误判为车辆、树影被误判为行人。
分类错误：目标存在但类别错误，如卡车被识别为轿车。
定位偏差：目标位置或自车位置超出精度要求，如横向偏移导致压线判断错误。
跟踪断裂：目标 ID 跳变或轨迹中断，导致速度估计与意图预测失效。
时序不一致：多帧输出抖动、延迟或融合结果矛盾。

失败定义的关键原则：失败必须与任务目标绑定，而非单纯以算法指标衡量。同一输出在高速场景下可能是失败，在低速泊车场景下可能可接受。因此，失败案例必须携带场景上下文、任务类型、阈值配置和下游影响等级。

四、案例场景：一次典型的融合失败

某城市道路场景中，自车在雨天夜间行驶，前方有一辆静止的故障车。摄像头因雨滴遮挡与对向车灯眩光，未能稳定检测到该目标；激光雷达点云在雨雾中衰减，故障车轮廓稀疏；毫米波雷达检测到静止目标，但被静止目标滤除逻辑抑制。融合模块最终输出中该目标置信度低于阈值，导致 AEB 未触发。

该案例中，失败并非单一传感器故障，而是多传感器在特定场景下的共性退化与融合策略对静止目标的保守处理叠加所致。若仅按“摄像头漏检”聚类，会遗漏雷达滤除逻辑这一关键根因。因此，失败案例的标注必须保留传感器级、融合级和场景级三层信息。

案例标注示例：
{
  "case_id": "PERC-2024-0317-042",
  "scene": "雨天夜间城市道路",
  "task": "目标检测与融合",
  "sensors": {
    "camera": "漏检，置信度0.21",
    "lidar": "点云稀疏，有效点<15",
    "radar": "检测到目标但被静止滤除"
  },
  "fusion_output": "目标缺失，AEB未触发",
  "failure_type": "漏检",
  "root_cause_candidate": ["雨雾衰减", "静止目标滤除策略", "融合阈值过高"]
}

五、常见误区与复盘要点

误区一：把失败等同于算法精度不足。大量失败源于标定漂移、时间同步错误、传感器脏污或配置阈值不当，算法本身可能并无缺陷。

误区二：忽略场景上下文。脱离天气、光照、道路结构、交通密度谈失败，会导致聚类结果无法指导工程改进。

误区三：只标注最终输出，不记录中间链路。缺少预处理与融合中间态，根因分析只能停留在猜测层面。

复盘时应重点检查：传感器原始数据是否可信、时空对齐是否准确、融合逻辑是否在该场景下合理、失败是否可复现、下游影响是否被正确评估。只有把感知系统组成、传感器特性、任务定义和失败边界统一到同一分析框架中，后续的案例聚类与根因分析才具备工程可操作性。