4. 性能指标解析
在智能驾驶系统中，性能指标不是“跑分数字”，而是决定功能安全边界、用户体验和硬件成本的核心约束。同一套感知模型，在不同延迟、帧率与功耗条件下，可能从“可用”变为“不可用”。本节将关键指标分为实时性、质量、资源三类，并给出定义、测量方法与工程取舍逻辑。
核心结论：智能驾驶性能规划的本质，是在延迟、吞吐量、帧率、精度、召回率、功耗、能效比之间寻找满足安全与成本约束的可行域，而不是单独追求某一项最优。
一、实时性指标：延迟、吞吐量、帧率
延迟（Latency）指从传感器采样到系统输出可用结果的时间间隔。在感知链路中，延迟通常包括曝光、传输、预处理、推理、后处理、融合与发布等阶段。工程上更关注端到端延迟和尾延迟（如P99），因为平均延迟低不代表安全，偶发高延迟可能直接导致制动或规划错过窗口。
吞吐量（Throughput）指单位时间内系统能完成的任务量，例如每秒处理的图像帧数、每秒完成的目标检测次数或每秒写入的日志条数。吞吐量高不等于延迟低：批处理可提升吞吐量，但会引入排队延迟。
帧率（Frame Rate）指感知或视频流每秒输出的帧数，常用FPS表示。帧率决定时间分辨率，影响目标运动估计和跟踪连续性。帧率与延迟并非同一概念：高帧率系统仍可能因流水线拥塞产生高延迟。
# 典型测量命令示例：统计推理延迟分布
python bench.py --model bev_detector --warmup 50 --iters 500 \
--report latency_p50,latency_p95,latency_p99,fps,throughput
# 输出示例
latency_p50 = 28.4 ms
latency_p95 = 41.7 ms
latency_p99 = 63.2 ms
fps = 31.2
throughput = 124.8 frame/s
二、质量指标：精度、召回率与mAP
精度（Precision）表示预测为正的样本中真正为正的比例，衡量“报得准不准”。召回率（Recall）表示真实正样本中被成功检出的比例，衡量“漏没漏”。在自动驾驶中，召回率通常优先于精度：漏检行人或锥桶的代价远高于多报一个虚警。
对于目标检测，常用mAP（mean Average Precision）综合衡量不同类别和不同IoU阈值下的精度-召回曲线面积。测量时必须固定数据集、IoU阈值、置信度阈值和后处理逻辑，否则指标不可比。
| 指标 | 定义 | 测量方法 | 工程关注点 |
|---|---|---|---|
| 延迟 | 输入到输出的时间差 | 时间戳打点、P50/P95/P99 | 尾延迟、抖动 |
| 吞吐量 | 单位时间完成任务数 | 固定负载压测 | 批处理与排队 |
| 帧率 | 每秒输出帧数 | 帧计数/时间窗口 | 时间分辨率 |
| 精度 | 预测为正中真正比例 | 混淆矩阵、PR曲线 | 虚警成本 |
| 召回率 | 真实正中被检出比例 | 标注集统计 | 漏检风险 |
| 功耗 | 单位时间能耗 | 功率计、板载传感器 | 散热与续航 |
| 能效比 | 性能/功耗 | FPS/W或TOPS/W | 芯片选型 |
三、资源指标：功耗与能效比
功耗（Power）通常以瓦特（W）为单位，测量整板、SoC或单模块的平均功耗与峰值功耗。智能驾驶域控制器功耗直接影响散热设计、整车续航和可靠性。测量时应区分典型功耗与峰值功耗，并记录温度、电压和工作频率。
能效比（Energy Efficiency）常用FPS/W、TOPS/W或“每帧焦耳”表示，反映单位功耗下能完成多少有效计算。它是芯片选型和模型部署的关键指标：两颗芯片峰值算力相同，但能效比差异可能导致散热方案和成本完全不同。
测量建议：功耗测量需在稳定热状态下进行，避免冷启动瞬时值误导；能效比应绑定具体模型、输入分辨率和批大小，否则不同报告之间没有可比性。
四、指标之间的耦合与取舍
这些指标并非独立。提高帧率通常增加功耗；增大批处理提升吞吐量但增加延迟；提高召回率往往引入更多虚警，降低精度；量化压缩可降低延迟和功耗，但可能损失精度与召回率。因此性能规划应建立约束优先级：安全相关召回率与尾延迟为硬约束，吞吐量和能效比为优化目标，精度在满足召回率前提下再调优。
五、典型场景与测量流程
以城市NOA前视感知为例，测量流程可归纳为：
- 定义场景与数据集：固定白天/夜间、雨雾、拥堵等切片，标注真值。
- 打点采集：在传感器、预处理、推理、后处理、发布节点插入时间戳。
- 统计分布：计算P50、P95、P99延迟，FPS和吞吐量。
- 质量评估：按类别统计Precision、Recall、mAP，并单独看行人、骑行者等安全类别。
- 功耗与能效：记录典型/峰值功耗，计算FPS/W和每帧焦耳。
- 回归对比：模型或配置变更后，用同一套脚本复测，避免“感觉更快”。
常见误区：只看平均延迟，忽略P99；只报mAP，不报安全类别召回率；功耗在冷机下测量；能效比不绑定模型和分辨率；用训练集指标代替实车闭环指标。这些都会导致性能规划失真。
六、复盘：指标如何驱动算力规划
当系统出现“帧率够但制动晚”时，应优先排查端到端延迟和尾延迟，而不是继续提高FPS；当“召回率不达标”时，应先确认标注质量和置信度阈值，再考虑模型容量与算力；当“功耗超散热预算”时，可通过降低批大小、动态调频、模型量化或任务卸载来优化能效比。最终，算力规划应输出一张指标-约束-配置对照表，明确每项指标的测量口径、目标值和验证方法，使性能、安全与成本三者可追溯、可复现。