2. 自动驾驶系统基础
自动驾驶系统并不是一个“端到端黑箱”就能完全解释的工程对象。为了便于研发、调试、验证与评测，业界通常把它拆解为感知、预测、规划、控制四个核心模块，并在其上叠加定位、地图、人机交互、数据闭环与安全监控等支撑系统。理解这四个模块的输入、输出与失效模式，是理解评测指标为何这样设计的前提。
一、四模块的核心职责与数据流
从数据流角度看，自动驾驶系统是一条从“原始信号”到“车辆动作”的链路：传感器给出原始观测，感知把观测变成结构化世界，预测把当前世界外推到未来，规划把未来目标转成可执行轨迹，控制把轨迹转成油门、刹车与转向指令。评测则贯穿这条链路，既评“每一段是否准”，也评“整条链路是否安全、舒适、高效”。
二、各模块的关键输出与典型评测指标
感知模块输出的是“世界是什么”：目标框、语义分割、车道线、可行驶区域、目标速度与朝向。它的评测通常关注检测精度、召回率、测距误差与跟踪稳定性。预测模块输出的是“别人接下来会怎么动”：多模态轨迹、意图概率与交互关系，评测关注轨迹误差、模态覆盖与碰撞概率。规划模块输出的是“我该怎么走”：行为决策与时空轨迹，评测关注安全性、合规性、舒适性与通行效率。控制模块输出的是“如何精确执行”：横纵向控制量，评测关注跟踪误差、响应时延与执行平顺性。
| 模块 | 核心输入 | 核心输出 | 典型评测指标 | 常见失效 |
|---|---|---|---|---|
| 感知 | 图像、点云、雷达回波 | 目标框、语义、车道线、可行驶区域 | mAP、IoU、漏检率、测距误差 | 远距离漏检、遮挡误判、雨雾退化 |
| 预测 | 感知结果、地图、历史轨迹 | 多模态未来轨迹与概率 | ADE、FDE、NLL、碰撞率 | 交互建模不足、长时外推发散 |
| 规划 | 预测轨迹、地图、自车状态 | 行为决策与时空轨迹 | 碰撞率、合规率、舒适度、通行时间 | 博弈僵持、激进变道、轨迹抖动 |
| 控制 | 规划轨迹、车辆动力学 | 油门、刹车、转向指令 | 横向/纵向跟踪误差、时延、超调 | 执行滞后、积分饱和、抖动 |
三、评测在开发流程中的位置
评测不是开发完成后的“最后一道考试”，而是嵌入在 V 模型每一层的验证活动。需求阶段定义指标与通过准则；模块开发阶段做单元测试与离线回放；集成阶段做场景仿真与硬件在环；系统阶段做封闭场地与实车路测；运营阶段用影子模式与数据闭环持续监控。评测左移可以更早暴露问题，评测右移则更接近真实风险。
四、案例场景：一次“鬼探头”从感知到控制的评测链路
假设城市道路中，路边停放车辆后方突然出现行人。感知模块需要在该遮挡场景下尽早检出目标，评测关注漏检率与首次检出距离；预测模块需要判断行人是否横穿，评测关注横穿意图概率与轨迹误差；规划模块需要决定减速还是绕行，评测关注是否在安全距离内停车、是否产生急刹；控制模块需要执行减速，评测关注减速度跟踪误差与响应时延。若最终发生碰撞，需要沿链路回溯：是感知漏检、预测误判、规划过晚，还是控制滞后。
场景：鬼探头（遮挡行人横穿）
评测链路：
1. 感知：首次检出距离 ≥ 35 m，漏检率 ≤ 1%
2. 预测：横穿意图概率 ≥ 0.8，ADE ≤ 0.5 m
3. 规划：TTC ≥ 2.0 s 触发减速，最大减速度 ≤ 4 m/s²
4. 控制：减速度跟踪误差 ≤ 0.5 m/s²，响应时延 ≤ 100 ms
5. 系统：无碰撞、无接管、乘客舒适度达标五、常见误区与复盘
- 只看系统级指标：系统级通过不代表模块健康，模块级指标缺失会导致问题无法定位。
- 用单一场景代表整体：鬼探头、加塞、施工区、雨雾天各有不同失效模式，需要场景分层。
- 忽略时延与一致性：感知、预测、规划、控制之间存在时间戳对齐问题，评测必须考虑端到端时延。
- 把仿真当实车：仿真可复现、可扩展，但传感器噪声与动力学差异需要实车校准。
理解四模块的职责边界与数据流，才能理解评测指标为什么这样分层、基准平台为什么需要多源数据与多级场景。评测的本质，是用可量化、可复现、可归因的方式，回答“系统在什么条件下、以多大概率、安全地完成驾驶任务”。