📚 课程目录第4章性能验证基础

4. 性能验证基础

智能驾驶功能从标定完成到量产落地，必须经过一套可追溯、可量化、可复现的性能验证过程。标定解决的是“参数是否合理”，而性能验证回答的是“功能在真实场景中是否足够安全、稳定、舒适”。如果缺少清晰的验证目标、层级划分和评价体系，测试就会退化为“跑里程、看现象”，既无法定位问题，也无法支撑功能放行决策。本节围绕验证目标、部件/系统/整车三级验证层级，以及指标与评价体系展开。

一、验证目标：从需求到可判定的结论

性能验证的第一原则是“目标先行”。验证目标不是“把功能测一遍”，而是把功能需求、法规要求与安全目标转化为可判定的验收条件。通常包含三类目标：

功能正确性：功能是否在设计的运行设计域（ODD）内按预期触发、执行和退出，例如自适应巡航是否在目标车速范围内稳定跟车。
性能达标性：关键性能指标是否满足设计阈值，例如纵向减速度波动、横向控制偏差、响应时延等。
安全与鲁棒性：在边界场景、传感器退化、执行器受限等条件下，功能是否仍能保持安全状态或可控降级。

验证目标必须可度量、可复现、可追溯。一个合格的验证目标应能回答：在什么场景下、以什么输入、观察哪些指标、达到什么阈值才算通过。例如“在高速公路跟车场景中，目标车以 2 m/s² 减速度制动时，本车最大减速度不超过 3.5 m/s²，且跟车时距偏差不超过 ±0.3 s”。

验证目标 = 场景条件 + 输入激励 + 观测指标 + 判定阈值 + 通过准则。缺少任何一项，验证结论都不可信。

二、验证层级：部件、系统、整车

智能驾驶是典型的“感知—决策—控制—执行”链路系统，单一层级验证无法覆盖跨模块耦合问题。工程上通常采用三级验证金字塔：部件级、系统级、整车级。层级越低，可控性越强、复现成本越低；层级越高，越接近真实使用条件，但变量更多、问题定位更难。

部件级验证面向传感器、执行器、控制器等独立部件。例如摄像头在逆光下的目标识别率、毫米波雷达的测距精度、EPS 的转角跟踪误差、制动系统的建压响应。部件级验证强调接口一致性和边界性能，是后续系统集成的基线。

系统级验证面向功能域或子系统组合，例如 AEB 系统、LKA 系统、ACC 系统。此时关注的是信号链闭环：感知输出是否被正确融合、决策模块是否给出合理目标、控制指令是否被执行器正确响应。系统级验证常采用 HIL（硬件在环）和台架测试，可在受控条件下大量重复边界场景。

整车级验证面向真实车辆在真实道路或试验场中的表现。它覆盖多系统耦合、环境扰动、驾驶员交互和法规场景，是功能放行的最终依据。整车级验证成本最高，因此必须由部件级和系统级验证“兜底”，避免把本可在台架发现的问题带到实车阶段。

三、验证指标与评价体系

指标是验证的“尺子”，评价体系是“裁判规则”。智能驾驶性能指标通常分为安全类、功能类、舒适类和效率类。安全类指标优先级最高，包括碰撞避免率、最小安全距离保持、误触发率、失效降级正确性；功能类指标关注功能是否按设计工作，如场景通过率、目标识别率、响应时延；舒适类指标关注纵向加速度波动、横向加速度、 jerk（加加速度）和转向平顺性；效率类指标关注通行效率、跟车时距和能耗。

评价体系需要解决三个问题：指标如何加权、场景如何采样、结论如何判定。常见做法是建立“场景—指标—阈值”矩阵，对每个场景定义必测指标和通过阈值，再按风险等级赋予权重。高风险场景（如行人横穿、前车急刹）权重高，低风险场景权重低。最终通过准则可以是“所有安全类指标 100% 通过，功能类指标通过率不低于 95%，舒适类指标满足分布要求”。

验证层级	典型对象	核心指标	主要手段	输出结论
部件级	摄像头、雷达、EPS、制动执行器	精度、识别率、响应时延、跟踪误差	台架、暗室、数据回灌	部件性能基线
系统级	ACC、AEB、LKA、融合定位	场景通过率、误触发率、控制偏差	HIL、台架、场景仿真	系统闭环达标结论
整车级	完整车辆与真实交通	接管率、碰撞避免率、舒适性、法规符合性	试验场、真实道路、影子模式	功能放行依据

四、案例与场景：一次 AEB 性能验证的组织方式

以 AEB 功能为例，部件级验证先确认毫米波雷达和摄像头在目标距离、相对速度上的测量精度，以及制动系统从指令到建压的响应时延。系统级验证在 HIL 中批量注入 CCRs、CCRm、CCRb 等标准场景，检查 TTC 计算、触发时机和减速度指令是否满足设计。整车级验证则在试验场按法规场景实测，记录碰撞避免率、减速度峰值和驾驶员接管情况。

验证配置示例（AEB 系统级）：
场景集：CCRs / CCRm / CCRb / 行人横穿
初始车速：20 / 40 / 60 km/h
目标：TTC 触发阈值 1.6 s，最大减速度 ≤ 6 m/s²
通过准则：碰撞避免率 100%，误触发 0 次/1000 km
数据记录：TTC、目标距离、减速度、制动压力、功能状态

三级验证不是简单重复，而是逐级收敛风险：部件级保证“单点可信”，系统级保证“链路闭环”，整车级保证“真实可用”。任何一级缺失，都会把风险后移，增加实车阶段的问题定位成本。

五、常见误区与复盘

误区一：只做整车验证。实车变量多、复现难，一旦出现问题很难判断是感知、决策还是执行导致。应先用部件级和系统级缩小问题范围。
误区二：指标没有阈值。只记录“减速度曲线”而不定义合格范围，验证结论无法判定。指标必须配套阈值和通过准则。
误区三：场景权重平均分配。高风险场景与低风险场景等权，会掩盖安全短板。应按风险等级和法规要求加权。
误区四：忽略降级与失效。只验证正常功能，不验证传感器遮挡、通信超时、执行器受限等状态，无法支撑安全放行。

复盘要点：每次验证失败都应回溯到具体层级和具体指标，形成“问题—场景—指标—阈值—修复—回归”的闭环记录。没有闭环的验证，只是重复劳动。

综上，性能验证基础可以概括为：以可判定的验证目标为起点，以部件、系统、整车三级层级为骨架，以安全、功能、舒适、效率四类指标为尺度，以场景权重和通过准则为裁判规则，最终形成可追溯、可复现、可放行的评价体系。只有把“测什么、在哪测、怎么判”三件事同时定义清楚，智能驾驶功能的性能验证才真正具备工程意义。