4. 量产问题分类

在智能驾驶量产问题闭环中，分类不是“贴标签”，而是决定后续处理路径的第一道分诊。同一个“车辆在路口突然减速”的现象，可能来自感知误检、规控策略保守、执行器响应延迟、地图数据错误，甚至可能是驾驶员误操作。若分类错误，责任团队、复现方法、验证指标和关闭标准都会随之偏离。因此，量产问题分类的核心目标是：用统一维度快速定位问题域，把问题路由到正确的责任链，并选择匹配的验证手段。

一、六类问题的定义与边界

量产问题通常分为六类：功能问题、性能问题、安全问题、体验问题、数据问题和系统问题。它们并非互斥，而是从不同视角描述同一故障。实际工作中，一个复杂问题往往同时具备多个属性，但必须确定主分类，否则会出现“人人有责、无人闭环”的局面。

• 功能问题：功能是否按设计执行。例如车道保持无法激活、自动泊车中途退出、AEB未触发。关注“有没有、对不对”。
• 性能问题：功能能执行，但指标不达标。例如制动距离偏长、响应延迟超阈值、跟车距离波动大。关注“快不快、稳不稳、准不准”。
• 安全问题：涉及人身或车辆安全的风险，包括误触发、漏触发、非预期加速/制动、功能降级未提示等。关注“是否造成危害”。
• 体验问题：功能与性能均达标，但用户主观感受差。例如变道过于激进、提示音频繁、HMI信息难懂。关注“用户是否愿意用”。
• 数据问题：由数据采集、标注、训练、地图或回放数据导致的问题。例如某类锥桶漏检、地图限速错误、回放数据时间戳错位。关注“数据是否可信、完整、一致”。
• 系统问题：跨模块、跨域、跨版本的集成与资源问题。例如CPU占用过高导致丢帧、CAN通信超时、OTA后参数不兼容、多传感器时间同步失败。关注“系统是否稳定协同”。

二、分类判断流程

建议采用“四问法”进行主分类判定：第一问，功能是否按设计执行？若否则归为功能问题；第二问，是否涉及安全危害？若是则优先归为安全问题；第三问，指标是否达标？若否则归为性能问题；第四问，是否由数据或系统集成引起？若是则分别归为数据问题或系统问题。若以上均不满足，但用户主观评价差，则归为体验问题。

三、分类维度对照表

为了减少争议，团队应建立统一的分类对照表，明确每类问题的典型特征、责任域、复现手段和关闭标准。下表可作为量产问题分诊的基线模板。

四、案例：一次“路口误减速”的分类过程

某量产车在无保护左转路口频繁出现非预期减速。初步现象看似功能问题，但按四问法分析：功能确实执行了减速，不属于功能失效；未造成碰撞，暂不归为安全问题；减速幅度和时机超出设计阈值，属于性能问题；进一步回放发现，感知将路边广告牌误识别为车辆，根因是训练数据中缺少该类广告牌样本，最终主分类为数据问题，同时附带性能表现。责任域从规控转移到感知数据团队，复现手段改为数据回溯与重标注，关闭标准变为模型回归通过且实车验证无复现。

五、常见误区与复盘要点

• 误区一：把所有问题都归为功能问题。导致性能、数据、系统问题被掩盖，回归测试无法覆盖真实根因。
• 误区二：安全问题被降级为体验问题。例如误触发AEB被解释为“过于灵敏”，可能掩盖安全风险。
• 误区三：数据问题被当作算法问题。若不检查数据分布和标注质量，算法团队会陷入无效调参。
• 误区四：系统问题被拆成多个功能问题。资源竞争、时序错位等跨模块问题需要系统级视角，否则会反复出现。

问题分类记录模板：
问题ID：PR-2024-0417
现象：无保护左转路口非预期减速
主分类：数据问题
次分类：性能问题
责任域：感知数据组
复现方式：数据回放 + 实车验证
关闭标准：模型回归通过，实车1000km无复现
状态：已关闭

复盘时，团队应重点检查三件事：第一，主分类是否与根因一致；第二，责任域是否随分类迁移而更新；第三，关闭标准是否可量化、可复现。只有分类、路由、验证三者一致，量产问题闭环才不会退化为“谁声音大谁负责”的扯皮流程。