一、感知系统概述

感知系统，说白了就是自动驾驶汽车的「眼睛」和「耳朵」。

我经常跟团队里的新人说：你想想看，人开车靠什么？靠眼睛看路、看车、看行人，靠耳朵听喇叭、听周围动静。感知系统干的就是同样的事——只不过它用的是摄像头、激光雷达、毫米波雷达这些传感器。

在我参与过的几个量产项目中，感知系统通常包含三个层面：

嗯，这里要注意：感知系统不是简单的「传感器+算法」堆砌。我见过不少团队，传感器装了一堆，算法也跑得挺快，但实际路测时就是各种漏检、误检。为什么？因为缺乏系统性的精度闭环验证。

核心观点：感知系统的本质，是从物理世界中提取结构化信息，供后续的规划、控制模块使用。它的输出质量，直接决定了整个自动驾驶系统的安全边界。

感知系统要干的事，归纳起来就三个：检测、分类、跟踪。我习惯把它们叫做「感知三件套」。

检测就是回答「哪里有东西」。

举个例子，摄像头拍到一张图像，检测算法要能框出所有车辆的位置。激光雷达扫到一帧点云，检测算法要能找出所有障碍物的轮廓。

我在项目中遇到过最头疼的问题：检测的召回率和精度怎么平衡？召回率高了，虚警一堆；精度高了，又容易漏检。这个平衡点，说实话没有标准答案，得看具体场景。

避坑指南：我曾经在一个高速NOA项目里，为了追求检测精度，把置信度阈值设得很高。结果呢？高速上有个静止的故障车，系统没检测到——因为点云特征太稀疏，置信度不够。从那以后，我养成了一个习惯：先保证召回率，再用后处理去过滤虚警。

分类就是回答「这个东西是什么」。

检测框出来了，你得知道框里的是车、是人、是自行车，还是路边的垃圾桶。分类的粒度可以很粗（车辆 vs 非车辆），也可以很细（轿车 vs SUV vs 卡车）。

我个人习惯把分类问题分成两类：

你想想看，如果分类错了会怎样？把行人分类成自行车，规划模块可能就不会做紧急避让——后果很严重。

跟踪就是回答「这个东西接下来会去哪」。

单帧检测只能告诉你「现在」的情况。但自动驾驶需要预测未来。跟踪算法通过多帧关联，估计出每个物体的速度、加速度、运动轨迹。

我记得有一次做城市道路测试，有个行人突然从路边停着的公交车前面窜出来。单帧检测根本来不及反应，但跟踪算法提前几帧就发现了这个行人的运动趋势——因为他的位置在连续几帧里都在向车道方向移动。这就是跟踪的价值。

好，现在聊一个关键问题：为什么要做精度闭环验证？

我直接说结论：因为感知系统不是「开发完就完事」的。

你想想看，一个感知模型在训练集上跑得再好，到了真实道路上，光照变了、天气变了、场景变了，性能一定会掉。我见过最夸张的一次，一个模型在测试集上mAP做到0.85，上了路直接掉到0.3——因为训练数据里全是晴天，而测试那天是雨天。

精度闭环验证，说白了就是：

重要提醒：精度闭环验证不是一次性的工作。我参与过的项目，从开发到量产，精度验证至少要做三轮：

每一轮都可能发现新问题，然后回到算法开发去改进。这就是「闭环」的含义。

我个人习惯把精度闭环验证比作「体检」。你不能只在入职时体检一次，然后三年不体检。感知系统也一样，它需要持续监控、持续改进。尤其是在OTA升级后，一定要重新跑一遍精度验证流程——我曾经吃过这个亏，升级了一个模型版本，结果夜间检测性能反而下降了，还好验证流程及时发现了问题。

经验之谈：精度闭环验证最难的不是技术，而是「定义什么是对的」。同一个场景，不同标注员可能给出不同的标注结果。所以，我建议在项目启动时就建立一套完善的标注规范和验收标准，否则后面验证出来的「精度问题」，可能只是标注不一致导致的假象。

这张图展示了我常用的精度闭环验证流程。你看，从传感器数据采集，到算法处理，再到精度评估，如果达标就直接部署；如果不达标，就进入问题分析环节，找到根因后做闭环改进，然后重新验证。这个循环会一直持续，直到精度满足要求为止。

嗯，最后说一句：精度闭环验证不是锦上添花，而是自动驾驶量产落地的必要条件。没有它，你永远不知道你的感知系统在真实世界里到底表现如何。