1. 课程导入

无人车从实验室原型走向规模化商用，必须跨越一道关键门槛——验收。验收不是简单的“能跑就行”，而是用一套可量化、可复现、可追溯的指标体系，对无人车的感知、决策、控制全链路进行系统性考核。本章作为整个课程的开篇，将首先厘清无人车验收指标的定义与重要性，明确其典型应用场景，并搭建起以识别率、转向稳定性、避障成功率、延迟为核心的四大指标总体框架。后续所有章节都将围绕这一框架展开深度拆解。

一、无人车验收指标的定义与本质

无人车验收指标，是指在特定运行场景（ODD，Operational Design Domain）下，用于量化评价无人车系统是否达到设计任务书或合同约定性能要求的一组可测量、可比较、可复现的工程参数。它不同于研发阶段的调试指标——研发指标关注“系统是否在进步”，而验收指标关注“系统是否达标”。验收指标具有三个本质特征：客观性（不依赖主观感受）、边界性（明确测试条件与通过阈值）、可追溯性（每次测试结果可回溯到具体场景与数据）。

从系统工程视角看，验收指标覆盖了无人车“感知—决策—控制”三大技术栈的闭环质量。识别率衡量感知层“看得准不准”，转向稳定性衡量控制层“跟得稳不稳”，避障成功率衡量决策层“判得对不对”，而延迟则贯穿全链路，衡量系统“反应快不快”。四者相互耦合：识别率下降会直接导致避障成功率降低；转向控制不稳可能引发延迟波动；延迟过大又会让识别结果“过时”，形成恶性循环。因此，验收时必须将四大指标视为一个整体，而非孤立考核。

二、验收指标的重要性：为什么不能“跑起来就行”

无人车是安全攸关系统，其验收标准远高于普通软件或机械产品。重要性体现在四个层面：

• 安全底线：识别率不足可能导致漏检行人，转向不稳定可能造成车道偏离，延迟过高可能错过制动窗口——每一项指标都直接关联人身安全。
• 商业合同依据：无人车采购或运营合同中，验收指标是付款条件、罚则和退出机制的核心条款。没有量化指标，甲乙双方无法达成法律意义上的交付确认。
• 迭代优化基准：只有建立了可靠的指标基线，后续算法升级、硬件更换才能进行A/B对比，判断改动是“变好”还是“变坏”。
• 监管合规要求：国内外自动驾驶法规（如ISO 22737、中国《智能网联汽车道路测试与示范应用管理规范》）均要求企业提供可验证的安全性指标数据。

三、应用场景：不同场景如何影响指标权重

无人车的应用场景决定了验收指标的侧重点。下表对比了四种典型场景的指标权重差异：

这一对比揭示了一个核心原则：验收指标必须绑定ODD（设计运行域）。脱离场景谈指标毫无意义——在封闭园区表现优异的系统，直接迁移到开放道路可能完全不合格。因此，验收方案的第一步永远是明确ODD边界，包括道路类型、天气条件、光照范围、交通密度、速度上限等。

四、四大核心指标总体框架

四大指标构成了一个完整的验收闭环，其逻辑关系可以概括为：感知（识别率）→ 决策（避障成功率）→ 控制（转向稳定性）→ 全链路（延迟）。下面逐一建立初步认知框架。

4.1 识别率（Recognition Rate）

识别率是感知层最核心的量化指标，通常定义为正确检测并分类的目标数量占实际目标总数量的比例。但工程实践中，识别率并非单一数值，而是一个指标族：包括准确率（Precision）、召回率（Recall）、F1分数、平均精度均值（mAP）等。验收时需根据场景选择主导指标——例如在行人检测中，漏检（低召回）的代价远高于误检（低精度），因此验收标准应更严格约束召回率下限。

4.2 转向稳定性（Steering Stability）

转向稳定性衡量无人车横向控制能力，即车辆能否平滑、精确地跟踪规划路径。核心量化参数包括：横向偏差（Lateral Error）——车辆实际位置与目标路径的垂直距离；航向角偏差（Heading Error）——车辆实际航向与目标路径切线方向的夹角；曲率跟踪误差——在弯道中实际转向曲率与期望曲率的偏差。验收时通常统计这些偏差的均值、标准差和最大值，并要求在特定速度区间内满足阈值。

4.3 避障成功率（Obstacle Avoidance Success Rate）

避障成功率是决策层与规划层协同能力的综合体现，定义为在预设的障碍物场景中，无人车成功避开障碍物并保持安全行驶的次数占总测试次数的比例。测试场景必须覆盖静态障碍物（锥桶、路障）、动态障碍物（行人横穿、车辆切入）、以及部分遮挡场景。值得注意的是，避障成功不仅指“没有碰撞”，还包括避障过程中的安全性——例如避障时是否保持安全距离、是否引发后车追尾风险、是否过度急刹导致乘客不适。

4.4 延迟（Latency）

延迟是无人车系统“端到端”响应时间的总和，从传感器采集数据开始，到执行器（转向、制动、加速）完成动作结束。延迟可细分为：感知延迟（传感器曝光+算法推理）、决策延迟（路径规划+行为决策）、执行延迟（线控底盘响应时间）。验收时不仅要关注平均延迟，更要关注尾延迟（P99/P99.9）——极端情况下的延迟尖峰往往才是安全事故的元凶。

五、案例拆解：某园区无人配送车验收指标制定过程

为帮助理解上述框架的实际应用，下面以一个简化的园区无人配送车验收项目为例，展示指标制定与验证的完整闭环。

背景与约束：某物流公司计划在某科技园区内部署5台无人配送车，用于快递从园区门口到各楼宇的配送。园区道路宽度3-5米，人车混行，限速15km/h，运行时间为工作日9:00-18:00。合同要求验收通过后进入试运营阶段。

初始目标与现象：甲方（物流公司）最初只提出“安全、能送、不撞人”的模糊要求。乙方（无人车公司）需要将模糊需求转化为可验收的量化指标。双方经过三轮讨论，最终确定以下验收框架：

1. 识别率验收：在园区典型光照条件下（白天、阴天），行人检测召回率≥99.5%，误检率≤0.1次/千帧；静态障碍物（锥桶、石墩）检测准确率≥99%。
2. 转向稳定性验收：在直线段（≥50m）横向偏差均值≤10cm，标准差≤5cm；在弯道（曲率半径≥5m）横向偏差均值≤20cm。
3. 避障成功率验收：设置20个标准测试场景（含行人横穿、静止车辆绕行、窄路会车），要求避障成功率100%，且避障过程中最小安全距离≥0.3m。
4. 延迟验收：端到端延迟平均值≤300ms，P99延迟≤500ms。其中感知延迟≤100ms，决策延迟≤80ms，执行延迟≤120ms。

关键输入数据与测试过程：测试团队在园区内选取了3条典型路线，每条路线包含直线、弯道、交叉口、人车混行段。使用高精度RTK设备记录车辆真实轨迹，使用激光雷达+摄像头融合方案作为感知真值参考。共进行5天测试，每天8小时，累计测试里程约200km，采集有效场景数据1200余条。

分析判断与问题发现：测试第2天发现，在午后强光照射下（低角度阳光），行人检测召回率降至97.8%，低于99.5%的验收阈值。进一步分析发现，摄像头在逆光条件下过曝，导致部分行人边缘模糊，而激光雷达点云在远距离处稀疏，融合算法未能有效补偿。团队随即调整了摄像头曝光策略，并增加了近红外补光，第3天复测召回率恢复至99.6%。

结果对比与复盘：最终验收结果为：识别率全部达标，转向稳定性在弯道处横向偏差均值18cm（达标），避障成功率100%，平均延迟285ms（P99为460ms）。项目通过验收进入试运营。复盘经验有三点：一是验收指标必须预留“环境边界”——光照变化是影响识别率的最大变量，应在指标中明确光照范围；二是延迟指标要关注分布而非均值——虽然平均延迟达标，但P99接近上限，后续算法升级时应优先优化感知推理的极端耗时；三是联合测试比单项测试更能暴露问题——识别率单项达标不代表系统整体可靠，必须设计跨指标联动的测试场景。

六、常见误区与总结复盘

在无人车验收指标制定与执行过程中，以下误区最为常见：

• 误区一：指标越严越好。过度严苛的指标会导致开发成本急剧上升，且可能因测试环境无法稳定复现而陷入无休止的“验收拉锯战”。合理的做法是设置“基础达标线”和“优秀线”两档。
• 误区二：只看平均值，忽略分布。平均延迟200ms但P99达到800ms的系统，在真实场景中可能比平均300ms但P99为350ms的系统更危险。验收必须同时考核均值与尾值。
• 误区三：忽视指标间的耦合关系。例如，为了提高识别率而增加算法复杂度，可能导致延迟超标。验收时应建立指标间的权衡矩阵，明确优先级。
• 误区四：测试场景与ODD脱节。在晴天测试的识别率不能代表雨天表现。验收场景必须覆盖ODD中声明的所有环境条件。