2. 基础知识
无人车是一个典型的复杂嵌入式智能系统，其核心运行逻辑可以抽象为“感知—决策—控制”三层闭环架构。理解这一架构是掌握验收指标的前提：识别率、转向稳定性、避障成功率和延迟，本质上分别对应感知层、控制层、决策层以及系统级通信的质量度量。若脱离架构谈指标，容易陷入“数字好看但车跑不稳”的陷阱。本章先建立系统架构的整体认知，再阐明验收指标如何嵌入开发与测试流程，为后续各指标的精确定义与测试方法打下基础。
2.1 无人车三层架构的核心原理与数据流
无人车的“感知—决策—控制”并非简单的线性流水线，而是一个带反馈的闭环系统。感知层负责将物理世界的连续信号转换为结构化语义信息；决策层基于语义信息生成驾驶行为意图与轨迹；控制层将轨迹转化为底层执行机构的物理动作。三者之间通过明确的数据接口衔接，任何一层的性能短板都会在系统级指标上暴露。
感知层的核心任务包括目标检测（车辆、行人、骑行者）、车道线识别、交通标志与信号灯识别、可行驶区域分割以及目标跟踪。其输出通常是带时间戳的目标列表（含类别、位置、速度、朝向）和栅格化地图。决策层接收感知输出后，先进行意图预测（如判断前方行人是否要横穿），再进行行为决策（跟车、停车、变道、绕障），最后生成一条平滑的轨迹曲线（包含路径点与速度曲线）。控制层则根据当前车辆位姿与目标轨迹的偏差，计算转向角、油门开度和制动压力，并通过CAN总线或以太网发送给线控底盘。
数据流的关键特征在于“时间同步”与“空间对齐”。摄像头、激光雷达、毫米波雷达的采样频率不同（如30Hz、10Hz、20Hz），必须通过时间同步机制统一到同一时间基准；不同传感器安装位置不同，需要外参标定将目标统一到车体坐标系。决策层和控制层的运行频率通常为10-50Hz，而底层执行器的控制周期可能高达100Hz。这种多速率系统的协调是延迟指标的重要来源。
2.2 验收指标在V模型开发流程中的角色
无人车系统开发普遍采用V模型流程，左侧是逐层分解（需求→设计→实现），右侧是逐层集成与验证（单元测试→集成测试→系统测试→验收测试）。验收指标在V模型中扮演“需求基线”和“测试判据”的双重角色。
| V模型阶段 | 验收指标的角色 | 典型活动 |
|---|---|---|
| 需求分析 | 定义量化指标（如识别率≥95%、延迟≤150ms） | 与客户/安全标准对齐，确定测试场景 |
| 系统设计 | 指标分解到子系统（感知/决策/控制） | 分配预算：延迟预算、误差预算 |
| 单元测试 | 验证算法模块的局部指标 | 感知模块的mAP、控制模块的跟踪误差 |
| 集成测试 | 验证模块间接口与数据一致性 | 时间同步精度、消息丢失率 |
| 系统测试 | 在整车环境中验证综合指标 | 封闭场地测试、仿真场景批量测试 |
| 验收测试 | 最终判定是否达标 | 第三方测试、安全认证、道路测试 |
在需求分析阶段，验收指标必须满足SMART原则：具体（Specific）、可测量（Measurable）、可达成（Achievable）、相关（Relevant）、有时限（Time-bound）。例如，“避障成功率”不能只写“车辆能够避开障碍物”，而应明确为“在干燥沥青路面、光照充足、障碍物为静止行人假人、车速30km/h条件下，100次测试中成功避障次数≥98次”。
在系统设计阶段，需要将系统级指标分解为子系统预算。以延迟为例：摄像头采集延迟10ms、感知算法处理50ms、决策规划30ms、控制计算10ms、底盘执行50ms，合计150ms。如果系统级延迟要求为150ms，那么每个环节的预算必须留有余量，并考虑调度抖动和通信开销。这种预算分解方法同样适用于识别率（感知层召回率与精确率的权衡）和转向稳定性（控制带宽与执行器延迟的匹配）。
2.3 测试环境与测试方法的分层设计
验收指标的测试不能只在实车上进行，需要采用“仿真测试—硬件在环（HIL）—封闭场地—开放道路”的四级测试策略。每一级测试的保真度不同，成本不同，适用的指标侧重点也不同。
- 纯仿真测试（SIL）：在软件环境中运行感知、决策、控制算法，使用虚拟传感器数据。适用于大规模场景遍历、极端工况测试（如传感器故障、恶劣天气）。可统计识别率、避障成功率的统计分布，但无法验证真实传感器噪声和控制执行延迟。
- 硬件在环测试（HIL）：将真实的控制器（域控制器）接入实时仿真系统，传感器信号通过仿真器注入。可以验证决策和控制算法的实时性、延迟指标，以及控制器与底盘通信的稳定性。转向稳定性中的控制延迟、超调量可以在HIL中精确测量。
- 封闭场地测试：在真实车辆上安装全部传感器，在可控场地内进行测试。这是验证识别率（真实光照、天气）、转向稳定性（真实路面附着系数）和避障成功率（真实障碍物）的必要环节。测试场景包括直线加速、紧急制动、蛇形绕桩、行人横穿等。
- 开放道路测试：在获得许可的公开道路上进行长距离测试，主要验证系统在真实交通流中的综合表现，但难以重复相同场景，因此通常不作为定量验收的主要依据，而是作为安全性和鲁棒性的补充验证。
测试方法上，需要建立“场景库”的概念。场景库包含功能场景（如直道跟车）、逻辑场景（如不同车速、不同障碍物距离的参数组合）和具体场景（明确的参数取值）。验收时，从场景库中抽取代表性场景，按照统计学方法确定测试次数，以保证结果的置信度。例如，要验证避障成功率≥98%，在95%置信水平下，至少需要149次有效测试且全部成功（零失败），才能证明该指标达标。
2.4 案例拆解：某园区无人车延迟预算分配与验证
某无人配送车项目要求在园区道路上实现最高车速15km/h的自动驾驶，系统级端到端延迟指标定为≤200ms（从传感器曝光时刻到车辆开始响应）。初始测试发现，实际延迟达到320ms，导致车辆在紧急避障时制动距离超出预期。
初始现象与数据：使用CANoe记录各节点时间戳，发现摄像头曝光到图像数据到达域控制器耗时35ms（含传输），感知算法（YOLOv5s + 深度估计）平均耗时85ms，决策规划（基于采样的轨迹生成）耗时60ms，控制计算耗时15ms，底盘执行（线控转向/制动响应）耗时80ms，合计275ms。此外，由于CPU负载波动，感知耗时P95达到120ms，导致偶发延迟超过350ms。
分析判断过程：首先，将延迟分解为“传感器链路”“计算链路”“执行链路”三段。传感器链路中，摄像头曝光时间固定，但图像传输采用USB3.0，存在帧堆积现象；计算链路中，感知算法使用了较大的输入分辨率（1280×720），且未使用TensorRT加速；执行链路中，底盘CAN报文周期为20ms，制动指令从发送到液压建立压力需要约60ms，这是物理瓶颈。
实际操作步骤：
- 将摄像头分辨率降至960×576，感知耗时从85ms降至55ms，识别率下降约0.8%（在可接受范围内）；
- 启用TensorRT FP16推理，感知耗时进一步降至35ms；
- 将决策规划从基于采样的方法改为参数化曲线（Dubins曲线+速度剖面），耗时从60ms降至25ms；
- 优化线程调度，将感知、决策、控制绑定在不同CPU核心，并设置实时优先级，P95延迟从120ms降至45ms；
- 与底盘供应商协商，将CAN报文周期从20ms缩短至10ms，制动响应从80ms降至65ms。
结果对比：优化后，端到端延迟为35+35+25+15+65=175ms，P95为190ms，满足≤200ms的指标。同时，紧急制动距离从原来的1.8m缩短至1.2m（15km/h车速下），避障成功率从92%提升至98.5%。
风险与代价：降低感知分辨率导致小目标（如远处行人）的检测距离缩短约15%，因此增加了前向毫米波雷达的融合权重作为补偿。TensorRT FP16在部分老旧GPU上可能存在算子兼容问题，需要回归测试。缩短CAN周期增加了总线负载，需确认不影响其他ECU通信。
复盘经验：延迟指标必须从系统角度做预算分解，不能只优化单一环节。同时，验收测试中应同时记录平均延迟和P95延迟，并注入CPU负载干扰来验证系统的抗干扰能力。该案例也说明，识别率与延迟之间存在权衡，验收时需要联合调优，而非各自独立达标。
2.5 常见误区与总结复盘
在无人车验收指标的理解与执行中，以下误区最为常见：
- 误区一：指标越多越好。实际上，过多的指标会导致测试成本爆炸，且指标之间可能相互矛盾（如识别率与延迟）。应聚焦于与安全性和可用性强相关的核心指标，并建立指标间的优先级。
- 误区二：只看仿真结果。仿真环境无法完全模拟传感器噪声、通信延迟和底盘非线性特性。仿真通过后必须进行实车验证，且实车测试的场景覆盖度要足够。
- 误区三：忽略指标的可重复性。识别率测试中，如果光照、风速、路面湿度发生变化，结果可能大幅波动。验收测试必须规定环境条件范围，并在报告中记录实际环境参数。
- 误区四：将系统级指标直接下放为子系统指标。例如，系统延迟200ms不等于感知延迟必须≤50ms，因为各环节存在重叠执行的可能（如感知尚未完成时，决策可以基于上一帧数据先行规划）。正确的做法是建立端到端的时序模型，而非简单累加。
总结而言，无人车验收指标的制定与测试是一个系统工程问题。首先需要深刻理解感知—决策—控制架构中数据流与反馈机制；其次，要利用V模型将指标逐层分解与逐层验证；再次，要采用多级测试策略平衡成本与保真度；最后，要警惕指标间的耦合关系，在测试中采用联合分析的方法。只有将验收指标嵌入到整个开发与测试生命周期中，才能确保无人车系统在真实场景中达到预期的安全与性能水平。