面向自动驾驶3D感知错误的基于努力的关键性指标
计算机视觉与模式识别
2026-03-31 v1 机器人学
摘要
关键性指标如碰撞时间(TTC)量化碰撞紧迫性，但混合了虚假阳性(FP)和虚假阴性(FN)感知错误的后果。我们提出两种新的基于努力的指标：虚假速度减缓(FSR)，持续性幽灵检测导致的累计速度损失；最大减速度(MDR)，在常加速度模型下遗漏目标所导致的峰值制动需求。这两种纵向指标由横向逃逸加速度(LEA)补充，改编自先前的横向逃逸动力学，结合可达性基于碰撞时间，以量化预测碰撞所需的最小转向努力。基于可达性的椭球体碰撞滤波确保仅对动态合理的威胁计分，采用帧级匹配和轨迹级聚合。对不同感知管道在nuScenes和Argoverse~2上的评估显示，65-93%的错误是非关键的，Spearman相关性分析证实所有三个指标捕获了无法被现有基于时间的、基于减速度的或归一化关键性措施访问到的安全相关信息，为挖掘最关键的感知失效提供了有针对性的手段。
引用
@article{arxiv.2603.28029,
title = {Effort-Based Criticality Metrics for Evaluating 3D Perception Errors in Autonomous Driving},
author = {Sharang Kaul and Simon Bultmann and Mario Berk and Abhinav Valada},
journal= {arXiv preprint arXiv:2603.28029},
year = {2026}
}