从竞技场到部署：AV感知仓库中的代码质量挑战
计算机视觉与模式识别
2026-03-03 v1 机器学习
机器人学
软件工程
摘要
自动驾驶( AV)感知模型通常仅在基准性能指标上进行评估，人们很少关注代码质量、生产就绪性和长期可维护性。这在面临国际安全标准的安全关键系统之间创造了显著的差距。为弥合这一差距，我们present了首个大规模经验研究，系统性地分析了AV感知存储库中的软件质量，分析了来自KITTI和NuScenes 3D目标检测竞技场的178个独特模型。我们使用静态分析工具(Pylint、Bandit和Radon)，评估了代码错误、安全漏洞、可维护性和开发实践。我们的发现表明，仅有7.3%的研究存储库满足基本的生产就绪标准，即没有严重错误且没有高危安全漏洞。安全问题高度集中，最前五个问题负责了近80%的发生情况，这促使我们开发了一套可操作的指南来防止这些问题。此外，采用持续集成/持续部署管道与更好的代码可维护性相关。我们的发现表明，竞技场性能并不反映生产就绪情况，针对性的干预可以显著提高AV感知代码的质量和安全性。
引用
@article{arxiv.2603.02194,
title = {From Leaderboard to Deployment: Code Quality Challenges in AV Perception Repositories},
author = {Mateus Karvat and Bram Adams and Sidney Givigi},
journal= {arXiv preprint arXiv:2603.02194},
year = {2026}
}