关于自动驾驶车辆感知灵敏度评估
计算机视觉与模式识别
2026-02-03 v1
摘要
自动驾驶的可行性严重依赖于感知系统能在实时提供准确可靠的信息，以实现稳健的决策和 maneuver。这些系统不仅必须在理想条件下正常工作，还必须在遭遇自然和对抗性驾驶因素时保持稳定性。这两种类型的干扰都可能导致感知误差和检测分类延迟。因此，有必要评估自动驾驶车辆（AV）感知系统的鲁棒性，并探索提高感知可靠性的策略。我们通过在模拟环境和真实场景下，对基于模型集合的预测灵敏度量化方法进行感知性能评估，捕捉模型间的 disagreement 和推断变异性。提出了一种评估感知性能的概念体系结构。基于AV在不同路面（如干燥和湿润沥青）上的停止距离和车辆速度，开发了感知评估准则。实验中使用了五种最先进的计算机视觉模型，包括YOLO（v8-v9）、DEtection TRansformer（DETR50, DETR101）、Real-Time DEtection TRansformer（RT-DETR）。此外，照明条件受降低影响显著，例如由于雾霾和低太阳高度导致；此外，包含遮挡的对抗路面条件会增加感知灵敏度，当面对组合后的对抗路面条件和恶劣天气时，模型性能会下降。我们还展示了距离道路物体越远，对感知性能影响越大，从而表明感知鲁棒性受到削弱。
引用
@article{arxiv.2602.00314,
title = {On the Assessment of Sensitivity of Autonomous Vehicle Perception},
author = {Apostol Vassilev and Munawar Hasan and Edward Griffor and Honglan Jin and Pavel Piliptchak and Mahima Arora and Thoshitha Gamage},
journal= {arXiv preprint arXiv:2602.00314},
year = {2026}
}
备注
21 pages, 17 figures