感知特征距离：在特定决策规则下动态条件下感知系统的稳定性与鲁棒性度量
机器人学
2026-02-24 v2 计算机视觉与模式识别
应用统计
摘要
自动驾驶系统（ADS）的安全性取决于跨距离和驾驶条件的准确感知。AI感知算法的输出具有随机性，这对决策制定和安全结果（包括碰撞时间估计）产生重大影响。然而，当前感知评估指标并未反映感知算法的随机性。我们引入了感知特征距离（PCD），一种新颖的度量，将模型输出不确定性纳入考虑，具体表现为可可靠检测物体的最远距离。为了以可靠检测距离来表示系统的整体感知能力，我们在多个检测质量和概率阈值上对PCD值取平均，得到平均PCD（aPCD）。为进行实证验证，我们提供了SensorRainFall数据集，该数据集在Virginia Smart Road上使用配备传感器（摄像头、雷达和LiDAR）的车辆在不同天气（晴朗和下雨）和光照条件（白天、路灯和夜间）下采集。该数据集包含目标物体的真实距离、边界框和分割掩码。与最先进模型的实验表明，aPCD能够捕捉天气、光照和照明条件之间的有意义差异，而传统评估指标无法反映这些差异。PCD提供了一种考虑不确定性的感知性能度量，支持更安全、更鲁棒的ADS运行，而SensorRainFall数据集为评估提供了宝贵的基准。SensorRainFall数据集公开可在 https://www.kaggle.com/datasets/datadrivenwheels/sensorrainfall 获取，评估代码可在 https://github.com/datadrivenwheels/PCD_Python 获取。
引用
@article{arxiv.2506.09217,
title = {Perception Characteristics Distance: Measuring Stability and Robustness of Perception System in Dynamic Conditions under a Certain Decision Rule},
author = {Boyu Jiang and Liang Shi and Zhengzhi Lin and Lanxin Xiang and Loren Stowe and Feng Guo},
journal= {arXiv preprint arXiv:2506.09217},
year = {2026}
}
备注
This paper has been accepted to the CVPR 2026 Main Conference