鲁棒性是函数而非数字：面向基于视觉的驾驶的 OOD 鲁棒性因子化全面研究

在自动驾驶中，分布外（OOD）鲁棒性常被简化为单个数字，掩盖了具体是哪些因素导致策略失效。我们沿六个维度分解环境：场景（农村/城市）、季节、天气、时间（白天/夜晚）和行驶员混合情况；并对受控的 k 因子扰动（k ∈ {0,1,2,3}）进行性能测量。使用 VISTA 中的闭环控制，我们对比评估了 FC、CNN 和 ViT 策略，训练紧凑型 ViT 头部在冻结基础模型特征上进行微调，并变更 ID 支持的规模、多样性和时间上下文。(1) 与等效规模的 CNN/FC 相比，ViT 策略在 OOD 鲁棒性上显著优于，且基础模型特征在延迟成本下实现了最先进的成功率。(2) 朴素的时序输入（多帧）未优于最佳单帧基线。(3) 最大单因子性能下降为农村→城市和白天→夜晚（约各 31%）；行驶员置换约 10%，中度雨天约 7%；季节变化影响显著，组合时间翻转与其他变化会进一步恶化性能。(4) 基础模型特征策略在三重变化下仍保持 85% 以上；非基础模型单帧策略首次下降即大幅受损，所有无基础模型模型在三重变化后跌破 50%。(5) 交互作用是非加性的：某些组合部分抵消，而季节-时间组合尤为有害。(6) 在冬季/雪天训练最能抵御单因子变化，而农村-夏季基线在整体 OOD 性能上最佳。(7) 扩展轨迹/视图数量可提升鲁棒性（从 5 条轨迹提升 11.8 分至 14 条轨迹），但针对困难条件的有针对性暴露可替代规模。(8) 使用多个 ID 环境可扩充覆盖范围并加强薄弱环节（城市 OOD 从 60.6% 提升至 70.1%），但 ID 单环境保留峰值性能仅限于狭小域。这些结果为 OOD 鲁棒驾驶策略的设计提供了可操作的指导原则。