解析机器视觉冰山：通过考虑整体环境关系推进动态测试

机器视觉（Machine Vision, MV）对于解决驾驶自动化至关重要。本文探讨了当前针对高度自动化驾驶（HAD）系统的机器视觉测试策略中可能存在的不足。我们主张更全面地理解在机器视觉评估过程中必须考虑的性能因素，并指出忽视这些因素可能导致重大风险。这不仅与机器视觉组件测试相关，也与集成测试相关。为说明这一点，我们将其类比为一艘驶向冰山的船只，以展示当前机器视觉测试策略中潜在的隐藏挑战。本文的主要贡献是提出一个观察环境关系的黑盒测试新框架。这意味着该框架旨在通过考虑相关单个对象的属性和周围环境来增强机器视觉评估。该框架识别了关于机器视觉目标识别的七个普遍关注点，这些关注点在现有的测试流程中未得到充分解决。为了基于其性能因素检测这些缺陷，我们建议使用一种称为“粒度阶”的分类法以及图形化表示。这使得能够在一系列驾驶场景中识别机器视觉的不确定性。该方法旨在提升机器视觉测试程序的精确性、效率和完备性。