2025年面向关键触发条件的智能网联汽车感知系统SOTIF测评研究白皮书-CAICV

IV1.0初稿合稿同济大学北京地平线机器人技术研发有限公司上海机动车检测认证技术研究中心有限公司北京五一视界数字孪生科技股份有限公司2025.01.20V2.0格式修订同济大学2025.01.25V3.0同济大学2025.09.29同济大学陈君毅、夏天、刘镇源北京地平线机器人技术研发有限公司刘泽晖、贾通、杨虎、曹浩龙、强劲、陈珂、胡泉、王静上海机动车检测认证技术研究中心有限公司马雪寒、王潇屹、邢星宇北京五一视界数字孪生科技股份有限公司张安春、郜峰 1随着自动驾驶相关技术的快速进步，汽车行业正在逐步进入智能网联汽车市场广以及数据闭环体系的探索构建，相关安全测试验证的需求也进入了新阶段。近年来，准入认证的标准化和科学化进程正不断加速，以确保技术的可靠性、功能的完感知系统作为智能网联汽车的“眼睛”，为车辆提供外界真值信息，其鲁棒性和可靠性直接关系到汽车行驶过程的安全性。但系统容易受到恶劣天气条件与复杂交通环境等各类触发条件的影响，使其无法实现预期功能，导致预期功能安全深入探究触发条件导致感知系统功能局限的具体机理，有助于改进感知系统功能局限从而提升安全性。任务组在前序工作总结基于事件链的感知系统性能局限与触发条件分析框架，筛选总结关键感知触发条件实例，并提出不同触发条件的风险评估方法，实现对于触发条件的全面探索。而具体到不同触发条件，需要进一步探索合适的测试方法与测试维度，明确现阶段不同类别触发条件测试的主要矛盾，保通过对于触发条件实例的分析总结，可以将触发条件分为特殊触发条件与典型触发条件两大类别。对于特殊触发条件，其定义模糊、复现困难或是较为长尾，例如降雨、特殊目标物等，现阶段重点在于如何保证触发条件模拟的有效性，以得到高置信的测试结论。对于典型触发条件，其定义清晰、复现容易且大都常见，例如目标物遮挡等，现阶段则需要聚焦于系统层面，确立感知系统在此类触发条件下的在特殊触发条件方面，任务组以降雨及特殊目标物为例，深入探索两类触发条件的模拟有效性；在典型触发条件方面，以前车切出遇静止车辆为例，初步总结感第一章在机器视觉维度以真实降雨为基准，全面、定性地对比不同降雨模拟方法真定量分析场地模拟降雨的综合模拟有效性，并在雨滴物理分布维度提出真实度评估方法；第三章对于特殊目标物在实车与仿真层面的感知效果进行对标，探究特殊目2标物类触发条件的模拟有效性；第四章探索典型触发条件下的感知错误可接受水平判定方法，并选取前车切出场景，依托地平线硬件在环平台，设计感知系统错误可接受水平实验，通过对标成熟驾驶员制动模型，对于被测系统的感知错误水平进行本报告工作重点为感知系统预期功能安全测试评价研究实践，旨在为智能网联提供思路。报告第一章主要由同济大学与上海机动车检测认证技术研究中心有限公司共同完成；第二章主要由同济大学完成；第三章主要由北京地平线发有限公司与北京五一视界数字孪生科技股份有限公司共同完成；第四章主要由北京地平线机器人技术研发有限公司、同济大学、上海机动车检测认证技术研究中心3针对降雨这一视觉感知系统高暴露率及高风险触发条件，各类降雨模拟方法是主要的测试手段，但模拟降雨复现困难，其真实度也会显著影响到测试结果的置信度与有效性。为全面探究对比不同降雨模拟方法的真实度，本章从图像质量与目标检测两方面选取指标量化降雨对图像产生的影响，以真实降雨下指标变化数值范围针对智能网联汽车测试而言，不同的降雨模拟方法不仅影响原始图像质量，也可能导致不同的目标检测结果，使得测试结果存在差异。因此，本节从图像质量和4首先，在真实降雨和不同的模拟降雨下，输出图像数据；然后，基于降雨对机器视觉影响的量化方法，揭示各级真实降雨对于视觉感知系统影响的统计性规律；再者，对比多类模拟降雨对于机器视觉产生的影响是否一致；最终分析得到降雨模测试方法无雨图像的指标平均值作为基准，计算指标相较于基准的变化情况来量化降雨对机器视觉不同方面产生的影响，从而避免由于不同测试方法输出图像差异导对于图像质量评价指标，可以分为全参考、半参考与无参考指标。基于全参考通过计算降雨图像与基准图像之间的像素级差异通过指标数值体现降雨的影响。而真实工况下场景多样，对于不同模拟方法又难以得到场景完全一致的参考图像，且方式对于图像中的细节或边界信息进行量化，能够反映出图像的整体清晰程度。而图像细节被破坏。因此以上指标从原理上可以较好地评Brenner梯度函数通过间隔像素灰度值的差的平方来计算图像梯度，评估生成图像的模糊度。函数数值越大，代表细节信息越丰富DBre(f)=Σi,jIg(i,j)-g(i+2,j)I2(1-1)式中：DBre(f)为图像Brenner函数值，f为输入图像，g(i,j)为图像在(i,j)处的Tenengrad梯度函数使用Sobel算子对于图像水平与垂直方向的梯度信息进行提取，综合每个像素点梯度值，评估图像质量。函数数值越大，说明包含更多边缘信DTen(f)=ΣΣIG(i,j)I，G(i,j)>T(1-2)ji5式中：DTen(f)为图像Tenengrad函数值，f为输入图像，Gx(i,j)与Gy(i,j)分别为像素点(i,j)处与Sobel水平与垂直检测算子的卷积；T为设定的边缘检测阈值参由于各类模拟方法生成的图像在分辨率和清晰度上存在差异，Brenner与Tenengrad指标受这些差异影响，无法直接通过数值反映降雨对图像的影响。为此，本章将各类方法下无雨图像的指标均值作为基准，计算不同降雨等级下图像指标的下降比例，作为图像质量评价标准，用以综合比较不同降雨模拟方法的效果。指标DR(1-4)式中：DR（DamageRatio,DR）为降雨对于图片质量的破坏程度，fb为无雨基-------准图像，fr为有雨图像，D(f)为前文Brenner与Tenengrad函数值，D(fb)为无雨基近年来，基于深度学习的目标检测算法成为主流，基于结构差异可分为，双阶代表性的单阶段YOLOv8算法完成目标物检测任务，其检测mAP为43.4%[6]。针对目标检测效果，从状态和存在两个维度选取分类置信度（ClassificationConfidence,CC）和漏检率（MissingRate,MR）[7]作为评价指标，量化降雨条件下由算法直接输出。MR表示以一次检测任务中目标物未被检测到的比例，具体计算MR(1-5)其中，MR为漏检率，FN为假阴样本例数，TP为真阳样本例数。6本节介绍真实降雨以及各类降雨模拟方法下图像采集的结果。由于以真实降雨以获取其统计性结果。其他各降雨模拟方法，仅采集同一场景下无雨与三级模拟降任务组选取行人作为预期感知要素，图像采集基础场景的设置为，视觉传感器调研现有常用图像数据集结果如表1-1所示。现有数据集大多在良好天气状态下采集，缺乏真实降雨图像。少数包含降雨条件的数据集，其标注也仅停留在顶层信息（有雨、无雨或者为人工合成的数据，无法区分具体的降雨等级，难以适数据集有无雨标注标注类型是否真实场景多样性数量（103张）KITTI[8]无/是高BDD100K[9]无/是高Cityscapes[10]无/是高25CADC[11]无/是高7.50Nuscense[12]有有雨/无雨是高40Boreas[13]有有雨/无雨是中Rain800[14]有有雨/无雨否（人工合中0.80Rain12600[15]有否（人工合中12.60SPA[16]有有雨/无雨是低0.15SIRR[17]有有雨/无雨是低1NMRD(ours)有无雨/大雨/中雨/小雨是中本章结合前置研究[18]构建并扩充真实多级降雨图像数据集（NaturalMultilevel1NMRD数据集可由开源网站获取：/raydison/natural-multilev7图像采集时，参照团标《T/CMSA0013-2019短时气象服务降雨量等级》[19]中采集雨强进行降雨等级判断。由于降雨采集设备精度限制，参照天气预报，将降雨近似定性划分为小、中、大三个等级。分别采集如图1-3、图1-4所示无雨条件及无雨小雨中雨无雨小雨中雨其中，针对图像质量评价，通过选取尽可能多样的场景以扩展指标分布区间，张。针对目标检测评价，选定其中23个场景，布置目标物，每个包含目标物的场场地物理模拟降雨基于可分级调节降雨强度的模拟降雨设备开展。为了对比不8无雨小雨大雨无雨小雨同的场景参数，对于降雨展开仿真模拟，场景参数设置如表1-2、表1-3示。图像输出结果如图1-7、图1-8和图1-9参数类型参数名称参数设置无雨场景小雨场景大雨场景行人型号walker.pedestrian.0016行人初始纵向距离20m场景参数道路类型带人行道双向四车道太阳高度角90°太阳方位角90°雨0%20%50%云0%70%80%90%地面积水0%50%70%100%湿度0%20%40%无雨小雨大雨9参数类型参数名称参数设置无雨场景小雨场景大雨场景行人型号PedWithUmbrella行人初始纵向距离20m场景参数道路类型带人行道单向双车道12:00光照强度50%雨0%30%60%90%云0%90%95%100%地面干湿度0%40%70%无雨小雨中雨参数类型参数名称参数设置无雨场景小雨场景大雨场景行人型号Male_adult行人初始纵向距离20m场景参数道路类型带人行道双向双车道12:00雨0%25%100%能见度100%100%50%地面反射0%20%50%无雨小雨大雨选取基于生成对抗网络构建的分级降雨图像生成模型，RCCycleGAN[18]。该模泛化性，并支持大中小三级降雨图像的生成。向模型输入无雨图像，获取各级降雨无雨小雨中雨本节基于机器视觉真实度对比研究框架，揭示真实降雨对于机器视觉影响的规本节基于图像质量与目标检测评价指标，从指标数值与趋势上探究真实降雨对于视觉感知系统产生影响的规律。通过对于真实降雨样本进行假设检验，若指标满足各降雨等级之间的差异性检验，则同时分析趋势和数值范围的规律，否则仅探讨对于以上指标进行相关性分析。基于Spearman相关性分析，结果显示两个指标之间存在强相关性(ρ=0.943,P=0.000<0.05）。基于以上分析，本章后续只选取a)Brenner梯度b)Tenengrad梯度（P=0.00<0.05）差异显著，但中雨-大雨差异无统计学意义。随降雨等级增加，指感知图像输入至目标识别算法，计算各降雨强度下的∆MR与∆CC，其平均值结果下不满足显著性检验（H=0.841,P=0.66>0.05差异不显著。∆CC计算结果如图1-13所示。降雨强度∆MR∆CC小雨0.0000.0090.000-0.026大雨0.0000.014通过计算破坏程度以及分类置信度在三级降雨下的四分位差，即指标分布的75百分位数与25百分位数的差值，可以反映在各类模拟降雨特定等级下指标的分布情评价指标DRCC降雨等级小雨大雨小雨大雨场地物理模拟降雨A0.0850.0080.0170.0470.0080.007场地物理模拟降雨B0.0020.0030.0020.0040.0040.006仿真数字模拟降雨A0.0020.0050.0070.0140.0210.030仿真数字模拟降雨B0.0020.0020.0020.0100.0210.030仿真数字模拟降雨C0.0010.0010.0010.0090.0080.012生成模型模拟降雨0.0030.0010.0030.0150.0530.030数值区间，波动均较小，因此使用指标平均值表征各类模拟降雨下图像质量以及目以无雨（基础场景）下原始感知图像为基础，价指标，其结果如图1-14所示。从图中可以发现场地物理模拟降雨A随着降雨强目标检测方面，计算两种场地物理模拟降雨下的目标物的CC，其结果如图 进一步对于真实降雨和各模拟降雨下图像质量的指标结果进行汇总分析，其中真实降雨为其他模拟方法的对照基准。由于在真实降雨下，DR存在显著性差异，表征真实降雨对图像产生的影响范围，从而探究模拟降雨指标平均值是否符合真实在指标趋势上，真实降雨条件下，随降雨强度的增加，图像质量在在小雨-中雨以及小雨-大雨满足上升趋势。对于各类降雨模拟方法，验证降雨等级间的差异调整显著性r降雨等级小雨-中雨小雨-大雨场地物理模拟降雨A0.2200.000**场地物理模拟降雨B0.000**0.000**仿真数字模拟降雨A0.041*0.000**仿真数字模拟降雨B0.000**0.000**仿真数字模拟降雨C0.000**0.000**生成模型模拟降雨0.000**0.000**注：“*”表示显著性水平为0.05“**”表示显著性水平为0.01各类降雨下图像破坏程度结果汇总如图1-20和表1-8所示。其中场地物理模拟上升，且满足差异性检验。仿真软件A在各级降雨下的DR均符合真实降雨区间，仿真软件B在小雨下DR过高，而C在各级降雨下DR都高于真实降雨，且差距较破坏程度数值范围趋势降雨等级小雨大雨小雨-中雨小雨-大雨真实降雨25百分位数25.2%44.6%41.3%上升上升75百分位数53.5%71.1%73.2%场地物理模拟降雨A↑↑√××场地物理模拟降雨B↓√↑√√仿真数字模拟降雨A√√√×√仿真数字模拟降雨B↑√√××仿真数字模拟降雨C↑↑↑√√生成模型模拟↑↑↑√×注：“√”表示符合真实降雨指标变化趋势或该指标位于真实降雨的第25-75百分位数范围内“↑”表示高于此范围“↓”表示低于此范围“×”表示不符合真实降雨变化趋势对于行人目标物，场地物理模拟降雨、生成模型模拟降雨和和仿真数字模拟降2）∆CC对比降雨等级小雨大雨评价指标∆CC∆CC∆CC真实降雨25百分位数-0.016-0.067-0.01975百分位数0.038-0.0030.071场地物理模拟降雨A√↑↑场地物理模拟降雨B↑↑√仿真数字模拟降雨A√↑√仿真数字模拟降雨B√↑√仿真数字模拟降雨C√↑↑生成模型模拟降雨√↓√注：“√”表示该指标位于真实降雨的第25-75百分位数范围内“↑”表示高于此范围“↓”表示低于此范围雨模拟方法。每个维度的真实度得分取决于模拟方法能够在哪些降雨等级下与真实并没有降雨模拟方法能够在所有比较维度均与真实降雨均保持一致。横降雨等级DR数值范围DR趋势MR数值范围∆CC数值范围综合真实度场地物理模拟降雨A★☆☆☆☆/★☆☆☆☆☆场地物理模拟降雨B★☆☆★★/★☆☆★☆☆仿真数字模拟降雨A★★★★☆/★★☆★★☆仿真数字模拟降雨B★★☆☆☆/★★☆★☆☆仿真数字模拟降雨C☆☆☆★★/★☆☆★☆☆生成模型模拟降雨☆☆☆★☆/★★☆★☆☆注：“★”数量表示模拟降雨在特定指标维度下的真实度“/”表示不进行比较本章以降雨触发条件为例，以下游视觉感知任务为切入点，全面定性对比多种降雨模拟方法在机器视觉维度上的真实度。首先构建评价指标集，用于量化对比各降雨下指标的规律为基准，从图像质量和目标检测结果两个维度横向对比各降雨模拟方法，结果表明仿真数字模拟降雨相较于其他两类方法具有相对较高的机器视觉场地模拟降雨通过产生物理降雨实现降雨触发条件的模拟，因此广泛适用于各类感知系统的实车测试，但也带来降雨在物理层面模拟有效性的问题。本章进一步聚焦场地模拟降雨，通过引入激光雨滴谱仪，采集真实降雨与模拟降雨及对应降雨下的传感器数据，定量分析场地测试降雨模拟在降雨微观物理分布与对不同传感器下游任务表现影响层面的综合模拟有效性，并基于雨滴物理分布提出场地模拟降雨为了从降雨物理分布与下游任务呈现两方面展开研究，本节选取降雨与传感器指标实现量化对比。降雨物理分布层面，本章从微观层面出发，引入现有气象学相本章选取了激光雷达和摄像头两类类主流传感器，更全面地探究两类降雨对不同传感器下游感知任务产生影响的一致性。并且依据传感器的工作过程可以进一步把传基于研究背景，降雨的分析与比较应当从微观分布的层面进行探究，任务组通过使用如图2-1所示的Parsivel2激光雨滴谱仪实现降雨微观数据的采集。该设备原理示意图如图2-2所示，传感器的变送器单元可以产生一束水平光，当雨滴通过时会遮挡和散射激光束，位于光束另一端的接受器单元接收透过雨滴后的光信号，会12.3.4节场地模拟降雨真实度评估方法相关研究论文网络首发于液态降水的直径测量量程为0.2至5毫米，对于固态降水的量程为0.2本章将雨强作为先验的降雨核心指标，基于雨强探究微观指标分布。降雨等级划分同样参照团标《T/CMSA0013-2019短时气象服务降雨量等级》示。由于真实降雨中大雨等级以上的短时降雨出现概率较低，所以把大雨及以上等时段雨强（mm.h-1）30分钟短时小雨<0.5<1.0<2.0短时中雨0.5~0.91.0~1.92.0~3.9短时大雨1.0~1.92.0~3.94.0~7.9短时暴雨2.0~4.94.0~9.98.0~19.9短时大暴雨5.0~15.010.0~30.020.0~50.0短时特大暴雨>15.0>30.0>50.0响反射散射与衰减，摄像头表面附着水渍影响清晰度。因此相较于各类目标检测算激光雷达的原理是通过发射激光波束并测量其在不同角度和距离位置上的反射信号来获取目标区域的三维点云数据。本章只选取目标物所在的感兴趣区域（RegionofInterest,ROI）进行量化评估。摄像头使用感知指标即图像质量评价指传感器类型传感器感知指标指标符号激光雷达平均点云数量Naverage个平均反射率Raverage%反射率信息熵refbit反射率信噪比SrefdB摄像头破坏程度DR/不同传感器有各自的目标检测算法对于原始感知数据进行检测处理。激光雷达检测算法多样，可以分为基于投影、基于体素以及基于多模态融合的方法。视觉目标检测算法可以分为两类，一类为特征提取，另一类基于深度学习，典型算法如YOLO。传感器检测指标如下表2-3所示，为区分不同传感器设置对应下标。由于传感器类型传感器检测指标指标符号激光雷达漏检率MRLiDAR/纵向检测距离误差σxLiDARm横向检测距离误差σyLiDARm摄像头分类置信度CCcamera/漏检率MRcamera/研究主要通过实验的手段探讨场地模拟降雨在微观分布与下游任务中的模拟有置两部分实验，分别采集真实降雨与模拟降雨的微观数据以及两类降雨下的传感器的速度直径-数量的分布矩阵，也能够基于内部拟合的算法输出雨强等信息。对于降雨微观数据，按分钟进行采集划分，以每分钟作为一组数据。目标物方面，考虑其中激光雷达配备RS-LiDAR-Algorithms目标检测算法，摄像头采用Y雷达型号RS-RubyLite波长905nm水平角分辨率竖直角分辨率<0.1。水平视场角360。垂直视场角40。最大探测距离230m距离精度±3cm摄像头型号IFV300分辨率1920*108030FPS水平视场角52°垂直视场角39°动态范围MobileyeEQ3激光雷达与摄像头集成于如图2-3所示的数据采集平台，真实降雨实验场地的选择需要考虑到实验平台搭建、目标物放置位置降雨不受周围建筑等影响，因此需要相对开阔的场地。真实降雨实验场地如图2-4所示。全长405m，设置有双向四车道，道路两侧设置有降雨模拟喷头，模拟降雨实验场地如图2-5所示。图2-6为模拟降雨设备的示意图。道路两侧的模拟降雨设备水泵的叠加组合对应着不同的输出压力。设备存在小中大雨三种喷头，从设计的角本节主要可以分为两部分，真实降雨数据采集与模拟降雨数据采集实验，为后借助激光雨滴谱仪收集不同等级真实降雨微观数据，为与模拟降雨对比提供基础。在空旷处布置激光雨滴谱仪，按每分钟一次频率分均匀性结果如图2-8所示。结果表明纵向均匀，后续只考虑横向差异。最终在指定0m5m10m15m20m本节采集两类降雨下传感器对假人目标物的感知与检测数据，对比不同降雨对基于筛选出的模拟降雨工况，探究不同传感器在分级模拟降雨下对目标物的感知受影响程度。实验同步采集模拟降雨数据，以验证集到传感器数据，实验过程如图2-9。作为对比基准。选择空旷地带，以假人为目标物采集传感器数据，与真实降雨采集数据类型小雨/组大雨/组总计/组降雨微观数据真实降雨391712模拟降雨///34传感器数据真实降雨21模拟降雨///对于真实降雨分布的规律进行总结，并同样对比模拟降雨下的趋势与差异，对比分的行对应不同的雨滴粒径区间，列对应不同的雨滴速度区间。矩阵元素表示采如图2-11所示，为某一真实降雨样本的速度粒径-颗粒数分布热力图。其中横坐标表示雨滴粒径，其上的数字表示雨滴粒径的范围；纵坐标表示雨滴粒子速度，轴上的数字表示雨滴速度的范围；图中每一个格子内的颜色深浅反映了对应粒径速度等级下雨滴颗粒数的多少。由于在极高速与大粒径区间不会分布雨滴，因此热力a)真实降雨样本分布热力图b)模拟降雨样本分布热力图总体上来看，随雨强增加模拟降雨并不像真实降雨那样具有非常明显统一的变化的规律。相较于真实大雨，模拟降雨中低速小粒径的雨滴粒子在大雨强下仍然占据很高的比重。而在真雨样本中，在雨强增大的过程里，雨滴粒子粒径显著增加，粒子速度也会对应增加。因此模拟降雨热力图中的着色区域在分布形态上会更加向此外存在个别模拟降雨样本，与其他模拟降雨的分布形态显著存在差异。如雨强12.6mm/h的模拟降雨，整体的分布热力图本身虽然能够进行最为直观的比较，但是无法很好地从数量级上探究雨滴的分布。所以研究进一步从把热力图降维到速度-颗粒数与粒径-颗粒数两个维度图2-13为不同雨强真实降雨样本（左）和模拟降雨样本（右）的粒径-颗粒数二维分布。随着雨强的增加，雨滴颗粒数的增加集中在一定范围内。从小雨得到中超过小粒径雨滴数量。就模拟降雨粒径-颗粒数分布而言，不同雨强下形态相对一a)真实降雨样本粒径-颗粒数分布b)模拟降雨样本粒径-颗粒数分布图2-14为不同雨强真实降雨（左）和模拟降雨（右）的速度-颗粒数二维分布。模拟降雨的降雨颗粒主要集中在小粒径中低速的区间上，并且随着雨强的增加，颗粒数的增量也仍然出现在以上区间上；而真实降雨随着雨强的增加，主要的增量会出现在大粒径中高速的区间上。另一方面，模拟降形态，而真实降雨随着雨强的增加会逐渐变为双峰，主峰出现在大粒径中高速的区a)真实降雨样本速度-颗粒数分布b)模拟降雨样本速度-颗粒数分布以上两种分布的分析仍然基于激光雨滴谱仪的较。而气象降雨相关研究会通过把速度维度折算进数浓度指标，以此得到降雨雨滴谱分布。数浓度提供了一个单位体积内雨滴数量的标准化度量，使得不同时间、地点或条件下的测量数据可以直接比较，不会受到测量体积大小差异的影响。因此本章也对于不同雨强下的数浓度分布展开比较，并总结规律。图2-15为不同雨强降雨a)真实降雨样本雨滴谱分布b)模拟降雨样本雨滴谱分布模拟降雨的离散雨滴谱分布并没有随着雨强增加有一致的变化趋势，并且部分样本的呈现存在明显的不同。相较于同雨强的真实降雨，模拟降雨的粒径跨度区间明显更窄，但是峰值的数值更高。另一方面，真实降雨随着雨强的增加基于前序章节分析，场地模拟降雨在物理分布上与真实降雨存在较大差异，因本节选择雨滴谱仪直接输出得到的雨滴分布矩阵作为真实度评估的基础，其包含了降雨样本粒径、速度和数量的雨滴分布信息，是描述降雨特征最基础、最直接的物理量，已被广泛应用于气象降雨观测模拟研究中，也是其他降雨确定场地模拟降雨在雨滴分布层面比较的评估基准，是量化分析场地模拟降雨在微观分布上与真实降雨之间的差异或是近似程度的关键。本节基于真实降雨样本的雨滴分布矩阵作为构建真实度评价基准的基础。但由于真实降雨样本按分钟划分，每个样本都存在特异性与不确定性，单个样本的雨滴分布矩阵无参照气象学相关研究[24]，可以将降雨样本基于雨强划分等级，求取平均分布以探究雨滴分布的共有规律。因此如图2-16所示，对于真实降雨样本划分为小中大雨三级，由此为基础计算各级降雨下的平均分布热力图，并作为代表各级降雨雨滴分布的真实度评估基准，避免了特异性带来的偏差，突出特定等级下真实降雨样本共由实验采集得到真实小雨样本391组、真实中180180组，计算得到图2-16所示三级真实降雨下的平均分布热力图作为后续真实度评估基准。三级平均分布热力图同样符合真实降雨雨滴分布随雨强的变化趋势，即雨a)小雨评估基准构建b)中雨评估基准构建a)大雨评估基准构建基于雨滴分布评估基准，即真实降雨下的平均分布热力图，通过量化待评场地模拟降雨样本在雨滴分布热力图维度与评估基准之间的相似性，由此量化场地模拟似性计算的方式可以量化样本与基准之间的相似度，从而评估雨滴分布真实度。本性，把模拟降雨样本与真实降雨基准的原始数据矩阵元素类比于像素点输入公式，在此基础上，通过分析采集得到的模拟降雨样本的雨滴分布矩阵，主要存在两方面的异常雨滴分布。一方面，部分样本中大量低速小粒径的雨滴分布在真实降雨样本中是不存在的；另一方面，部分模拟降雨在矩阵元素的数值量级上远高于对应雨滴分布情况进行识别与区分，帮助更有针对性地评估真实度，具体相似度计算公S(X,Y)=ptotal.SSIM(X,Y)(1)i,ji,ji,ji,j式中，S为待评样本与评估基准在雨滴分布上的相似性，由总惩罚系数ptotal与待评降雨样本雨滴分布矩阵X和评估基准Y之间的结构相似性相乘得到。总惩罚系数ptotal的设置，考虑到待评样本雨滴分布矩阵中两部分异常元素：异常分布元素数pdist与异常数值元素数pval。其中，pdist统计待评样本中非零，但在基准中对应位置元素为零的异常分布元素的数量；而pval则统计待测样本中数值与基准矩阵中对应元素存在数值量级差异的异常数值元素的数量。通过将两者加和并与待评样本计算平均分布热力图得到。而当样本雨强位于降雨等级划分的边界时，其分布会与相邻基准之间均有较高的相似性。为解决以上问题，本节引入降雨等级的模糊隶属度，模糊待评降雨样本等级划分的边界，并以隶属度数值作为权重，将样本与所有等级基准的相似度加权求和，以得到最终的雨滴分布真实度计算结果。基于梯形模式中，μlight，μmedium，μheavy分别是小中大雨三级的模糊隶属度，R为待测降雨样本的雨强数值。由于真实降雨仅被划分为三个等级，因此对于雨强高于大雨等级的待评样本归入大雨等级中。最终，通过分别计算被测样本与三级评估基准之间的相似性，再以隶属度作为权重进行加权加和，得到场地模拟降雨雨滴分布真实度（RealismofRaindropRRD=μlight*slight+μmedium*smedium+μheavy*sheavy(8)式中：slight，smedium，sheavy分别代表待评样本与小中大三级真实度评估基需要阐明的是，由于本方法使用样本的雨滴分布矩阵与评估基准之间的相似度作为雨滴分布真实度，即使是真实降雨样本也会存在与基准之间的差异，使得样本应用本节提出方法，对于实验采集得到的模拟降雨样本进行雨滴分布真实度评准。考虑到部分模拟降雨雨强过大，缺少对应等级的评估基准，因此从雨强位于大基于数值结果，样本S3具备更高的雨滴分布真实度，能够更真实地模a)样本S3b)样本S4a)样本R650b)样本R664c)样本R670d)样本R675较。其中，RRD值更高的样本S3，在雨滴分布的形态以及数量级本一致性较高。而样本S4中存在大量低速小粒径的雨滴粒子，力图的左下区域，与真实降雨的雨滴分布差异较大。由此可见，对于模拟降雨样本而言，即使雨强近似，微观分布也存在极大的差异。而本节方法能够对于样本S4从模拟降雨测试设置的角度来看，基于单一雨强指标无法对于模拟降雨雨滴分布的模拟效果进行评估。本节提出的RRD指标相较于雨强，能够从微观雨滴分布验证模拟和真实降雨对下游任务影响的相似性。基于两类降雨的传感器数据，对比不同传感器对特定目标物的感知、检测情况是否一致来验证。整体思路上，通过检验不同等级真实降雨下传感器指标结果的差异性是否显著，探究真实降雨下传感器指标数值分布与变化规律，通过对比模拟降雨传感器指标结果是否与真实降雨规律对于不同降雨等级下各项感知指标的差异性进行检验，当存在显著差异则比较指标数值范围与趋势，否则只比较指标结果的数值范围，由此验证场地模拟降雨是在三级真实降雨下，激光雷达的平均点云数量naverage在小雨、中雨、大雨等级在较高数值波动；平均反射率refaverage分别为8.29%、7.24%、6.68%，存在差异且仅小雨-大雨显著，整体呈下降趋势；反射率信息熵E-ref分别为1.64bit、1.53bit、1.47bit，存在差异且小雨-中雨、小雨-大雨显著，整体先减小后在低数值波动；反射率信噪比SNRref分别为1.64bit、1.53bit、1.47bit，存整体呈下降趋势。激光雷达感知指标在三级真实模拟降雨下数值与趋势如图2-19所示，其中箱图表示真实降雨下指标分布范围，红色点为模拟降雨下指标数值，线段（a）平均点云数量naverage（b）平均反射率refaverage（c）反射率信息熵E-ref图（a）为三级模拟降雨下naverage的数值与趋势。指标的趋势与真实降雨相符合，随着降雨等级的增加，数量先上升后平稳。并且除去模拟小雨等级下点云数量略低于真实降雨的分布，中大雨等级下，平均点云数量均位于真实降雨指标分布的图（b）为三级模拟降雨下refaverage的数值与趋势。整体趋势上，模拟小拟大雨，平均反射率下降，符合真实降雨趋势；但在数值上，均低于三级真实降雨下的平均反射率。表明场地模拟降雨对于反射率的影响十分显著，结合2.3的分析，致，但是数值均低于三级真实降雨。考虑到反射率信息熵的计算方式以及平均反射率指标的数值，在三级模拟降雨下，大部分点云的反射率数值聚集到一个比较小的低于真实小雨，最终趋势上与真实降雨不同。但是模拟中雨与模拟大雨的数值整体在真实降雨的指标分布区间内。模拟小雨下的较低数值表明在该工况下，点云反射率的数值波动很大，使得指标数值较低。推测原因可能是由于输出压力的不足，降视觉感知指标在三级模拟降雨下的数值趋势如图2-20所示，并与真实降雨的数视觉感知指标为破坏程度，三级降雨下DR数值分布如图2-20所示。小雨等级下平均DR为0.30，中雨等级下为0.47，大雨等级下0.60。DR在三级降雨下存在差异（H=205.7,P=0.00<0.0（P=0.00<0.05）之间均存在显著差异，整体趋势随着降雨等级的增大，降雨对于图像质量的破坏程度逐渐增大。指标整体趋势与1.3.1中指标结果接近，其中本章中大雨等级间的趋势呈现可能是由于一致的数据采集背景，同时本章降雨等级划分与真实降雨下的趋势吻合。但是在指标数值上，场地模拟降雨对于图像的破坏程度均高于真实降雨。推测原因可能有两方面：首先是模拟降雨中小颗粒对于图像清晰度带来的破坏；其次由于降雨模拟设备产生的降雨因为角度等原因会更加容易溅射MRLiDAR平均小于0.01，等级间无显著差异；纵向检测距离误差σxL存在差异，小雨-大雨差异显著，且随降雨等级增加逐渐减小；横向检测距离误差三级模拟降雨下激光雷达检测指标情况如图2-21所示。在模拟小雨与模下，激光雷达的漏检率均较小，但是在模拟大雨下出现一定的漏检。σxLiDAR在三级模拟降雨下的数值均高于真实降雨下的指标分布，并且随着降雨等级的增加，误差快速增加，趋势上与真实降雨不符。σyLiDAR在三级模拟降雨下整体数值均高于真实a)漏检率b)纵向检测距离误差c)横向检测距离误差摄像头的视觉检测指标在三级真实降雨以及三级模拟降雨下的情况如图2-22所示。在三级模拟降雨下，视觉分类置信度均位于真实降雨的分布范围内。视觉漏检基于以上的分析与对比，本节对于模拟降雨下三类传感器各项指标的数值范围表2-7分别从三级模拟降雨的指标数值是否位于真实降雨的分布区间以及趋势传感器类趋势小雨大雨激光雷达感知naverage↓√√√refaverage↓↓↓√ref↓↓↓√SNRref↓√√×检测MRLiDAR√√↑/σxLiDAR↑↑↑×σyLiDAR↑↑↑/摄像头感知DR↑↑↑√检测√√√/MRcamera√√↑/数值传感器指标注：数值部分，“√”表示位于真实降雨数值分布范围内，“↑”“↓”表示高于或低于真实降雨数值分布范围趋势部分，“√”表示符合真实降雨趋势，“×”表示不符合真实降雨趋势，“/”表示不对趋势进行比较就感知指标来看，基于真实度评价选出的三级模拟降雨，在多数感知指标趋势上与真实降雨相符，能体现不同降雨等级对传感器影响的差异。激光雷达点云数量指标数值匹配良好，但点云反射率相关指标数值低于真实降雨分布范围，这或许是大量小粒径雨滴对激光雷达信号散射与吸收所致。摄像头的感知指标趋势也与真实降雨一致，然而各级模拟降雨对图像质量的破坏程度均高于真实降雨，可能是降雨模拟设备的降雨喷洒方向致使雨滴更易附着在传感器表面，降低图像清晰度，如图2-23所示。就检测指标而言，各级模拟降雨对检测算法影响均大于真实降雨，激光雷达与视觉检测在真实降雨下基本无漏检，模拟大雨有漏检，激光雷达检测误差在模拟降雨中大幅增加。总体上，三级模拟降雨对传感器感知与检测挑战高于真实降雨，虽部分指标能一定程度复现真实降雨影响，但无法完全对应真实降雨，有效性难以保本章聚焦于场地模拟降雨这一降雨触发条件物理模拟手段，通过对比真实降雨和模拟降雨在微观分布和传感器影响上的相似性，定量分析了模拟降雨的综合模拟有效性，并在降雨物理分布维度提出真实度评估方法。研究结果表明，被测场地模拟降雨在高速大粒径雨滴的模拟上存在差异，基于评估方法能够有效筛选高真实性的模拟降雨工况。同时，模拟降雨对下游感知任务的影响大于真实降雨，在传感器道路中障碍物的多样与随机对于智能驾驶感知系统带来实车测试受限于较高的测试成本且测试效率不足，因而通过仿真测试的方法是较优的选择。本章针对特殊目标物类触发条件，选取各类常见障碍物作为研究对象，通过仿真重建的方式，进行了实车与仿真感知结果的对标，从而探索常见障碍物仿真在现阶段自动驾驶系统ADS快速开发迭代的环境下，基于三支柱法（仿真测试、封闭场地测试、开放道路测试）的测试执行策略已经在行业内得到了广泛的应用。其中，仿真测试凭借其测试场景获取方便且可复现、测试成本较低，以及可加速并行高效测试的特点，成为了测试执行的重要方法。理想情况下，在ADS软件开发周期内，具备完善场景集的成熟仿真测试系统可以迅速地对新增或改进的模型形成域控制器后，HIL测试也能承担域控上车虽然仿真测试具备诸多优势，但一些明显的缺陷也限制了其在测试领域发挥更大价值。首当其冲的是仿真器渲染场景的真实性问题，仿真无法全面准确地还原现实中无限复杂的驾驶环境和相关对象，例如天气变化（大雾、暴雨、眩光）、路况（锥桶、纸箱、轮胎）。大多数情况下，仿真软件中的相关目标和真实世界中的相同目标，存在着肉眼可见的差异。在仿真中不能完全还原真实世界中的目标，仿真发现了一些意料之外的问题。如在仿真测试中，存在将路边的护栏误检为车辆的情况，如下图3-1a；对于并排行驶的大货车，识别输出为两辆车（截断如下图3-1b。将以上仿真中的问题在实车测试中进行复现，寻找到类似的护栏或者大货车场景（护栏类型和车辆外形并非完全一致发现基本上没有出现相关感知问题。a)触发场景示例1（道路结构误识别）b)触发场景示例2（车辆误识别）为了探究仿真测试中的感知和面向真实世界的感知究竟有何差距，以及造成这个差距的原因，我们希望通过设计实验来进行验证。为此我们提出了几个仿真与真a)仿真器中的车、人、障碍物等素材的建模和真实世界的素材在外观、尺b)仿真器中的渲染引擎渲染出的图像和真实世界的图并已经根据实车传感器配置情况在仿真器中进行了相关传感器参数配置，所以本章由于仿真器中的渲染效果主要受限于渲染引擎，本实验中的仿真测试均基于假设a，即仿真器中素材的建模和真实世界的素材在外观、尺寸、质感等方面并不下图3-2中根据是否存在SOTIF触发条件与真实世a)在道路上设置典型的障碍物场景（本实验仅将相关障碍物随意摆放至合理b)根据典型障碍物的样式和尺寸，在仿真资源库中进行精细化1:1建模，并c)使用建设的精细化模型，在Simone中对实车测试的场景进行还原，形成可e)将实车感知结果与在仿真中还原的场景感知结果进行对比分搭载地平线过程版本软件与设备的测试车辆；集成了与实车版本一致软件包的PIL测试平台，PIL平台利用域控处理器板端进行感知回灌，利用模拟器的动力学模块进行规控闭环，用于功能的性能摸底和指标分析其链实验收集常见障碍物如表3-1所示。编号障碍物名称示意图材质尺寸1婴儿车金主体-塑料顶棚、座椅-防水布底部到顶棚高105cm，前轮轴心横向间距42cm，后轮中心横向间距58cm，前后轮轴心纵向距离66cm，把手最高离地距108cm，底盘离地距离7cm，婴儿座舱宽36cm，婴儿坐舱空间高70cm，前轮直径18cm，后轮直径25cm。2手推车铝合金长71cm，宽47cm,板面离地高度10cm，厚度4cm，把手宽43cm，离地高度84cm。3轮胎橡胶轮胎内径45cm，外径66cm，厚度22cm4大纸箱牛皮卡纸长50cm,宽33cm,高20cm5小纸箱牛皮卡纸长30cm,宽24cm,高20cm6障金属总高60cm，直径7cm7雪糕筒底座直径（边长）30cm,底座高4cm，总高度64cm,上直径（边长）7cm,下直径（边长）18cm。8色底座边长27cm,离地5cm，下截面边长18cm,顶截面边长8cm，总高70cm9色底座总边长宽35cm,去掉棱角部分的边长为12cm,总高69cm,下截面边长20cm，上截面边长9cm用于提供仿真环境和场景的渲染，作为域控感知部分的输入。同时，51world相关按照图3-6中的测试步骤执行实车测试与仿真测试，分别获得实车条件下和仿复现的场景，其中场景1为包含行人+正常状场景1感知效果对标如下方图3-7与图3-8所示。根据感知模型检出的效果进行统计得到如图3-9所示结果，仿真与实车的模型场景2感知效果对标，如下方图3-10与图3-11所示。根据感知模型检出的效果进行统计得到如图3-12所示结果，仿真与实车的模根据以上两份对标结论，可以看到对于精细化建模的目标，同一版本软件在实车测试和Simone仿真测试中的检出效果其中，对于正常状态障碍物的识别效果均良好，当障碍物倾倒后，实车和仿真的检出效果下降也是较为一致的。因为，我们可以认为对于精细化建模的非标障碍物（上述障碍物列表覆盖的仿真测试的结论还是具有一定可信度的，同时也可以一定程度上覆盖相关的测试任务。对于动态障碍物，以及考虑特殊天气、光照的场等关键目标在仿真测试中的真实性，研究其不同动态状态下对感知真实性带来的挑渲染方面的能力得到了大幅度提升。我们也将基于图3-2中列出的四象限，进一步长久看来，自动驾驶开发中的仿真测试不可或缺，如何提升仿真场景的真实性和可靠性，也是仿真软件开发和使用方都倍加关注的问题。我们希望通过持续的验证和对标，尽可能明确当前仿真软件的能力边界，使其更精准高效地为自动驾驶发典型触发条件具有明确的定义、易于复现且较为常见，通过从系统层面的整体评估，探讨在此类触发条件下感知系统的错误可接受原则，从而实现对感知系统预期功能安全的测试与验证。本章以人类驾驶员驾驶表现作为基线，提出典型触发条件下感知系统错误可接受水平判定方法，并通过选取前车切出遇静止前车的场景，在感知系统预期功能安全的讨论中，典型触发条件通常包含那些定义明确、容易复现且在实际应用中频繁出现的情况。这些条件通常与常见的系统行为、环境因素或传感器的工作状态相关。例如，环境光照变化、传感器被遮挡、或是车辆行驶中的典型障碍物等，都是典型触发条件。典型触发条件的重要性在于它们能够帮助算法在对应触发条件下的测试大多是充分的。因而，针对典型触发条件，应当聚焦于系统层面，通过整车表现对于感知系统发生错误的可接受水平进行探究，并总结感知错误可接受判定准则。这不仅有助于设计阶段预防潜在的安全隐患，确保系统在真实道路环境中的稳定运行，还能够在事故发生后帮助对于感知系统错误归因与像头、雷达、激光雷达等传感器）在获取、处理和解释环境信息时所产生的偏差或失误。这些错误可能表现为误检、漏检或错误分类等，即感知系统无法准确识别、感知错误的发生与具体触发条件密切相关，出现误通常由环境因素、传感器特性、算法局限性等问题引起。在系统层面分析由于典型触发条件导致的感知错误对整车表现的影响时，需要通过系统在环测试或是错误素（可能危害）时，例如慢速前车、桩筒或是横穿行人等，系统需要快速识别目标元素并执行恰当的避撞行为。而当如图4-1所示，典型触发条件导致感知错误发生时，如对于目标元素的漏检或误检，VUT决策控制环节会出现相应的延迟，使得在包含可能危害的具体场景中，被测车辆可以采取不同的避撞策略，包括紧急制动与紧急转向等，最终是否能够避免碰撞的发生同样与VUT的避不同避撞策略成功的前提均是保证与目标元素（可能危害）之间具有足够的距离，综上，当感知错误发生时，感知系统响应情况、VUT避撞能力与具体场景参知错误是否可接受，需要综合考虑以上所有因素，并对系统在不同逻辑场景下的性性时，必须确保新方案在整体上至少与现有方案或基线方案同等有效或更好；ALARP原则主张风险应降低到“合理可行的最低水平”，需要权衡风险水平与降低风险的成本；MEM原则关注系统改进后相较于现有系统风险引起的死亡或危害风险不会显著增加；PBR原则考量新系统的总体风险，而不受限于对于典型触发条件导致的感知预期功能安全问题，需要在具体场景中测试分析错误可接受水平的基准，得到如图4-2所示的感知错误可接受原则，即系统在典型由4.1.1小节的分析，感知错误是否可接受与感知系统响应情况、被测车辆避撞能驶且慢于自车。此时，在具体场景中，被测车辆避撞能力确定，可以通与目标元素的距离是否足够VUT进行极限避撞进行判定。因此行减速时，被测车辆是否能够避撞可以通过如下公式进行判定，即感知错误可接受始距离中，实现完全避撞所需要距离的占比；Terr为感知错误时长，为风险可感知时刻到感知系统稳定感知时刻的时长；TTC0为风险可感知时刻的TTC值，基于场景初始距离D0以及被测车辆与目标元素的相对速度计算得到；D1为极限避撞距离，外基于感知错误可接受判定公式，能够得到如图4-3所示的感知错误可接受判定坐此外，当R1>1，表征过程中感知系统完全没有检测到目标元效区域；当R2>1，表征在对应场景初始参数下，受限于基于以上的判定坐标系，同样可以将人类驾驶员在相同场景下的驾驶表现绘制员制动模型在前车切出场景中的表现绘制如图4-4与图4-5所示的人类驾驶员基准如图4-4所示，当人类驾驶员未发生碰撞时，人类驾驶员基准点落在左下方区域。依据感知错误可接受标线与人类驾驶员基准点，可以将坐标系分为三个区域：（1）当被测车辆坐标点位于区域①,表征VUT成功避撞，但感知响应慢于人类（2）当被测车辆坐标点位于区域②,表征VUT成功避撞且感知响应优于人类，（3）当被测车辆坐标点位于区域③,表征VUT未能避撞，感知错误不可接受。如图4-5所示，当人类驾驶员发生碰撞时，人类驾驶员基准点位于右上方区域。依据标线与基准点可以将坐标系分为三个区域：感知错误可接受区域，感知错误不（1）当被测车辆坐标点位于区域①,表征VUT成功避撞，感知错误可接受；（2）当被测车辆坐标点位于区域③,表征VUT未能避撞且感知响应慢于人类，（3）当被测车辆坐标点位于区域④,表征VUT未能避撞，但感知响应优于人类基于4.1小节提出的感知错误可接受水平判定方法，任务组选取了前车切出后试平台，开展了针对基于视觉感知的域控制器的感知错误可接受水平实验，实现方实验选取如图4-6所示的前车切出遇静止车辆场景作为测试场景。此类场景中包含明确的触发条件即静止前车被部分遮挡，感知错误为不能稳定感知被遮挡目标车。对于被测车辆而言，需要感知系统快速稳定识别被部分遮挡的静止前车，从而实验整体框架如图4-7所示，通过筛选具体测试场景，分别获得感知系统与对标人类驾驶员在相同场景下的制动表现，实现感知系统错误可接受水平的评估在具体测试场景的选择上，任务组参照《面向智能网联汽车的成熟驾驶模型白选场景进行搭建，得到如图4-8所示的仿真测试场景。序号VUT与GVT1跟车距离（m）VUT与GVT1行驶速度（m/s）GVT1变道距离GVT1变道时间18.3223320442555307622.1272038254930535627.720225330440545633.320230335445520556如图4-9所示，地平线硬件在环平台通过PC、F环测试系统。PC端使用51-Simone仿真工具构建执行感知与规划控制，输出执行感知与规划控制，输出AEB响应，而后自车的行为通过车辆动力学在仿真器实验目的为探究被测感知系统在静止目标车部分暴露时的检测表现，是否能够及时实验依托地平线硬件在环（HIL）测试平台，被测系统为基于视觉感知的域控的场景文件接入硬件在环平台。域控通过输入的图像对于场景元素进行识别，当连由于感知可接受水平判定过程需要明确制动过程，后盒模型确定。因而如图4-11所示，HI任务组参照白皮书中如表4-2所示的成熟驾驶员制动模型，在前车切出场景中建压，最大制动减速度为-7.93m/s^2。基于下表所示的制动模型，可以获得人类驾模型参数参数值决策响应时间（s）制动效能提升时间（s）0.51自车最大制动减速度（m/s^2）-7.93车辆的完整制动过程进行计算。此外，通过综合对比人类驾驶员与AEB模型在相同工况下的制动表现，基于如图4-12所示的混淆矩阵进行可视化，得到如图4-13所示的散点图。图4-13中，灰色点表征对应场景下，前车无法完成切出行为与静止前车发生碰撞；图中蓝色点表征前车顺利切出，且人类驾驶员能够完成避撞行驶的AEB模型模型A模型B模型C30kph40kph切出速度切出速度50kph60kph段制动过程，能够在低速场景中与人类驾驶员基本保持一致，在高速场景中发生较对于前车切出场景，其场景示意图如图4-14所示。基于具体场景状态参数，可占比；Dbra为极限制动距离，基于制动模型参数以及场景初始状态参数理论计算确通过将20组前车切出场景下的实验结果进行坐标点计算，并与人类驾驶员制动基准点进行对比，汇总获得如表4-3所示的统计结果，其中分别统计了不同制动分实验案例下，感知系统错误均可以被接受；当整体制动效果较为保守时，感知系统错误时长占比过高会导致碰撞的发生而不可几首。此外由于被测域控制器在输出不同区域案例数量模型A模型B模型C①感知错误可接受区域87②感知响应优于人类驾驶员区域///③感知错误不可接受区域2④感知错误可容忍区域///进一步，选择两个典型的案例进行错误可接受水平的具体分析，如图4-15与图4-16所示。两个案例均使用模型A进行制动过程的计算。在避撞案例中，人类驾驶员与被测系统均未发生碰撞，因而两者的坐标点均出现在感知错误可接受标线左下方。然而由于其感知响应不如人类驾驶员迅速，因此位于感知错误可接受区域内。在碰撞案例中，被测系统发生碰撞，而人类驾驶员未发生碰撞，因此被测系统坐标点位于表现右上方，属于感知错误不可接受区域。分析碰撞原因，可以发现感知系本章提出了典型触发条件下，感知系统错误可接受水平的判定方法，并能够基车切出场景对于被测域控制器开展感知错误可接受水平实验，由此实现了对于判定本章提出判断方法预设了前车匀速行驶的前提，通过后续方法迭代改进，尝试涵盖更多的场景，如前车紧急制动场景。任务组将尝试调整判定条件的构建方式并进一步理解坐标系的深层表征，实现方法的推广应用，支撑感知错误可接受水平的本报告重点关注感知系统预期功能安全测试评价问题，针对现阶段触