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_67页_5mb

1. 分类与测试框架

• 特殊触发条件：如降雨、特殊目标物，重点在于模拟有效性。
• 典型触发条件：如前车切出、目标遮挡，聚焦于系统层面的可接受水平。
• 任务组方法：基于事件链的框架，筛选关键实例，提出风险评估方法。

2. 降雨模拟有效性

• 定性对比：从图像质量和目标检测两方面（Brenner/Tenengrad指标、分类置信度/漏检率）评估不同模拟方法（场地、仿真、生成模型）。
• 定量分析：通过雨滴谱仪分析场地模拟降雨的微观分布（如粒径、速度），并引入结构相似度（SSIM）和惩罚系数方法评估真实度。
• 结论：仿真数字模拟降雨（A）效果最佳，其他方法存在偏差；模拟降雨对下游任务的影响普遍大于真实降雨。

3. 常见障碍物感知对标

• 实验设计：基于51Simone仿真软件，将常见障碍物（婴儿车、手推车、纸箱等）建模，与实车数据对标。
• 结果：精细化建模目标下，检测一致性达96%；仿真测试的可信度依赖于建模精度，动态障碍物（车辆、行人）仍需验证。

4. 感知错误可接受水平

• 判定方法：基于场景响应时间与避撞距离，构建可接受水平判定坐标系，划分为满意、优人、失败等区域。
• 实验验证：前车切出场景测试表明，约90%案例在约束模型下错误可接受；系统响应优于/劣于人类驾驶员的案例分析。
• 应用：以地平线HIL平台为基础，接入白盒AEB模型辅助分析。

5. 总结与展望

• 总结：报告系统化分析了不同触发条件下的感知表现，验证方法为SOTIF测试提供参考。
• 展望：
  • 扩展降雨样本采集，完善指标体系；
  • 收集极端降雨数据，提升模拟设备标准；
  • 研究动态障碍物真实性，优化判定坐标系；
  • 推动感知系统评估体系标准化与场景多样性提升。