当前位置：首页 > wzjs >正文

在青岛建网站微信网页版登录手机版

wzjs 2025/9/9 22:54:59

在青岛建网站,微信网页版登录手机版,怎么做可以把网站图片保存下来吗,怎么建自己的摄影网站一、引言智能驾驶感知模块可以根据目标的属性和环境信息，分为三类关键任务：动态感知任务、静态结构感知任务和可通行区域（Freespace）感知任务。本文将介绍三大任务中常见的精度评价指标。如果有不正确的地方，欢迎评论…

一、引言

智能驾驶感知模块可以根据目标的属性和环境信息，分为三类关键任务：动态感知任务、静态结构感知任务和可通行区域（Freespace）感知任务。本文将介绍三大任务中常见的精度评价指标。如果有不正确的地方，欢迎评论指正。

二、动态常见指标

在 BEV（Bird’s Eye View）动态任务中，核心目标通常是检测和跟踪空间中动态的物体，比如汽车、行人、自行车等。为了全面评估这类算法的性能，研究者通常采用一组衡量检测质量与几何精度的指标。

以下是 BEV 动态任务中常用的指标详解，包括 F1-score、Recall、Precision、Angle Distance 等。

2.1 Precision（查准率）

定义为预测为正样本中，实际为正的比例：
在这里插入图片描述

TP（True Positives）：正确检测的目标
FP（False Positives）：误检为目标的非目标区域

3D/BEV 使用 IoU（交并比）来判断预测框和 GT 框是否匹配（如 BEV IoU > 0.5）：匹配成功为 TP，否则为 FP 或 FN

2.2 Recall（查全率）

定义为实际为正样本中，被正确预测出来的比例：
在这里插入图片描述

FN（False Negatives）：漏检的目标

2.3 F1-score（调和平均）

Precision 和 Recall 的综合指标：
在这里插入图片描述

F1-score、Recall、Precision 是检测任务中最基础也最核心的指标，它们之间互为补充：

Precision 高：误检少
Recall 高：漏检少
F1-score 高：两者都兼顾

2.4 Angle Distance

Angle Distance（角度距离）是指检测的目标朝向与真实朝向之间的夹角误差，用于衡量模型对 3D 目标朝向（orientation）估计的准确性。

假设：真实朝向角为 $\theta_{\text{gt}}$ ，预测朝向角为 $\theta_{\text{pred}}$ ，Angle Distance 通常定义为它们之间的最小夹角差值：

在这里插入图片描述

有时也会定义为：

在这里插入图片描述

有时还可以这么定义（角度是圆周值，要区分好，保证 179° 与 -179° 的差为 2° 而非 358°，-178% 360 = 182）：

在这里插入图片描述

具体怎么定义大家还可以自行修改。

为什么 Angle Distance 重要呢？在 BEV 动态任务中，目标不仅要被正确检测出来，还要给出准确的 3D 方向，例如车辆前进方向。如果朝向估计错了：会导致运动轨迹预测偏差，会影响下游行为规划、避障决策，也会影响多车协同定位、车道保持等功能。

三、静态常见指标

在智能驾驶中的静态感知任务里，主要关注车道线、道路边界、停止线等静态目标。这类信息对地图构建、定位、行为规划等很重要。具体做法是输出 BEV 视角下的多类别矢量图结构（如 divider 车道分隔线、boundary 道路边界、stopline 停止线、arrow 箭头），表示为多段 polyline（折线点序列）。在指标层面，通常会用 Recall / Precision / F1-score、angle distance 等一些指标来衡量结构、形状等多方面的准确性。

3.1 Recall / Precision / F1-score

对每类结构（如 divider， boundary， arrow， stopline）分别统计检测情况：
- Precision：预测中有多少是真的。
- Recall：GT 中被检测到的比例。
- F1-score：PR 的综合评价。

特别适用于不同语义结构的建图检测评估。

3.2 Angle Distance

在静态建图任务（如 MapTR）中，Angle Distance （角度距离）衡量的是预测的多段折线（Polyline）与真实标注之间的方向差异，其本质是对几何方向一致性的评估，而非仅仅是点的位置误差。

在地图感知中，不仅希望预测的 polyline 与 GT 在空间上贴合（即有小的距离误差），还希望其走向一致，比如一个车道线应该是向前延伸的，而不是偏向左或右。

一段折线由若干连续点组成，设真实折线为 $P = {p_1， p_2， …， p_n}$ ，预测折线为 $\hat{P} = {\hat{p}_1， \hat{p}_2， …， \hat{p}_n}$ ，我们通常选用首尾或任意两个相邻点构建向量：

在这里插入图片描述

Angle Distance $\theta$ 可以表示为

在这里插入图片描述

用角度（单位通常为度）来表示角度距离：

θ = 0°：方向完全一致；
θ → 180°：方向完全相反。

对于多段 polyline，由多个点段组成，角度距离可以有以下几种方式：

首尾向量法（常用）：取 polyline 的首尾两点构建整体方向向量进行角度比较。
平均向量方向法：每段相邻点构建向量，计算所有角度误差的平均值。
加权平均方向法：考虑段长权重，对角度误差加权平均。

3.3 mAP

mAP（mean Average Precision）原本用于目标检测任务，用于衡量预测结果和真实目标之间的精度和召回的综合性能。在 MapTR 中，它被适配到了矢量化地图元素检测任务中。

divider 车道分隔线、boundary 道路边界、stopline 停止线等元素是以一系列二维点的形式输出（如 [x1，y1，x2，y2，…]），预测和 GT 的匹配需要使用更复杂的匹配策略。正确匹配（True Positive， TP）条件：满足以下所有条件（可以更多 or 更少），才被认为是 TP：