基于数据驱动的传感器模型多层次评估方法研究

融合模型泛化与案例隐含性能的综合评价框架

研究概览

随着高级驾驶辅助系统（ADAS）传感器感知能力的提升，基于场景的仿真测试因具备成本低、效率高的优势，应用日益广泛。感知系统作为车辆导航算法的核心基础，在虚拟测试中实现对ADAS传感器响应的精准模拟仍面临技术挑战。当前主流方法通过将虚拟环境中的传感器输出与真实场景的高精度测量数据进行匹配，建立真实与合成数据间的直接关联。为验证该类方法的有效性，亟需量化仿真与现实之间的差异，并评估不同模型的性能表现。

本研究提出一种多层次、多指标的评估方法，结合“模型泛化能力评估”与“案例隐含性能评估”。前者用于衡量模型在整体数据集上的适应性与稳定性，反映其综合性能；后者聚焦特定仿真场景，深入分析模型在关键工况下的行为一致性。实验结果表明，该融合评估框架能够有效揭示不同数据驱动型传感器模型之间的性能差异，为虚拟测试中的模型选型与优化提供科学依据。

参考文献：Li, H., Bamminger, N., Wan, L. et al. Multi-level and Metrics Evaluation Approach for Data-Driven Based Sensor Models. Automot. Innov. (2024). https://doi.org/10.1007/s42154-023-00275-8