🧱 小障碍物 · 标准与检测
自动驾驶感知
⚡ 性能要求 · 2026 参考
📌 核心定义
小障碍物 通常指体积 < 0.5m³、高度 < 30cm 或像素面积 < 32×32 的道路异物（石块、轮胎碎片、锥桶、小动物等）。
在自动驾驶安全体系中，漏检率、感知时延、最小可检测尺寸 是三大关键约束。
📏 标准与分级
- ISO 21448 预期功能安全 (SOTIF) 要求系统对 “未知但可避让” 的小物体具备鲁棒性。
- GB/T 40429 中国自动驾驶分级中，L3+ 系统需检测 直径 > 10cm 的道路异物。
- Euro NCAP 2025 新增 “小物体避让” 测试场景：静止石块 (15×15×10cm) 在 50km/h 下须触发制动或转向。
- NHTSA 建议 高速公路场景下，最小可检测物体尺寸 ≤ 20cm (高度) ，检测距离 ≥ 60m。
⚠️ 行业共识：“可检测” 指在目标距离 40m 时，感知系统输出置信度 ≥ 0.5 且位置误差 < 1.5m。
🎯 检测性能要求
- 召回率 (Recall) ：小障碍物 ≥ 90% (L3+ 主流要求)，极端天气 ≥ 80% 。
- 精确率 (Precision) ：≥ 95% 以减少误制动。
- 平均精度 (mAP@0.5) ：小目标子集 ≥ 85% (参考 YOLOv10/v12 在公开数据集水平)。
- 推理延迟：从图像采集到输出 ≤ 50ms (高速场景)，城区 ≤ 80ms 。
- 最小可检测尺寸：在 30m 处可识别 12×12 像素 或物理尺寸 15cm 的物体。
🌧️ 雨天降级 ≤ 5%
🌙 夜间 ≥ 85% 召回
📦 模型 < 10M 参数
📊 关键性能指标对比 · 小障碍物检测
| 指标 | L2 / L2+ | L3 / L4 (高速) | L4 (城区) | 参考来源 |
|---|
| 召回率 (小物体) | ≥ 80% | ≥ 90% | ≥ 92% | YOLOv10 中国道路测试 |
| 精确率 | ≥ 90% | ≥ 95% | ≥ 97% | 行业基准 |
| mAP@0.5 (小目标子集) | ≥ 75% | ≥ 85% | ≥ 88% | YOLOv12 自动驾驶测试 |
| 端到端延迟 (ms) | ≤ 100 | ≤ 50 | ≤ 40 | 实时性要求 |
| 最小可检测尺寸 (像素@30m) | 20×20 | 15×15 | 12×12 | DSConv 小目标层 |
| 极端天气召回保持率 | ≥ 70% | ≥ 80% | ≥ 85% | 多天气测试 |
🧪 注：小障碍物定义为 < 32×32 像素 或 物理尺寸 < 0.3m (长/宽/高)。数据综合自 YOLOv10/v12 及改进 YOLOv8n 研究 。
⚠️ 核心挑战
- 视觉特征微弱：小物体像素少，易与路面/阴影混淆 。
- 数据长尾：石头、碎片等异常物体在训练集中出现频率极低 。
- 天气干扰：雨雪、低照度导致对比度下降，漏检率升高 3~8% 。
- 实时性矛盾：高分辨率输入与车载算力之间的平衡 。
- 泛化困境：不同地区道路异物形态差异大 (如三轮车、动物) 。
🔍 典型漏检场景：灰色石块 在沥青路面、黑色轮胎碎片 在湿滑路面。
🧠 先进检测方法
- YOLOv10/v12 注意力机制 + 区域聚焦，小目标 mAP 提升 6%+ 。
- DSConv + 小目标层 改进 YOLOv8n：召回率 +8%，参数量 -6.7% 。
- 多传感器融合 视觉 + 激光雷达点云，小物体检测距离提升 30% 。
- 语义分割辅助 将“异常区域”作为障碍物，提升未知物体召回 。
- 时序融合 利用多帧信息，降低单帧漏检 (如 YOLOv12 视频流) 。
🚀 最新趋势：端侧模型 + 知识蒸馏，在 < 5ms 内完成小障碍物检测。
🧪 标准测试场景 · 小障碍物
🛣️ 高速场景
- 静止轮胎碎片 (20×20×10cm)
- 散落货物箱 (30×30×20cm)
- 小动物 (猫/狗) 模拟
- 检测距离 ≥ 80m @ 120km/h
🏙️ 城区道路
- 锥桶 / 施工标志 (高 30cm)
- 掉落手机 / 水瓶
- 儿童玩具 (球、滑板)
- 检测距离 ≥ 40m @ 50km/h
🌧️ 恶劣天气
- 雨中石块 (模拟水花干扰)
- 雪堆覆盖的小物体
- 夜间低对比度碎片
- 召回率 ≥ 80% (雨/雪)
📋 参考标准：GB/T 41798-2022 自动驾驶功能场地试验、Euro NCAP CP 2026 小物体避让协议。
html2.link