BEV 感知算法评价指标简介

3D视觉工坊
2025-07-20 00:00:00

点击下方卡片，关注「3D视觉工坊」公众号
选择星标，干货第一时间送达

来源：3D视觉工坊

「3D视觉从入门到精通」知识星球(点开有惊喜) ！星球内新增20多门3D视觉系统课程、入门环境配置教程、多场顶会直播、顶会论文最新解读、3D视觉算法源码、求职招聘等。想要入门3D视觉、做项目、搞科研，欢迎扫码加入！

01 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。本文将介绍三类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。

02 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：

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 PYM-Sample

定义为实际为正样本中，被正确预测出来的比例：

FN（False Negatives）：漏检的目标。

2.3 F1-score（调和平均）

Precision 和 Recall 的综合指标：

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：

有时也会定义为：

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）：

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，可能会导致运动轨迹预测偏差，也可能会影响下游行为规划、避障决策，也可能会影响多车协同定位、车道保持等功能。

03 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