一、AEB 只做一个判断

自动紧急制动（AEB）要回答的问题非常窄：现在这一瞬间，该不该踩刹车。它不做路径规划、 不做舒适性，只做这一个二选一的判断。 最常用的判据是碰撞时间 TTC：TTC = 距离 ÷ 相对速度。TTC 小于某个阈值就触发。 一个除法，没有模型。 为什么用这么简单的判据？因为它可解释、可验证、可认证。 出了事故要能复现「当时为什么刹／为什么没刹」，一个神经网络的输出没法回答这个问题。 所以真实的 AEB 是「简单判据 + 严格标定」，而不是「一个大模型端到端」。

二、两类错，代价完全不同

漏警：真该刹却没刹——后果是撞。 误触发：不该刹却刹了——后果是被追尾、乘客受惊。 Demo 造了 4000 个场景（距离 5~80 米、相对速度、前车减速度、横向偏移）， 按「同车道且按当前速度必撞」定义真危险，再给 AEB 加上感知误差（距离 1.5 米、 相对速度 0.5 米／秒），扫六个阈值：

三、两秒是拐点

看「判对率」那一列：77.9 → 79.3 → 79.9 → 79.6 → 79.1 → 77.1。 在 2.0 秒处最高，两边都往下掉。 有意思的是：判对率的峰值很平（79.9 到 77.1 只差 2.8 个点），但漏警和误触发的比例变了三倍。 这说明「判对率」这个指标选不出阈值——它把两类错误的代价当成一样的。 所以业界普遍取 2 秒上下（对应 TTC 1.6~2.4 秒），不是因为判对率最高， 是因为这个区间里两类错误的绝对量都可控。具体偏 1.6 还是 2.4，取决于车型定位： 家用车偏保守，运动型偏激进。 再加一层现实：高速和市区该用不同的阈值。高速上 2.5 秒才够（刹停距离长）， 市区里 1.5 秒就够（速度低、误刹代价大）。一张标定表管所有工况，是做不到的。

四、只算 TTC 的天花板

判对率最高只有 79.9%——注意，这个天花板不是数据不够，是这个规则本身的极限。 差在哪？ 它不看横向。相邻车道的车离得很近、相对速度也大， TTC 一算就很危险，可人家根本不在你的车道上。 这些场景全部变成误触发。 Demo 里横向偏移服从标准差 1.6 米的正态， 同车道判据取 1.75 米——也就是说有相当一部分「邻道车」被算成了危险。 所以真实 AEB 必须融合横向位置和车道判断。单靠一个 TTC 数字，无论阈值怎么调， 都会在这个上限附近撞墙。 这条经验能推广：任何「单指标阈值」的方案，天花板都在那个指标漏掉的信息里。 换阈值只能沿着曲线挪，不能把曲线抬高。

五、落地：四件事

① 先定代价比。 「漏一次」和「误触发一次」哪个更严重、严重几倍。 这个数必须由产品和法务一起定，不能由算法定。 ② 分场景标定。 高速、城区、停车场，三套阈值。不要指望一套参数打通。 ③ 横向必须进判据。 车道线识别、目标跟踪， 哪怕只做一个「是否同车道」的二分类，也能把误触发砍掉一大截。 ④ 留数据闭环。 每次触发都要存前后几秒的数据， 事后人工标注「该不该触发」——这是唯一能持续调参的办法。没有闭环的系统，标定一次就用三年， 三年后一定不准。 最后一句：AEB 的指标不能只报「避免了多少事故」。 还要报「误触发了多少次」——因为误触发会导致用户关掉这个功能，关掉之后就一次都不保护了。

六、动手 Demo：AEB：阈值从 1.0 秒提到 4.0 秒，漏警 20% 掉到 6%，误触发 2% 涨到 17%

造 4000 个场景：自车速度 8~33 米／秒、前车速度、初始距离 5~80 米、前车减速度三档、 横向偏移服从正态。按「同车道且按当前速度必撞」定义真危险； 再给 AEB 加上距离 1.5 米、相对速度 0.5 米／秒的感知误差，用带噪的 TTC 在六个阈值下分别算漏警率、 误触发率和判对率。

dv = v_self - v_lead
dmin = np.where(dv > 0, d - dv * dv / (2.0 * np.maximum(a_lead, 0.3)), d)
crash = (dmin < 0.0) & (np.abs(lat) < 1.75)   # 同车道且必撞

d_m = d + rg.normal(0.0, 1.5, n)              # 感知误差
dv_m = dv + rg.normal(0.0, 0.5, n)
ttc = np.where(dv_m > 0.1, d_m / np.maximum(dv_m, 0.1), 99.0)

for th in (1.0, 1.5, 2.0, 2.5, 3.0, 4.0):
    fire = ttc < th
    miss = np.mean(~fire & crash)              # 漏警
    fa = np.mean(fire & ~crash)                # 误触发

实跑输出：

--------------------------------------------------------------------
AEB：阈值从 1.0 秒提到 4.0 秒，漏警 20% 掉到 6%，误触发 2% 涨到 17%
--------------------------------------------------------------------
  场景数                   4000
  真危险定义               同车道且按当前速度必撞
  感知误差                 距离 1.5 米、相对速度 0.5 米／秒
  横向判断                 AEB 不做，只看 TTC

  TTC 阈值   触发率   漏警率   误触发率   判对率
  ---------------------------------------------
    1.0 秒     6.8%    19.9%       2.2%    77.9%
    1.5 秒    12.3%    16.4%       4.3%    79.3%
    2.0 秒    17.3%    13.6%       6.5%    79.9%
    2.5 秒    22.0%    11.4%       9.0%    79.6%
    3.0 秒    27.2%     9.1%      11.8%    79.1%
    4.0 秒    34.9%     6.2%      16.7%    77.1%

  先看两端。**阈值 1.0 秒：漏警 19.9%，误触发只有 2.2%。**
  **1 秒是「马上要撞」的程度，这时候刹车已经来不及了**——漏警率这么高就是这个原因。
  **阈值 4.0 秒：漏警降到 6.2%，误触发冲到 16.7%。**
  **四秒之外只要相对速度大一点就报警，路上全是误刹。**
  中间三档里，**2.0 到 2.5 秒是拐点**：漏警 13.6%～11.4%，误触发 6.5%～9.0%。
  **这也是行业里 AEB 普遍取 2 秒上下（对应 TTC 1.6~2.4）的原因。**
  但真正值得注意的是：**判对率最高只有 79.9%**，
  **也就是说这个只看 TTC 的规则，最好也就到这。**
  差在哪？**它不看横向。** 相邻车道的车离得很近、相对速度也大，
  **TTC 一算就很危险，可人家根本不在你的车道上。**
  **所以真实 AEB 必须融合横向位置和车道判断，单靠 TTC 一定误刹。**

两个端点先记住：1.0 秒漏警 19.9%、4.0 秒漏警 6.2%。 漏警降了 13.7 个点，代价是误触发从 2.2% 涨到 16.7%，涨了 7 倍多。 判对率那一列几乎不动（77.9 到 79.9）， 这是最值得注意的地方：一个把两类错误等价的指标，在两类错误代价差十倍时是没有用的。 横向那一条是天花板所在：AEB 只用 TTC，不看车道，所以邻道车的场景全部算误触发。 判对率上不去，是因为信息不够，不是参数没调好。 要说明：真危险的定义是我写的物理判据（同车道 + 减速度不足以避免相撞）， 感知误差是我设的高斯噪声，场景也是随机生成的。 但漏警／误触发的定义、阈值扫描、判对率的算法都是真的。 还有一点要说清：这里没有建模「驾驶员反应」和「制动延迟」， 所以真危险的比例偏高（漏警那一列的分母包含了很多人本来就会自己刹的场景）。 真实标定必须带上人和车的响应模型。

30 秒实验

1. 把感知误差从 1.5 米加到 4.0 米（大雨、逆光），重跑。 每个阈值的漏警和误触发都会同时变差——噪声让两个方向都退化。
2. 把横向同车道阈值从 1.75 米改成 2.5 米（更宽的车道），看误触发。 会显著上升——判据放宽，邻道车更容易被算成同车道。
3. 把前车减速度的概率分布改成更多「急刹」（0.2 改成 0.4），重跑。 真危险的比例会上升，所有阈值的漏警都会变大。

常见误区

1. 「阈值调到最优就行」。两类错在一条曲线上，只能选一个可承受的失败方式，不存在同时最优。
2. 「判对率最高的阈值就是最好的」。判对率把两类错误等价，而漏警和误触发的代价差十倍。
3. 「AEB 越灵敏越好」。误触发多了用户会关掉，关掉之后一次都不保护。

交通场景三节讲完：配时、ETA、AEB。下一节进智驾本身——从「车怎么知道自己在哪」开始。

• ☐ （本节完，下一节 10.3.1 感知系统升级）

相关笔记

• 智慧出行服务
• 感知系统升级
• 城市治理升级
• 🧠 AI训练师手册2 · 索引