nuScenes 数据集评测结果中所有变量（指标）的具体含义，这些指标覆盖了目标跟踪、目标检测、运动预测和场景理解等多个核心维度。
一、目标跟踪核心指标（MOTA/MOTP 系列）
这类指标用于评估多目标跟踪（MOT）的效果，是自动驾驶感知评测的核心：
| 指标 | 全称 | 含义（通俗解释） |
|---|---|---|
| MOTA | Multiple Object Tracking Accuracy | 多目标跟踪准确率，衡量跟踪的整体性能（核心指标），值越高越好（范围 0~1）。 计算公式： MOTA = 1 - (FN + FP + IDS) / GT，反映漏检、误检、ID 切换的综合影响。 |
| MOTP | Multiple Object Tracking Precision | 多目标跟踪精度，衡量跟踪框与真实框的匹配精度（值越高，框的位置/大小越准）。 |
| AMOTA | Average MOTA | 不同阈值下 MOTA 的平均值，更全面反映跟踪性能（解决单一阈值的局限性）。 |
| AMOTP | Average MOTP | 不同阈值下 MOTP 的平均值，反映整体匹配精度。 |
| MOTAR | MOT Accuracy Recall | 跟踪召回率，侧重衡量“能跟踪到的目标比例”，值越高，漏跟踪的目标越少。 |
| Recall | 召回率 | 检测/跟踪到的真实目标比例（Recall = TP/(TP+FN)），反映“找全率”。 |
二、跟踪细节指标（跟踪质量的拆解）
这类指标细化了跟踪过程中的具体问题：
| 指标 | 全称 | 含义 |
|---|---|---|
| GT | Ground Truth | 真实标注的目标数量（基准值）。 |
| MT | Mostly Tracked | 被持续跟踪超过 80% 生命周期的目标数（值越高，长时跟踪效果越好）。 |
| ML | Mostly Lost | 被跟踪时间不足 20% 生命周期的目标数（值越高，跟踪丢失越严重）。 |
| FAF | False Alarm per Frame | 每帧的误检数（值越低，误检越少）。 |
| TP | True Positive | 正确检测/跟踪到的目标数（真阳性）。 |
| FP | False Positive | 误检的目标数（假阳性，把背景/其他物体当成目标）。 |
| FN | False Negative | 漏检的目标数（假阴性，没检测到真实存在的目标）。 |
| IDS | ID Switch | 目标 ID 切换次数（跟踪时同一个目标被分配不同 ID，值越高，跟踪稳定性越差）。 |
| FRAG | Fragmentation | 跟踪轨迹断裂次数（同一个目标的轨迹被拆成多段，值越高，轨迹完整性越差）。 |
| TID | Tracking ID Error | ID 切换的加权误差，量化 ID 切换的严重程度。 |
| LGD | Localization Ground Distance | 定位误差，衡量跟踪框与真实框的空间距离误差（值越低，定位越准）。 |
| GT-Mtch | GT Matched | 被匹配到的真实目标数。 |
| GT-Miss | GT Missed | 未被匹配到的真实目标数（漏检）。 |
| Pred-TP | Prediction TP | 预测结果中正确的正例数。 |
| Pred-FP | Prediction FP | 预测结果中错误的正例数。 |
三、目标检测核心指标（检测效果）
这类指标评估目标检测的性能，是感知任务的基础：
| 指标 | 全称 | 含义 |
|---|---|---|
| AP | Average Precision | 平均精度，衡量某一类目标检测的“精度-召回率”曲线下面积（值越高，检测效果越好）。 nuScenes 中还分不同距离（0.5/1.0/2.0/4.0m）的 AP，反映不同距离下的检测能力。 |
| mAP | mean AP | 所有类别 AP 的平均值，综合反映全类别检测性能。 |
| NDS | NuScenes Detection Score | nuScenes 自定义的综合得分（核心指标），融合了 AP、各类误差，值越高越好（范围 0~1）。 |
四、误差类指标（检测/跟踪的精度拆解）
这类指标量化检测框/跟踪框与真实框的偏差，值越低越好：
| 指标 | 全称 | 含义 |
|---|---|---|
| trans_err | Translation Error | 平移误差，检测框中心与真实框中心的空间距离误差（单位：m）。 |
| scale_err | Scale Error | 尺度误差，检测框长宽高与真实框的比例误差（无单位，越接近 0 越准）。 |
| orient_err | Orientation Error | 朝向误差，检测框的朝向与真实框的角度误差（单位：弧度/度）。 |
| vel_err | Velocity Error | 速度误差，检测的目标速度与真实速度的偏差（单位：m/s）。 |
| attr_err | Attribute Error | 属性误差，目标属性（如车辆类型、行人状态）的分类误差（值越低，属性识别越准）。 |
五、运动预测指标（预测目标未来轨迹）
这类指标评估“预测目标未来运动轨迹”的能力，值越低越好：
| 指标 | 全称 | 含义 |
|---|---|---|
| ADE | Average Displacement Error | 平均位移误差，预测轨迹与真实轨迹在所有时间步的平均距离误差。 |
| FDE | Final Displacement Error | 最终位移误差，预测轨迹最后一个时间步与真实轨迹的距离误差（核心）。 |
| min_ade_err | 最小 ADE 误差 | 多个预测轨迹中最优的 ADE（反映最优预测效果）。 |
| min_fde_err | 最小 FDE 误差 | 多个预测轨迹中最优的 FDE。 |
| miss_rate_err | 漏预测率 | 未预测到目标的比例（值越低，预测覆盖度越高）。 |
| ATE | Average Translation Error | 平均平移误差（综合所有类别的 trans_err）。 |
| ASE | Average Scale Error | 平均尺度误差（综合所有类别的 scale_err）。 |
| AOE | Average Orientation Error | 平均朝向误差（综合所有类别的 orient_err）。 |
| AVE | Average Velocity Error | 平均速度误差（综合所有类别的 vel_err）。 |
| AAE | Average Attribute Error | 平均属性误差（综合所有类别的 attr_err）。 |
| mATE/mASE/mAOE/mAVE/mAAE | 各类误差的均值 | 所有类别对应误差的平均值，反映整体预测精度。 |
六、场景理解指标（地图/环境感知）
这类指标评估对道路场景结构的感知效果（IOU 越高越好）：
| 指标 | 含义 |
|---|---|
| drivable_iou | 可行驶区域的交并比（衡量可行驶区域分割的准确性）。 |
| lanes_iou | 车道线的交并比（车道线分割精度）。 |
| divider_iou | 道路分隔带的交并比（分隔带分割精度）。 |
| crossing_iou | 人行横道的交并比（人行横道分割精度）。 |
| contour_iou | 道路轮廓的交并比（道路轮廓分割精度）。 |
总结
- 核心评估维度：结果覆盖目标跟踪（MOTA/AMOTA）、目标检测（AP/mAP/NDS）、运动预测（ADE/FDE）、场景理解（各类IOU）四大类，是自动驾驶感知系统的全面评测。
- 关键核心指标：NDS（综合检测/预测性能）、MOTA（跟踪整体效果）、mAP（检测整体效果）是最需关注的核心值，值越高代表性能越好；各类误差指标（trans_err/ADE等）则越低越好。
- 类别差异：car 和 pedestrian 的检测/跟踪效果相对较好（有非零 AP/较低误差），而 trailer、construction_vehicle 等类别效果较差（AP 为 0），说明模型对这些类别感知能力不足。
