地面无人平台性能评价：内涵倒推的层次化指标树与量化方法

简介：这份PDF文献围绕地面无人作战平台（UGV）性能评价展开，面向无人装备研发、需求论证、试验评估人员及相关专业师生，针对当前缺乏统一评价标准、装备性能描述口径不一、又难以直接套用有人平台指标的问题，梳理国内外自主性分级与性能度量研究现状，并从平台内涵出发提出以机动性、自主性和任务载荷性能为基础的评价框架。文中对机动性的快速性、灵活性、通过性与续航能力，以及自主性的环境感知、决策规划、学习适应和人机交互等支撑指标展开分析，构建层次化指标体系并讨论各指标内涵与度量方式，可为平台方案比较、指标细化和后续标准制定提供参考。资源包共1个PDF文件，约306KB，已有93人学习，适合作为UGV性能评价与指标体系设计的入门梳理和框架参照。

1. 一把没造出来的尺子：地面无人平台性能评价为什么总在“各说各话”

地面无人平台性能评价最早暴露出来的问题，不是某一项指标测不准，而是两拨人手里的尺子根本不一样。同一台平台，研制方说它“自主性高”，使用方追问高在哪里，答不上来；换一家研制方，同一句话又对应另一套能力。更麻烦的是，有人平台那套指标搬不过来——车里坐着人的时候，“乘员视野”“操作舒适性”这类指标是有意义的；把乘员拿掉之后，多出来的是感知、决策、执行这一整条链路，传统指标里找不到对应项。所以指标体系不是验收阶段才填的表格，它在平台定义阶段就决定了哪些能力会被优化、哪些会被悄悄牺牲。搞懂这棵指标树是怎么搭起来的，比记住任何一个具体的指标值都值。

2. 内涵倒推指标：为什么指标树的根节点不是“传感器清单”

2.1 三条内涵：机动平台、无乘员平台、任务载体

给一个新型平台建评价体系，最容易犯的错是从“它装了什么东西”开始列：装了激光雷达就加一条“激光雷达线数”，装了机械臂就加一条“自由度”。这种清单式写法看着很实在，实际一用就废——传感器换代、载荷更换，整个体系跟着推倒重来。

更稳的做法是从“这个平台为什么存在”倒推。地面无人平台的内涵可以拆成三条：第一，它是一种机动平台，所以有机动性；第二，它是一种无乘员平台，原本由乘员承担的功能必须由平台自身完成，所以有自主性；第三，它要完成任务，必须挂载任务载荷，所以有载荷性能。这三条不是并列的技术分类，而是三种“存在理由”，任何一种地面无人平台都逃不掉，区别只在于权重。

这个定义方式的好处在于抗演进。十年后传感器全换了、算法全换了，只要平台还是“自己跑过去、自己做决定、带着东西干活”，这三条内涵就成立，指标体系的上层结构不用动，只需要在叶子节点上增删。反过来，从设备清单出发的体系，每次硬件迭代都要重写一遍，血泪经验基本都栽在这。

2.2 功能子系统是内涵与指标之间的中间层

内涵是抽象的，指标是可测的，中间少不了一层中介，这层中介是功能子系统。逻辑链是：内涵决定需要哪些功能子系统，功能子系统决定需要哪些性能指标，指标再落到具体度量。

拿自主性举例。自主性本身不是一个物理量，没法直接拿仪器测；但“感知系统”是可以测的——感知范围多大、建图精度多高、更新多快。决策系统也可以测——给定任务后多久给出方案、方案正确的比例是多少。于是“自主性”这个抽象概念被分解成了可测量的量，而这个分解之所以成立，是因为感知、决策、执行本来就是无人平台完成任务必须走的三段链路，这是从功能结构上推出来的，不是拍脑袋凑的。

机动性同理。它不是“车好不好开”这种含糊判断，而是“从一个位置运动到另一个位置的能力”，这句话本身就限定了要测什么：多快到达（快速性）、能不能在狭窄处调头（灵活性）、路上有沟有墙能不能过（通过性）、一次能跑多远（续航能力）。

2.3 层次化结构的三条性质：可裁剪、可抽象、可追溯

把这棵树搭起来之后，它有三个性质是设计时刻意保证的，不是自然形成的副产品。

第一是树状性，每个节点是一个指标，父节点由子节点共同衡量，所有子节点合起来构成父节点的评价依据。这意味着任何一个上层结论都能沿着树往下追到具体的实测值，不会出现“综合评分 82 分，但没人说得清这 82 分从哪来”的情况。

第二是分层抽象，越靠上的指标综合性越强、抽象程度越高，屏蔽掉具体实现细节；越靠下的指标越具体、越贴近物理测量。这个性质直接换来了可裁剪性：做总体方案对比时，看上层两三层就够了；做单机验收时，把对应子树展开到叶子。同一棵树，不同评价目的剪不同的枝。

第三是自底向上的评价方向，只有叶子节点拿到值，父节点才算得出来。这条约束看着像废话，实际用起来是防作弊的闸门——它逼着你在定义指标时就想清楚每个叶子怎么测，而不是先定一个“综合性能优秀”的结论再回头找证据。

提示：树状结构里父子关系必须满足“子节点能完全解释父节点”。如果某个父节点下挂了一个跟其他兄弟节点语义重叠的子节点，说明这层分解没做干净，后面加权时必然重复计分。

2.4 指标筛选的四条原则：为什么“宜少不宜多”是硬约束

指标不是越多越全面，多了反而坏事。四条原则里，第一条就是数量宜少不宜多。原因很实在：指标一多，相关性就失控，三四个高度相关的指标一起加权，等于把某一个能力放大了三四倍，评出来的分数看着精细，其实是虚的。

第二条是独立性，任意两个指标之间不应存在强相关。最大速度和加速性就有相关性，如果两个都给足权重，本质上是在重复奖励“动力强”。实践中要么合并成一个，要么给其中一个降权。

第三条是代表性，一个指标要能代表一个能力维度，而不是某个实现细节。比如“是否使用某类特定算法”就不是好指标，它是实现路径不是能力；“路径规划正确率”才是好指标，它描述结果。

第四条是差异性与可行性，指标要能区分不同平台（如果所有平台测出来都一样，这个指标没有评价价值），同时要能被测出来（实验室里都测不了的指标，写进体系就是摆设）。

这四条原则互相拉扯。要独立就得多拆，要多拆就违反“宜少”，所以实际建体系是一个反复裁剪的过程：先铺开，再做相关性和代表性筛查，砍到每条内涵下三到四个综合指标，每个综合指标下两到五个叶子。这个粒度在工程上比较好用——再粗就失去区分度，再细就没人愿意测。

3. 机动性指标：四类综合指标怎么拆成 12 个可测量的叶子

3.1 四类展开：对应“从 A 到 B”这个动作的四重约束

机动性的定义是“平台从一个位置运动到另一个位置的能力”，这句话里其实藏着四重约束，对应四个综合指标。

多快到达，是快速性，最终落成最大速度和平均速度两个叶子。能不能在复杂环境里调整姿态，是灵活性，落成加速性、转向性、制动性三个叶子。路上有障碍能不能过去，是通过性，落成爬坡能力、越墙高度、越壕宽度、涉水能力、软地面通过性五个叶子。一次能跑多远，是续航能力，落成最大行程和连续工作时间两个叶子。

四类加起来十二个叶子。为什么快速性只要两个叶子而通过性要五个？因为“快”这个能力基本是单维的，速度高就是高；而“能不能过”是多维的，垂直墙、壕沟、水障碍、软地面是四种完全不同的物理挑战，履带能过的墙轮式过不去，能涉水的未必能过软地，互相之间不可替代，必须分开测。

这就是拆指标时的一条经验：一个综合指标下面拆几个叶子，取决于这个能力有几个不可通约的物理维度，不取决于想要多精细。

3.2 每个叶子都得带量纲和测试条件，缺一不可

叶子指标的价值全在“可复现”三个字上。同样叫“爬坡能力”，允许惯性冲坡和不允许惯性冲坡，测出来的数字能差一倍。所以每个叶子在定义时必须同时给出三样东西：度量定义、量纲、测试条件。

这张表看着朴素，实际是整个体系里最费工夫的部分。定义写不细，测出来的数字就没法横向比较，而没法比较的指标等于不存在。

3.3 为什么越墙高度用米而不用等级

一个容易被忽略的设计选择：所有机动性叶子指标都用物理量纲，没有一个用“优、良、中、差”或“1 到 5 级”。

原因是可比较性。用米、用度、用 km/h，两个平台放在一起谁强谁弱一眼就看得出来，不需要中间人解释；用等级就必须有人定标准、有人打分，评分人的主观偏差直接进入结果，而且不同批次、不同评分人之间不可比。物理量纲还有一个隐性好处：它天然带着测试条件，说“越墙 0.4 m”就必须交代墙多高多厚多硬，而说“越障能力 4 级”什么都不用交代。

当然等级制也不是一无是处，它在早期沟通阶段效率很高，一句话就能传递大致水平。合理的做法是两套并存：对外沟通用等级，内部评价和技术对比用量纲值，等级由量纲值按阈值映射出来，映射规则写死在文档里，不靠人解释。

3.4 续航为什么要两个指标：时间和行程测的不是一回事

续航拆成最大行程和连续工作时间，看着重复，实际测的是两个不同的瓶颈。

最大行程反映的是能源容量本身——油箱多大、电池多少度，除以平均能耗就是里程。连续工作时间反映的是热管理和可靠性——电机、控制器、电池在持续负载下的温升限制，以及机械件在连续运转下的磨损与漂移。一台平台可能行程很远，但连续跑两小时就得停下来散热；另一台行程短，但能连续工作八小时。这两个数字在任务规划里的意义完全不同：前者决定“一次任务能覆盖多大范围”，后者决定“一次任务能持续多久”。

不同能源形式之间，这两个指标的相对重要性还会翻转。燃油平台加注快、行程长，时间指标往往不是瓶颈；纯电平台反过来了，能量密度限制了行程，但连续工作时间可能反而好看。只用其中一个指标去比较两种平台，结论大概率是错的。

4. 自主性指标：0 到 10 级的等级描述如何降维成可计算的比值

4.1 等级制的困境：描述得再细，也还是一个形容词

自主性的量化是个老问题。较早的一批研究把自主性切成 0 到 10 共 11 个等级，每一级用一段文字描述它“能做什么”；另一套框架分成 1 到 10 级，从感知、决策、能力几个维度分别描述各级内涵；还有联合工作组专门做自主等级的术语与模型，试图让各方对“第几级”达成共识。城市搜索营救场景里甚至搞过比赛，让机器人在设计好的场地里跑，用一套度量公式把定位、建图、人机接口、可靠性折算成一个总指标。

这些工作的共同短板是：等级的含义都是描述性的，没有明确的数量化指标去标示和衡量。描述性等级在沟通上很有效——“这平台大概 5 级”——但一旦要比较两台都在 5 级附近的平台，就没法继续了：谁的感知更强？强多少？答不上来。而且等级边界靠人解释，同一台平台，两个人能给出相差一级的判断。

指标体系不是要取代等级制，而是把等级“打开”：把等级背后的能力拆成可测量的量，等级变成这些量的一个映射结果。这样等级仍然可以用来沟通，但底层有了可核算的依据。

4.2 感知：扇形面积一个数编码两个维度，代价是丢了形状

环境感知能力指的是平台通过传感器获取环境信息、处理后建立环境模型的能力。拆成三个叶子：感知范围、建模精度、模型更新频率。

感知范围用感知扇形面积度量：以平台中心为扇形圆心，最远感知距离为半径，水平视场角为中心角，算出来的面积单位是平方米。这个设计的巧妙之处在于一个数同时编码了两个维度——看得远和看得宽。距离翻倍带来面积四倍增长，视场角翻倍带来面积两倍增长，自然形成了“距离更值钱”的加权。

代价也很明显：形状被抹掉了。两个平台面积一样，一个窄而远、一个宽而近，在指标上被判为相同。这是有意的简化，理由是任务层真正关心的是“一次能覆盖多大作业面”，而不是波束的具体形状；至于“看得准不准”，由建模精度这个叶子单独承担，不让一个指标干两件事。

建模精度用建图结果与真值地图的关联度度量。把两张栅格地图都表示成障碍占用概率矩阵，逐格比较绝对差，取均值后做归一化。

import numpy as np def map_similarity(built: np.ndarray, truth: np.ndarray) -> float: """ 建图精度：建图结果与真值栅格地图的关联度。 built / truth: 形状 (m, n) 的二维数组，元素为 [0,1] 的障碍占用概率 返回: 0~1 的相似度，1 表示逐格完全一致 """ assert built.shape == truth.shape, "两张地图必须同分辨率、同尺寸" diff = np.abs(built.astype(float) - truth.astype(float)) # 逐格绝对差取均值，再做 1- 归一化：平均偏差越小，相似度越接近 1 return 1.0 - diff.mean() def sensing_area(max_range_m: float, fov_deg: float) -> float: """感知扇形面积：半径取最远感知距离，圆心角取水平视场角""" return 0.5 * (max_range_m ** 2) * np.deg2rad(fov_deg)

map_similarity里用均值而不是最大差，是因为地图误差通常是弥散的，个别格子错得离谱往往是动态障碍物造成的偶然现象，用最大差会让单帧噪声主导整个评分。assert那一行不是多余的防御，两张地图分辨率不一致时逐格相减会得到毫无意义的结果，必须在入口拦住。sensing_area的两个参数直接对应传感器的两个硬指标，改动任一参数都会非线性地影响结果，这也是为什么面积比单纯的距离更能反映覆盖能力。

模型更新频率用单位时间的建图更新次数度量，单位是赫兹。它和精度的关系是此消彼长的：更新太快，单帧数据来不及融合，精度下降；更新太慢，动态环境里地图立刻过期。这两个指标必须成对看，单独看任何一个都会被误导。

4.3 决策与执行：把“聪明”翻译成速度、正确率和误差

决策能力拆两块：任务规划与决策、自主定位与导航。

任务规划与决策对应两个叶子：规划决策速度（给定任务后完成一次规划决策的平均时间，单位秒）和规划决策正确率（正确次数占总次数的百分比）。这两个指标是一对冤家，速度快的往往正确率低，正确率高的往往慢。分开测的意义在于暴露这个取舍曲线——某平台 0.5 秒给出方案但正确率 70%，另一台 3 秒给出方案正确率 95%，这两台适合的任务完全不同，用一个综合分把它们混在一起是浪费信息。

自主定位与导航对应三个叶子：定位精度（定位误差的均方差，单位米）、路径规划正确率（成功规划出可行路径的百分比）、路径更新频率（单位时间路径重规划次数，赫兹）。定位精度直接决定后面两个能到什么水平——定位误差大于通道宽度，规划再快也没用。

执行能力对应两个叶子：指令响应速度（从指令下达到执行机构开始响应的时间间隔，秒）和路径跟踪精度。跟踪精度的度量方式值得一提：给定一条固定长度的直线路径，把实际行驶轨迹和理想轨迹围成的面积算出来，开平方作为误差值，单位是米。用面积开方而不是最大横向偏差，是因为前者同时惩罚了偏差幅度和偏离持续时间——偏一下马上回来，和一直偏着走，面积差很多，但最大偏差可能一样。

4.4 人员依赖度：两个比值把“人”量化，绕开算法黑匣子

前面三块都在测平台自己的能力，人员依赖度测的是另一面：完成任务需要人帮多少忙。

两个叶子指标：人员操控时间比例，即操控人员干预或帮助决策执行所用时间占完成任务总时间的比例；人员操控平台数量，即一个操控人员能同时控制几台平台。

这两个指标的设计思路，是整个体系里最值得琢磨的一处。自主性本质上是“降低对人的依赖”，但“算法有多聪明”这件事是个黑匣子，外部评价者根本看不进去，写多少指标都是自说自话。而人员依赖度直接从外部可观测的行为入手：不管内部用了什么算法、多少层网络，最终表现出来就是人得盯多久、一个人能看几台。这个度量绕过了所有实现细节，也没法靠包装糊弄。

两个指标的分工也不重复。时间比例反映的是单台平台对人力的占用强度，操控平台数量反映的是人机比的规模效应。一台平台可能需要人全程盯着但操作极简，另一台大部分时间自主、但一旦需要干预就是高强度操作，前者的时间比例高而操控数量可以多，后者反过来。只看其中一个，会得出相反结论。

注意：人员依赖度的测量必须在规定任务剖面上进行。同一台平台，执行简单巡逻和执行复杂物资转运，操控时间比例能差好几倍，脱离任务剖面的依赖度数字没有意义。

5. 避坑与排查：指标体系落地时最容易翻车的五处

5.1 指标不独立，权重乘出双重计数

现象：两个平台在综合评分上差距很大，但逐项看叶子指标，差距并不显著，综合分却拉开了十几个百分点。

原因：父节点下的兄弟指标高度相关。最典型的是最大速度和加速性同时给足权重，本质上都在奖励动力系统；感知范围和建图精度也常出现这种情况——看得远的平台往往建图也更完整，因为同一套传感器决定的。加权求和时，同一个能力被计了两次甚至三次，权重表的数字看着合理，实际放大效应没人算过。

解决：建树之后先做一轮相关性筛查，把皮尔逊系数高的指标对拉出来，二选一或者合并成一个复合叶子；确实都要保留的，权重之和不超过单个指标时的水平。这一步最好在体系定稿前做，定稿后再改权重，前面的对比数据全部作废。

5.2 测试条件写在附录里，等于没写

现象：同一台平台，两次测试的爬坡度差了 8 度；不同单位测同一型号，续航数据对不上。

原因：测试条件没有写进指标定义，而是放在文档末尾的“测试说明”章节里，实际执行时被跳过。更隐蔽的情况是条件写了一半——规定了坡道角度，没规定坡面附着系数；规定了载荷，没规定重心位置。爬坡时是否允许惯性冲坡，这一个条件就能让结果差一倍，因为冲坡测的其实是动能补充，不是牵引能力。

解决：把测试条件当作指标定义的一部分，和量纲写在同一行，不单独成章。凡是能影响测量结果的边界条件——载荷、路面、速度、温度、是否允许辅助手段——一律进表格。经验法则是：换一个人拿着这张表去测，结果应该落在同一个区间；做不到就说明条件没写全。

5.3 量纲混杂直接加权，结果被大数量级指标绑架

现象：综合评分几乎完全由某一两项指标决定，其他指标怎么变都不影响排序。

原因：没做归一化就加权。速度的量纲是 km/h，数值几十到上百；时间是秒，数值个位；精度是米，数值零点几。直接相加，速度项天然主导，其他指标全成了噪声。更麻烦的是方向不统一：速度越大越好，误差越小越好，混在一起算之前必须把方向掰齐。

def normalize(value, best, worst, higher_is_better=True): """ 极值归一化：把任意量纲的指标压到 [0,1] best / worst: 该指标在参考平台集合上的最优值与最差值 higher_is_better: 指标方向，速度类为 True，误差类为 False """ if best == worst: return 0.5 # 全体平台取值相同，该指标无区分度 if higher_is_better: x = (value - worst) / (best - worst) else: x = (worst - value) / (worst - best) return min(max(x, 0.0), 1.0) # 截断，防止超出参考区间 def composite(scores: dict, weights: dict) -> float: """按权重合成，scores 与 weights 的键必须一致""" assert set(scores) == set(weights), "指标集与权重集不匹配" return sum(scores[k] * weights[k] for k in scores)

best和worst必须来自同一批参考平台的实测，不能凭经验拍。参考集变了，归一化基准就变了，所以跨批次的评分不能直接比——这是很多人忽略的一点。composite里的断言看着琐碎，实际改指标集时最容易漏改权重表，少一个键或者多一个键都会让结果悄悄错掉而不是报错。

5.4 用均值掩盖分布，平均速度好看但任务失败

现象：某平台平均速度指标很漂亮，实际执行任务时却经常超时。

原因：平均速度是在规定比例的各种路面上测的，如果测试路线里硬化路面占大头，均值就被拉高了。真实任务里最卡脖子的往往是那 10% 的极端路况——软地、陡坡、狭窄通道，速度骤降到接近零。均值把这些低谷抹平了，看起来一切正常。

解决：给关键指标补一个分布描述，比如加一条“最差路况下的速度下限”，或者用分位数代替均值（取第 10 百分位速度作为保守值）。代价是指标数量增加，违反“宜少不宜多”，所以只在那些直接决定任务成败的维度上加，不是所有指标都补。

5.5 把任务载荷硬塞进通用体系，导致跨平台不可比

现象：指标体系里加了“载荷重量”“载荷功率”这类指标后，不同类型平台的综合分完全无法比较，评分失去了意义。

原因：任务载荷由具体任务决定，不同任务对应不同类型的载荷，物理量纲根本不通约。侦察类载荷和搬运类载荷放在一张表里比“载荷性能”，比出来的数字没有任何物理含义。这也是原体系在构建时把载荷性能单独拿出来、不纳入通用可比指标的原因——不是它不重要，而是它不具备横向可比性。

解决：载荷单独建子体系，按任务剖面评价，同一个任务剖面内的平台才互相比较。通用体系里最多保留一个“载荷接口能力”的叶子（可挂载载荷的重量上限、供电功率、机械与电气接口标准数量），描述的是平台的承载与集成能力，而不是载荷本身的效能。这样既不破坏通用性，又不至于把载荷这个维度整个丢掉。

提示：判断一个指标该不该进通用体系，标准很简单——同一条内涵下，两台完全不同用途的平台能不能用这个指标比出高低。比不出来，就该拆到任务子体系里去。

6. 取舍：定量化到什么程度，指标体系才不会变成负担

这套树搭到叶子层是二十多个指标，听起来已经很细了，但真正做完会发现还是不够细，也永远不可能足够细。定量化有个隐形的成本曲线：每多一个指标，测量成本、数据处理成本、跨单位协调成本都在涨，而区分度的收益是递减的。超过某个点之后，指标体系的维护成本会超过它带来的决策价值。所以设计时我倾向于把粒度标准定在“能区分开两个真实存在的技术方案”这个水平上，而不是追求物理上完备。

另一个取舍是通用性与任务特化之间的边界。指标体系追求通用，就必须牺牲一部分精度——同一个“路径规划正确率”，在结构化道路和野外环境下难度完全不同，通用指标只能取一个折中的测试场景，无法反映任务特化下的真实水平。反过来全部任务特化，就退回到各说各话的老路。我的取舍是把通用指标限定在“能力存在与否、量级如何”，把“在具体任务下够不够用”交给任务剖面评价，两层分开，不混算。

验证这套体系有没有用，有个朴素办法：找两台已知优劣的平台（比如一台成熟型号和一台早期样机），用体系算分，看排序是否与工程判断一致；再故意改动某台平台的某个子系统，看对应子树的分数是否按预期变化，上层综合分是否跟着动。如果改了感知系统，感知子树的分数纹丝不动，说明指标定义或者测试流程出了问题；如果改了一个子系统，所有指标一起变，说明指标独立性没做够。这个“扰动一致性检查”比任何理论论证都直接。

从那以后我每次接手类似的评价体系设计，都强制先做一遍扰动检查再定稿——先假设某台平台的某个能力被砍掉一半，推演哪些叶子该变、变多少、综合分会怎么走，推不动的地方就是体系里的空洞。希望这套从内涵倒推、按物理维度拆叶子、用外部可观测量替代内部黑匣子的思路，能帮到正在为某个复杂系统设计评价标准的人。

本文还有配套的精品资源，点击获取