对于大部分人来说，想要看懂自动驾驶是件很难的事情，面对各种各样的软硬件和数不胜数的参数，通常都会陷入不得要领、雾里看花的感受当中。尤其是自动驾驶系统复杂浩大，很多表面上的数字，代表不了实际的性能。无论是L0-L5的分级，还是传感器的数量和芯片的纸面算力，在欠缺大量细节的情况下很难形成有价值的参考。
在Nullmax看来，如果希望通过一些关键的指标，相对准确地了解自动驾驶方案的能力，那么最好的依据还是实际量产应用中的这些数据：资源占用，帧率，延时，性能。
在自动驾驶蓬勃发展的这些年里，很多人对自动驾驶的判断，主要存在于L0-L5的6个等级里，数字越高、系统越好的误解由来已久。其实，这套广泛流传的标准引入了大量的前置条件，如果抛开ODD（设计运行范围）、OEDR（目标与事件检测及响应）等核心要素来谈自动驾驶的水平高低，就像抛开考试范围和题目类型来谈考试分数一样，没有任何参考意义。用数值的高低来判断自动驾驶水平的高低，至少需要有相似的比较前提。如果运行的区间、处理任务的能力存在巨大差别，那么两套方案的难度和价值，很难直接通过L2/L3/L4这样的数字简单判断。除此之外，自动驾驶的另外一大误解，那就是配置的多少和高低代表着系统的能力。事实上，配置代表的是潜力，只有挖掘出来的潜力才是系统的能力，而高投入也并不等于高产出。
这就像是建房子一样，物料的多少和好坏并不能决定房屋最终的效果，只有通过好的设计和施工，它们才能成为优秀的建筑。自动驾驶系统可以搭配丰富多样的传感器，配置高算力的芯片平台，但是更需要优秀的架构设计和工程化能力，通过一整套好的自动驾驶软件算法，将硬件的作用发挥出来。
如果100分的硬件只能发挥出50%的能力，且不说高昂的成本是否值得，它的效果自然也就比不上发挥100%能力的80分硬件，后者的自动驾驶水平必然会更高。
自动驾驶的本质，是由软件系统代替人类司机完成感知、决策等过程，直接控制汽车完成驾驶任务。
所以在评估效果时，实际也可以像看待人类司机一样分析自动驾驶系统：如果它能像老司机一样有条不紊地开车，快速地识别周围环境，及时地做出反应，并以严格的要求完成驾驶任务，那么就是一个好的方案。这些判断的标准，对应到一套成熟的自动驾驶方案身上，其实大致可以归结为四类具体的指标：资源占用，帧率，延时，性能。
自动驾驶的算力、内存、带宽等资源相对有限，但是需要处理传感器持续输入的海量数据，如果资源占用率一直很高，始终处于高负荷甚至是超负荷的状态，那么系统可能就会出现不稳定甚至是崩溃的情况。因此，将资源充分利用但不过度占用，对于自动驾驶来说更为合适。这就像是人类司机一样，开车时如果手忙脚乱，就很容易忙中出错。在既定的硬件资源下，自动驾驶系统需要让各模块井然有序地高效工作，简单场景下只需占用部分资源，遇到复杂场景时「大脑」再才高速运转。通常来说，在中低算力的平台上，行业方案的CPU峰值占用率为80~90%，内存占用率为80%以上，AI单元利用率为60~80%。在Nullmax的同类方案中，这些资源指标可以进一步优化，实际表现优出10%以上。以单TDA4行泊一体方案为例，严苛情况下的CPU占用率峰值不超过70%，面对感知任务计算峰值，AI计算单元的利用率可达90%以上。
帧率越高，自动驾驶感知的速度也就越快。如果感知的帧率只有10FPS，那么0.1秒才能输出一次感知结果，对一辆时速90公里的汽车来说，期间将会行进2.5米，足足半个车身的长度。不过感知的帧率并不等于传感器的帧率，前者是实际感知结果输出的速度，后者是原始数据输入的速度。高帧率需要好的软件算法，才能实现软硬件的高效配合，比如在8T算力的中低算力平台上，Nullmax可以实现20FPS的周视360°感知输出，并且保证前后一共120米的高质量bev感知能力。
在瞬息万变的驾驶环境下，更高的感知帧率意味着发现危险的速度更快、时机更早，能够为下游模块留出更多应对的时间和空间。
自动驾驶系统在收到传感器数据后，「大脑」也需要花费一些时间进行分析和决策，最后再输出具体的控制信号，这个过程花费的时间就是系统延时。自动驾驶不仅需要看得很快，还要能够快速做出反应，才能拥有好的驾驶表现。延时过大，意味着自动驾驶经常会「贻误时机」，在变化无穷的驾驶环境下，很多的操作也会变得「不合时宜」。Nullmax将自动驾驶系统的延时极限压缩，从传感器数据的输入到控制器信号的输出保持在百毫秒范围内，最大程度地提升系统的反应能力。在反应能力更快的情况下，自动驾驶覆盖的场景和极限工况也将会更多。
在满足一系列的安全硬指标后，自动驾驶的比拼就到了性能的环节。通过一系列的性能指标，自动驾驶的实际效果可以用数字精准量化出来。比如看得远不远、准不准，开车快不快、稳不稳，就可以透过感知距离、精准率、最大车速、加加速度等数值体现出来。
自动驾驶的性能指标非常多样，涉及多个维度。如果是判断感知等能力，那么可以通过支持的种类、数量以及召回率、精准度、误差等指标进行分析，比如障碍物检测、车道线检测等。如果是判断具体的功能，那么可以通过速度、距离、弯道曲率、坡度等指标进行分析，比如自动领航、自主泊车等。目前在Nullmax的量产方案中，自动驾驶感知距离超过200米，对主要目标检测的关键指标，例如CIPV（Closest In-Path Vehicle）的召回率、精确率达到99.9%，漏检率<0.1%，大幅领先行业标杆水平。
前装自动驾驶产品是一个技术、成本等因素综合考虑的产物。虽然不能用一些简单的数字进行比较，但是透过这些关键的指标，大家也能够相对细致、全面地了解一套方案的真实能力，「不看广告看疗效」地认识自动驾驶。
