CTRL系统的表现如何？数据会说话。在自动驾驶行业广泛使用的Waymo开放数据集上，CTRL实现了前所未有的检测精度。这个数据集非常具有挑战性，它包含了各种复杂的道路场景，从拥挤的城市街道到高速公路，从晴朗天气到雨雪天气，几乎涵盖了自动驾驶可能遇到的所有情况。 在验证集上，CTRL的平均精度（mAP/mAPH）达到了惊人的83.9%/82.3%，远远超过了之前最先进的在线检测器。具体到各个类别，对于车辆，CTRL达到了88.5%/87.5%的L1级别精度；对于行人，精度为89.1%/86.3%；对于骑车人，精度为87.9%/86.9%。这些数字意味着什么？简单来说，CTRL几乎可以识别出场景中的每一个物体，并且精确定位它们的位置和姿态。 但数字只是表面现象，让我们深入看看CTRL真正的优势在哪里。研究团队提出了三个特定指标来更全面地评估系统性能：完全漏检率（T-FN）、高置信度误检率（H-FP）和高精度真检率（H-TP）。 完全漏检率指的是被系统完全忽略的真实物体的比例。在超过100万个车辆物体中，CTRL只漏检了5.1千个，比例仅为0.48%。相比之下，基础检测器的漏检率为2.05%。这意味着CTRL几乎不会完全错过任何物体，这对自动驾驶的安全性至关重要。 高置信度误检率指的是系统错误地识别出不存在的物体，且给予高置信度的比例。虽然双向追踪增加了预测框的数量，但它并没有引入额外的高置信度误检。对于车辆类别，CTRL的高置信度误检率为0.77%，低于基础检测器的1.25%。 高精度真检率指的是系统识别出的物体与真实物体高度吻合（IoU>；0.9）的比例。CTRL的车辆高精度真检率达到了56.6%，显著高于基础检测器的46.4%。这表明CTRL不仅能找到物体，还能非常精确地定位它们。 除了这些定量指标，研究团队还对CTRL进行了深入的失败案例分析。他们发现，CTRL仍然会漏检那些点云极少的物体——50%的完全漏检物体含有少于5个点云，90%含有少于24个点云。这些物体往往属于生命周期很短的轨迹，70%的包含大量漏检物体的轨迹生命周期短于2.5秒。这些极端情况确实仍然具有挑战性。 研究团队还进行了一项更深入的比较。他们要求经验丰富的标注者仔细重新标注1000个＂困难车辆＂，这些车辆是从CTRL预测与官方标注IoU较低（小于0.7）的案例中随机抽取的。结果发现，在这些困难案例中，人类标注者之间的一致性也不高——重新标注的框与官方Waymo标注的IoU分布较低。有趣的是，CTRL的预测与重新标注的框之间的IoU分布反而更高，这表明CTRL的预测可能比官方Waymo标注更准确。
