自动驾驶中的交通标志识别：数据集、基准和现场实验

交通标志识别（TSR）是自动驾驶的核心感知能力，其中对跨区域变化、长尾类别和语义模糊的鲁棒性对于可靠的现实部署至关重要。尽管识别准确性取得了稳步进展，但现有的交通标志数据集和基准对于不同建模范式在这些实际挑战下的行为方式提供的诊断洞察力有限。我们推出了 TS-1M，这是一个大规模且全球多样化的交通标志数据集，包含 454 个标准化类别的超过 100 万张真实世界图像，以及旨在分析模型能力边界的诊断基准。除了标准的训练测试评估之外，我们还提供了一套面向挑战的设置，包括跨区域识别、稀有类别识别、低清晰度鲁棒性和语义文本理解，从而能够对现代 TSR 模型进行系统和细粒度的评估。使用 TS-1M，我们对三种代表性学习范式进行了统一基准测试：经典监督模型、自监督预训练模型和多模态视觉语言模型 (VLM)。我们的分析揭示了一致的依赖范式的行为，表明语义对齐是跨区域泛化和稀有类别识别的关键因素，而纯视觉模型仍然对外观变化和数据不平衡敏感。最后，我们通过实景自动驾驶实验验证了 TS-1M 的实际相关性，其中交通标志识别与语义推理和空间定位相结合，以支持地图级决策约束。总体而言，TS-1M 为 TSR 建立了参考级诊断基准，并为稳健且语义感知的交通标志感知提供了原则性见解。项目页面：https://guoyangzhao.github.io/projects/ts1m。