155、自动化测试平台设计：从场景库到评分引擎的工程化落地去年Q3的一个深夜，我盯着屏幕上那条诡异的绿线发呆。车载环视系统的拼接算法在实验室跑了上千次都稳如老狗，一到产线就间歇性出现0.5像素的错位。产线工人说“偶尔闪一下”，研发说“复现不了”，质量经理拍桌子说“明天必须给结论”。那晚我意识到，影像系统的测试不能靠“跑几个case看看效果”，必须有一套能覆盖场景、量化评分、自动回归的工程化平台。场景库：不是堆数据，是挖坑很多人做自动化测试的第一反应是“多录几段视频”。结果录了10T数据，跑一遍要三天，最后发现80%的case都是晴天正午的重复场景。真正有价值的场景库，是刻意制造的“刁难”。我习惯把场景库分成三层：基础层、边界层、对抗层。基础层覆盖正常光照、标准姿态、常见物体，这部分占30%就够了，主要用来验证功能是否跑通。边界层才是核心——低照度、逆光、运动模糊、遮挡、多目标重叠，这些场景要占到60%。对抗层是留给算法工程师的“惊喜”，比如故意在镜头前放一块半透明塑料膜模拟起雾，或者用频闪灯模拟LED路灯的频闪干扰。构建场景库时有个血泪教训：别只录原始RAW。很多团队把sensor直出的RAW存起来，觉得“最原始最完整”。但实际调试时，ISP pipeline里任何一个模块的参数变化，都会导致最终效果天差地别。正确的做法是同时保存RAW和经过ISP处理的YUV，并且把每一帧的metadata（曝光时间、增益、白平衡系数、AE/AF状态）都序列化成JSON附上。这样回放时才能精确复现当时的硬件状态。场景标注
155、自动化测试平台设计：从场景库到评分引擎的工程化落地去年Q3的一个深夜，我盯着屏幕上那条诡异的绿线发呆。车载环视系统的拼接算法在实验室跑了上千次都稳如老狗，一到产线就间歇性出现0.5像素的错位。产线工人说“偶尔闪一下”，研发说“复现不了”，质量经理拍桌子说“明天必须给结论”。那晚我意识到，影像系统的测试不能靠“跑几个case看看效果”，必须有一套能覆盖场景、量化评分、自动回归的工程化平台。场景库：不是堆数据，是挖坑很多人做自动化测试的第一反应是“多录几段视频”。结果录了10T数据，跑一遍要三天，最后发现80%的case都是晴天正午的重复场景。真正有价值的场景库，是刻意制造的“刁难”。我习惯把场景库分成三层：基础层、边界层、对抗层。基础层覆盖正常光照、标准姿态、常见物体，这部分占30%就够了，主要用来验证功能是否跑通。边界层才是核心——低照度、逆光、运动模糊、遮挡、多目标重叠，这些场景要占到60%。对抗层是留给算法工程师的“惊喜”，比如故意在镜头前放一块半透明塑料膜模拟起雾，或者用频闪灯模拟LED路灯的频闪干扰。构建场景库时有个血泪教训：别只录原始RAW。很多团队把sensor直出的RAW存起来，觉得“最原始最完整”。但实际调试时，ISP pipeline里任何一个模块的参数变化，都会导致最终效果天差地别。正确的做法是同时保存RAW和经过ISP处理的YUV，并且把每一帧的metadata（曝光时间、增益、白平衡系数、AE/AF状态）都序列化成JSON附上。这样回放时才能精确复现当时的硬件状态。场景标注
