在ADAS感知里，"某个方位被几个传感器看到、可信度多少"是一个非常基础但又极容易写错的需求。它常见于：传感器覆盖热力图、盲区分析、目标分配扇区、融合置信度初值、功能安全冗余检查。
本文不堆公式，只讲工程落地时最容易踩坑的5件事：角度归一化、FOV跨±180、左闭右开边界减1、索引越界保护、多传感器去重与置信度。最后给一套可直接用的 Python 实现。
一、为什么要把问题抽象成"扇区统计"
把360°按固定扇区宽度 w 切片，例如 w=30 可得12个扇区：
- 扇区0：
[-180,150)不对，按统一偏移写更清楚
通式：扇区i覆盖[i*w-180, (i+1)*w-180) w=30时：扇区0[-180,-150)、扇区1[-150,-120)......扇区5[-30,0)、扇区6[0,30)......扇区11[150,180)
每个传感器给定FOV [start,end]，算出它覆盖哪些扇区；多个传感器汇总后，每个扇区得到"去重传感器数"，再换算置信度。
汽车传感器模型常用距离+方位角描述FOV，检测概率也会随方位偏离中心而衰减；虚拟仿真里FOV和遮挡同样按几何扇区/角度处理。所以扇区统计不是玩具题，而是感知建模的底座。
二、疑难点1：角度归一化到 [-180,180)
ADAS里方位角常以前方为0°、左负右正。原始数据可能出现：
- 超大角：
-190°、542° - 越界角：
190°、-370° - 算法输出：
atan2得到的弧度，转角度后理论上就在[-180,180)，但经过多次坐标变换仍可能越界
归一化原则：结果落在 [-180,180)，-180 可取、含起点；180 不取，回到 -180。
最稳的写法用取模，不用多次while：
def normalize_angle_deg(a):
# 映射到 [-180,180)
a = (a + 180) % 360 - 180
return a如果坚持用while，也要分别处理上下界：
def normalize_angle_while(a):
while a < -180:
a += 360
while a >= 180:
a -= 360
return a易错：只归一化start不归一化end；或者对"180"和"-180"同属正后方处理不一致。统一约定
[-180,180)，-180进、180不进。
极坐标分箱资料也强调：角度数据要做wrap，跨0/360的扇区必须单独处理。
三、疑难点2：FOV跨±180必须拆两段
判断跨不跨边界，要在"已归一化"的前提下做：
- 不跨：
start <= end，例如[-40,40]、[170,175] - 跨：
start > end，例如[-190,-130]归一化后[170,-130]；[170,200]归一化后[170,-160]
跨边界不能写 range(start_idx, end_idx+1)，因为start索引比end索引大，直接遍历会反。
标准拆法：
若 start <= end:
段1 = [start, end]
否则:
段1 = [start, 180)
段2 = [-180, end)两段各自独立算扇区，结果合并去重。
例：[-190,-130]，w=30
- 归一化：
start=170，end=-130 - 跨边界
- 段1
[170,180)：si=11，ei按180算得12，右边界整除减1→11，覆盖{11} - 段2
[-180,-130)：si=0，ei=int((-130+180)/30)=1，右边界(-130+180)%30=0→减1→0，覆盖{0} - 合并：{0,11}
四、疑难点3：左闭右开与"右边界减1"
扇区通式：第 i 个扇区角度区间 [i*w-180, (i+1)*w-180)，左闭右开。
由角度 x 求扇区索引：
si = int((x + 180) / w)
ei = int((end + 180) / w)
if (end + 180) % w == 0:
ei -= 1原因：如果 end 正好落在某个扇区右边界，例如 end=0,w=30，(0+180)%30=0，0°本身不属于 [-30,0) 这一扇区，也不应进入 [0,30)；不减产会多算一个扇区。
例子对比：
[-60,0]：si=int(120/30)=4；ei=int(180/30)=6；(0+180)%30==0→ei=5；覆盖{4,5}- 若漏减1：得到{4,5,6}，错误把
[0,30)算进去
记忆口诀：算start不减速，算end先看余数；余0减1，左闭右开。
五、疑难点4：索引越界用max/min兜底
即使归一化到 [-180,180)，仍建议对索引做保护：
num = int(360 / w)
si = max(0, min(num-1, si))
ei = max(0, min(num-1, ei))好处：
- 浮点误差导致
si=-0或ei=num时不崩 - 后面若接入未归一化数据、或w不能整除360，不至于越界
- 跨边界分段后每段都独立保护，逻辑更稳
注意：max/min 不是"只在跨边界时用"，而是所有分支都建议加。很多同学以为不跨边界就不会越界，结果输入-185没归一化直接算，si变负数。
六、疑难点5：多传感器去重与同名不叠加
扇区统计最容易被业务误解的就是"覆盖数"：
- 按"覆盖次数"统计：同一传感器若因跨边界两段都扫到某扇区，会重复+1；两个同名相机同位置也会+2------这通常不是我们想要的
- 按"去重传感器名"统计：用
set存传感器标识，同名只算1个
工程含义：
- 异名异构（相机+雷达+激光）：信息互补，覆盖数越大通常越可信
- 同名同构（两个一样的前视相机）：主要是冗余容错，不是独立证据，去重后通常仍算1个；若都坏在同一种环境（逆光/雨雪），叠加也没意义
置信度示例口径（按你项目固定）：
def compute_confidence(cover_count, base=0.8, boost=0.1):
return min(1.0, base + boost * (cover_count - 1))- cover=1 → 0.8
- cover=2 → 0.9
- cover=3 → 1.0
- cover>=3 被min截到1.0
三个同名环形FOV：set去重后cover=1→0.8；三个不同名环形FOV：cover=3→1.0。这就是"同名不叠加"的关键。
七、完整参考实现
from typing import List, Dict, Set
def normalize_angle_deg(a: float) -> float:
a = (a + 180) % 360 - 180
return a
def fov_to_sectors(fov_start: float, fov_end: float, w: float = 30) -> List[int]:
"""返回单个FOV覆盖的扇区索引列表（去重、升序）"""
start = normalize_angle_deg(fov_start)
end = normalize_angle_deg(fov_end)
num = int(360 / w)
covered: Set[int] = set()
# 跨边界拆分
if start <= end:
segments = [(start, end)]
else:
segments = [(start, 180), (-180, end)]
for s, e in segments:
si = int((s + 180) / w)
ei = int((e + 180) / w)
# 左闭右开：右边界恰在扇区边界时减1
if (e + 180) % w == 0:
ei -= 1
# 越界保护
si = max(0, min(num - 1, si))
ei = max(0, min(num - 1, ei))
for i in range(si, ei + 1):
covered.add(i)
return sorted(covered)
class SensorSpec:
def __init__(self, name: str, fov_start: float, fov_end: float):
self.name = name
self.fov_start = fov_start
self.fov_end = fov_end
def build_sector_coverage(sensors: List[SensorSpec], w: float = 30) -> Dict[int, Set[str]]:
"""返回 {扇区索引: 去重传感器名集合}"""
num = int(360 / w)
coverage: Dict[int, Set[str]] = {i: set() for i in range(num)}
for s in sensors:
secs = fov_to_sectors(s.fov_start, s.fov_end, w)
for idx in secs:
coverage[idx].add(s.name)
return coverage
def compute_confidence(cover_count: int, base: float = 0.8, boost: float = 0.1) -> float:
if cover_count <= 0:
return 0.0
return min(1.0, base + boost * (cover_count - 1))使用示例：
sensors = [
SensorSpec("front_cam", -40, 40),
SensorSpec("left_radar", -80, -10),
SensorSpec("right_radar", 10, 80),
SensorSpec("rear_radar", 150, 210), # 归一化后跨边界
]
w = 30
cov = build_sector_coverage(sensors, w)
for idx in sorted(cov):
names = cov[idx]
conf = compute_confidence(len(names))
print(f"sector {idx:2d} sensors={sorted(names)} cover={len(names)} conf={conf:.2f}")输出要点：
- 前视
[-40,40]→{4,5,6,7} - 左前
[-80,-10]→{3,4,5} - 右前
[10,80]→{6,7,8} - 后视
[150,210]归一化：150~180段→{11}，-180~-150段→{0}，合计{0,11} - 扇区4/5/6/7被两个传感器去重覆盖→置信0.9；扇区0/3/8/11单传感器→0.8
八、目标分配时的clear()问题
如果你每帧把目标按方位角塞进扇区，下一帧重算前必须清空旧分配。推荐用 clear() 而不是 = []：
class SectorDetail:
def __init__(self):
self.targets = [] # 本扇区目标引用
sectors = [SectorDetail() for _ in range(12)]
def assign_targets(sectors, targets, w=30):
for sec in sectors:
sec.targets.clear() # 保留对象、清空内容，其他持有引用的地方看到的是同一容器
for t in targets:
idx = int((normalize_angle_deg(t.azimuth) + 180) / w)
idx = max(0, min(len(sectors)-1, idx))
sectors[idx].targets.append(t)=[] 会让 sectors[i].targets 指向新列表，若别处还持有旧列表引用，就会出现"清了像没清"的bug。多帧分配、共享扇区对象时一律用 clear()。
九、易错清单（面试/代码评审直接用）
- 只归一化start不归一化end → 跨边界判断错
- 不跨边界用
range(si,ei+1)、跨边界还用同样写法 → 反向遍历/漏扇区 - end右边界整除w不减产1 → 多算一个扇区
- 用
list计数不用set去重 → 同名传感器虚增置信度 - 跨边界两段都覆盖同一扇区时重复add → 不通过set会自动重复，通过set自动去重
- 不用max/min → 异常输入直接越界
- 置信度不写
min(1.0,...)→ cover多大都超1，失去概率意义 - 把"冗余同名"当"独立异构"叠加 → 工程上会高估可信度；动态权重应按环境调整
十、小结
扇区统计看起来是"角度转下标"，真正工程化要做四件事：
- 先归一化再判断，不归一化不分段
- 跨±180必拆两段，每段独立算si/ei
- 左闭右开，end整除边界减1，索引max/min兜底
- 多传感器用set按名去重，置信度按去重覆盖数算，并对1.0封顶
把这套写进 fov_to_sectors + build_sector_coverage + compute_confidence，后面做目标分配、盲区检测、融合初值、功能安全审计都能直接复用。