自主和半自动车辆的感知算法可以遇到具有错误物体检测的情况，例如路上的对象错误分类，这可能导致安全违规和可能致命的后果。虽然对象检测算法和在线度量学习的稳健性具有很大的工作，但对基准评分指标几乎没有研究，以确定可能错误分类的任何可能指标。强调探索在线采取这些评分指标的潜力，以便允许AV使基于感知的决定进行实时约束。在这项工作中，我们探讨了哪些指标作为在线指示符时，当感知算法和对象检测器发生故障时。我们的工作提供了关于在线指标的更好设计原则和特征的洞察力，以准确评估物体探测器的可信度。我们的方法采用了非对抗和现实的图像扰动，我们评估了各种定量度量。我们发现离线指标可以设计成考虑到真实世界的腐败，例如恶劣的天气状况，并且这些指标的分析可以为设计在线指标提供SEGUE。这是一个明确的下一步，因为它可以允许无错误的自主车辆感知和更安全的时间 - 关键和安全关键决策。