传感器故障模式分析（上）：摄像头与激光雷达

各位同学，今天我们正式进入传感器故障诊断的核心环节。说实话，传感器是智能驾驶的「眼睛」，眼睛出了问题，后面的决策规划再牛也白搭。我个人习惯把传感器故障分成两类：一类是「硬件本身坏了」，另一类是「数据质量不行了」。今天聊的，主要是后者——数据层面的异常。

你想想看，摄像头被泥巴糊住，激光雷达被雨滴干扰，这些都不是硬件彻底报废，但数据已经没法用了。怎么发现？怎么判断？怎么处理？这就是我们要啃的硬骨头。

一、摄像头故障模式

摄像头是智能驾驶最常用的传感器，但也是最娇气的。我遇到过一台测试车，大晴天突然报「视觉丢失」，查了半天，结果是前车扬起的灰尘刚好糊在镜头上。嗯，这种偶发故障最头疼。

1. 遮挡故障

遮挡分两种：物理遮挡（泥巴、树叶、贴膜）和光学遮挡（强光直射、逆光）。

诊断方法：

• 图像熵检测：计算图像的信息熵。正常道路场景熵值通常在5-7之间，遮挡后可能降到2以下。我习惯设一个动态阈值，根据当前光照条件自适应调整。
• 边缘密度分析：用Sobel算子提取边缘，正常图像边缘像素占比约8%-15%，遮挡后可能低于3%。
• 一致性校验：对比左右摄像头或与前向雷达的感知结果。如果摄像头说「前面没车」，但雷达说「有车」，那大概率摄像头被遮了。

// 遮挡检测伪代码
float computeEdgeDensity(Mat image) {
    Mat gray, edges;
    cvtColor(image, gray, COLOR_BGR2GRAY);
    Sobel(gray, edges, CV_32F, 1, 0);
    int edgePixels = countNonZero(edges > threshold);
    return (float)edgePixels / (image.rows * image.cols);
}

// 经验阈值：低于0.03 触发遮挡告警
if (edgeDensity < 0.03) {
    triggerFault("CAMERA_OCCLUSION");
}

2. 曝光异常

曝光问题说白了就是「太亮」或「太暗」。隧道出入口、夜间对向远光灯，都是高发场景。

关键指标：

指标	正常范围	异常表现
平均亮度	80-180（8bit图像）	<30 过暗 / >220 过曝
直方图方差	>2000	<500 表示图像过于平坦
过曝像素占比	<5%	>20% 触发告警

我个人习惯用「直方图双峰检测」来判断曝光是否合理。正常场景的直方图通常有两个峰（暗部+亮部），过曝时只有一个峰挤在255附近。

3. 帧率异常

帧率问题容易被忽视，但影响很大。摄像头标称30fps，实际可能掉到15fps甚至更低。原因可能是：USB带宽不足、ISP处理过载、或者干脆是硬件老化。

诊断策略：

• 统计1秒内实际收到的帧数，与标称帧率对比
• 计算帧间时间戳间隔，正常应稳定在33ms±5ms（30fps）
• 如果连续3秒帧率低于标称值的80%，触发降级

二、激光雷达故障模式

激光雷达比摄像头「抗造」一些，但故障模式更隐蔽。说白了，摄像头坏了你能看到图像花屏，激光雷达坏了你可能只看到点云「少了几根线」——不仔细看根本发现不了。

1. 点云缺失

点云缺失分两种：局部缺失（某几根激光线没数据）和全局缺失（整个帧没数据）。

诊断方法：

• 线束完整性检查：对于16线雷达，检查每根线束的点数是否在正常范围（通常每线200-500点）。如果某根线束点数低于正常值的10%，判定为缺失。
• 距离分布分析：正常点云在近处（0-30m）和远处（30-80m）都有分布。如果所有点都集中在近处，可能是远距离接收器故障。
• 回波率检测：计算「发射脉冲数 / 接收回波数」的比值。正常回波率在60%-90%之间，低于40%说明有系统性问题。

// 线束完整性检测
for (int line = 0; line < NUM_LINES; line++) {
    int pointCount = countPointsInLine(pointCloud, line);
    float ratio = (float)pointCount / expectedCount[line];
    
    if (ratio < 0.1) {
        // 该线束严重缺失
        lineHealth[line] = FAULT;
    } else if (ratio < 0.5) {
        lineHealth[line] = DEGRADED;
    }
}

// 如果连续3帧超过30%的线束处于FAULT状态
if (faultLineRatio > 0.3) {
    triggerDegradation("LIDAR_LINE_LOSS");
}

2. 噪点激增

噪点就是「不该出现的点」。雨雪、雾霾、甚至飞虫，都会产生噪点。但最头疼的是「串扰噪点」——多台激光雷达同时工作时，互相干扰产生的假点。

噪点特征：

• 孤立点：周围1米内没有其他点
• 回波强度异常：噪点的反射强度通常远低于正常目标
• 时间不连续：上一帧没有，这一帧突然出现，下一帧又消失

诊断指标：

指标	计算方法	告警阈值
孤立点比例	孤立点数 / 总点数	>15%
平均回波强度	所有点强度均值	<30（正常>50）
帧间一致性	连续3帧中同一位置出现点的概率	<20%

3. 视场角偏移

这是最危险的故障之一。激光雷达的视场角（FOV）如果发生偏移，你看到的「前方」可能实际上是「左前方」。车辆会朝着错误的方向规划路径。

原因分析：

• 机械振动导致扫描机构松动
• 安装支架变形（尤其是商用车，长期颠簸）
• 温度变化导致光学元件热胀冷缩

诊断方法：

我习惯用「地面平面拟合」来检测FOV偏移。正常雷达扫描到的地面应该是一个平面，如果FOV偏移，地面平面会倾斜或出现扭曲。

// 地面平面拟合检测FOV偏移
// 1. 提取地面点（高度在-0.5m到0.2m之间）
// 2. 用RANSAC拟合平面方程 ax + by + cz + d = 0
// 3. 计算平面法向量与理想法向量(0,0,1)的夹角

float computeGroundAngle(PointCloud cloud) {
    Plane groundPlane = ransacFitPlane(cloud, 1000);
    Vector3f normal = groundPlane.getNormal();
    float angle = acos(normal.dot(Vector3f(0,0,1)));
    return angle * 180 / M_PI;
}

// 正常角度 < 2度，超过5度触发告警
if (groundAngle > 5.0) {
    triggerFault("LIDAR_FOV_SHIFT");
}

三、知识体系总览

下面这张图总结了今天讲的核心内容。你可以把它当作故障诊断的「检查清单」。

好了，今天的内容就到这里。摄像头和激光雷达的故障模式，说白了就是「数据质量出了问题」。诊断的核心思路是：先定义「正常」的指标范围，然后实时监控偏差。下一节我们会继续聊毫米波雷达和超声波雷达的故障模式，以及多传感器融合时的降级策略。

---