3. 感知系统安全：摄像头、激光雷达、毫米波雷达的失效模式分析

感知系统，说白了就是自动驾驶汽车的「眼睛」和「耳朵」。

我经常跟团队里的年轻人讲，你算法写得再漂亮，如果传感器本身出了问题，那一切都是白搭。今天咱们就来聊聊，摄像头、激光雷达、毫米波雷达这些核心传感器，到底会怎么「掉链子」。

3.1 摄像头失效模式：看得见，不一定看得清

摄像头是感知系统里最像人眼的传感器。但它的问题，也跟人眼一样多。

3.1.1 硬件层面的失效

先说说最直接的硬件问题。我在项目中遇到过一台测试车，大晴天突然丢掉了车道线。排查了半天，结果是镜头上有鸟粪。嗯，你没听错，就是这么接地气的问题。

• 镜头污损：泥点、雨雪、昆虫尸体。我建议在系统设计时，必须加入镜头清洁机制和污损检测算法。
• 曝光异常：进出隧道时的瞬间过曝或欠曝。说白了就是相机「晃瞎了眼」，需要几帧才能恢复。
• 机械振动：车辆颠簸导致镜头焦距偏移。我曾经见过一台车，跑完搓板路后，摄像头图像直接模糊了。
• 热噪声：夏天暴晒后，CMOS传感器温度升高，暗电流增加，图像上会出现「雪花点」。

3.1.2 软件与算法层面的失效

硬件没问题，图像也清晰，但算法就是认不出来。这种情况更让人头疼。

• 光照变化：逆光、黄昏、夜间。你想想看，同一个交通标志，白天和晚上在算法眼里可能是两个东西。
• 运动模糊：车速快或者曝光时间长，图像拖影。我建议曝光时间不要超过车速的倒数。
• 遮挡与截断：前车挡住部分视野，或者目标只露出一半。很多检测模型在这种场景下会直接「放弃治疗」。

3.2 激光雷达失效模式：点云的世界也有盲区

激光雷达被认为是「最可靠」的传感器。但说实话，它也有自己的脾气。

3.2.1 物理层面的失效

激光雷达的原理是发射激光束并接收反射。任何影响光路的东西，都是它的天敌。

失效模式	原因	影响
窗口污染	泥水、油膜覆盖在雷达罩上	点云密度下降，甚至完全丢失
雨雪衰减	水滴/雪花对激光的散射和吸收	有效探测距离缩短30%-50%
太阳光干扰	强太阳光中的红外成分	信噪比降低，出现大量噪点
多路径反射	激光在玻璃、镜面间多次反射	产生「鬼影点」，测距不准

我个人习惯，在雨雪天气测试时，会特别关注激光雷达的「回波率」指标。如果回波率低于30%，那基本可以认为这个雷达已经「半瞎」了。

3.2.2 运动与振动带来的问题

激光雷达对自身的运动状态非常敏感。为什么？

因为点云拼接需要精确的位姿信息。如果车辆在颠簸，或者雷达安装支架有松动，那每一帧点云之间都会出现错位。

3.3 毫米波雷达失效模式：它也有「看走眼」的时候

毫米波雷达的优势在于全天候。但它的劣势也很明显——分辨率低，容易「误判」。

3.3.1 多径效应与虚假目标

这是毫米波雷达最经典的失效模式。说白了，就是电磁波在路面、护栏、隧道墙壁之间来回弹射，最后雷达以为那里有个「幽灵车」。

• 隧道场景：电磁波在隧道内多次反射，产生大量虚假目标。我建议在进入隧道时，对毫米波雷达的检测结果进行「降权」处理。
• 高架桥下：桥面反射导致雷达误以为上方有障碍物。很多AEB（自动紧急制动）误触发都是这个原因。
• 金属护栏：连续护栏会产生「镜像目标」，让雷达以为旁边车道有车。

3.3.2 速度与距离的模糊

毫米波雷达通过多普勒效应测速。但这里有个坑——当目标速度太快时，会出现「速度模糊」。

举个例子：一辆车以200km/h的速度迎面驶来，雷达可能把它误判为50km/h的静止目标。为什么会这样？因为多普勒频移超过了雷达的测量范围，发生了「混叠」。

3.3.3 静止目标检测的短板

毫米波雷达对静止目标的检测能力一直是个老大难问题。原因在于，雷达需要依靠多普勒效应来区分目标和地面杂波。如果目标静止，它的多普勒频移和地面是一样的，雷达就很难把它「抠」出来。

我遇到过最头疼的情况：高速公路上有一个静止的故障车辆。毫米波雷达直接把它当成了路边的护栏，完全没有报警。幸好当时还有激光雷达和摄像头做融合，不然就出大事了。

3.4 多传感器融合：用冗余对抗失效

讲完了单个传感器的失效模式，你可能会问：这么多问题，那自动驾驶还能用吗？

答案是：能。但前提是——你必须做好多传感器融合。

我个人的设计原则是：

1. 任何单一传感器都不能作为决策的唯一依据。摄像头说前面有车？好，让激光雷达和毫米波雷达也确认一下。
2. 建立传感器健康度监控机制。每个传感器都要实时上报自己的「健康状态」。比如，摄像头的污损程度、激光雷达的回波率、毫米波雷达的信噪比。
3. 设计降级策略。当某个传感器失效时，系统要能平滑降级，而不是直接「罢工」。

嗯，这就是我对感知系统失效模式的一些思考。下一章，咱们聊聊决策规划系统的安全设计——那又是另一片战场了。