3. 传感器故障类型：视觉、激光雷达与IMU
大家好，我是老张。今天咱们聊聊传感器故障。说实话，做多模态感知系统这么多年，我踩过的坑比走过的路还多。传感器这东西，看着挺智能，其实娇贵得很。你想想看，一个摄像头被泥巴糊住，或者激光雷达在雨雪天里乱跳，整个系统可能就崩了。
我个人习惯把传感器故障分成三大类：视觉的、激光雷达的、IMU的。咱们一个一个说。
3.1 视觉传感器故障
视觉传感器，说白了就是摄像头。它的问题最常见，也最让人头疼。
3.1.1 遮挡
遮挡是最直接的故障。比如树叶、泥巴、甚至一只飞虫糊在镜头上。我在项目中遇到过，一辆自动驾驶车在乡间小路上跑，摄像头被树枝刮了一下，画面直接黑了一半。
典型表现：
- 图像局部区域像素值异常（全黑或全白）
- 特征点提取数量骤降
- 目标检测框突然消失或偏移
诊断方法：我建议用图像梯度检测。计算每个区域的梯度幅值，如果某个区域梯度接近零，大概率是遮挡了。
避坑指南：我曾经在测试时发现，遮挡不一定是物理遮挡。有时候镜头起雾，效果跟遮挡一模一样。所以别忘了检查温湿度。
3.1.2 过曝
过曝就是画面太亮了。比如车从隧道里冲出来，或者正对着太阳。这时候图像一片白，啥也看不见。
为什么会这样？因为摄像头的动态范围有限。你想想看，人眼能同时看清暗处和亮处，但摄像头不行。它要么照顾暗部，要么照顾亮部。
诊断指标：
| 指标 | 正常范围 | 过曝阈值 |
|---|---|---|
| 平均亮度 | 80-180 | > 220 |
| 高光像素占比 | < 5% | > 30% |
注意：过曝不是简单的亮度问题。它会导致纹理信息完全丢失，后期算法再怎么调也救不回来。我建议在硬件层面加ND滤镜，或者用HDR模式。
3.1.3 失焦
失焦就是画面模糊。可能是自动对焦坏了，也可能是镜头被撞歪了。我记得有一次，一个机器人撞墙后，摄像头对焦马达卡住了，画面一直糊着。
诊断方法：用拉普拉斯算子计算图像清晰度。如果拉普拉斯方差小于某个阈值，基本可以判定失焦。
# 一个简单的失焦检测
import cv2
import numpy as np
def is_blurry(image, threshold=100):
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
laplacian_var = cv2.Laplacian(gray, cv2.CV_64F).var()
return laplacian_var < threshold, laplacian_var3.2 激光雷达故障
激光雷达比摄像头贵多了，但故障也不少。嗯，这里要注意，激光雷达的故障往往不是硬件坏了，而是数据质量出了问题。
3.2.1 点云缺失
点云缺失，就是本该有数据的地方没数据。比如激光雷达被遮挡，或者某个激光器坏了。
典型场景：
- 车辆经过隧道，点云突然少了一大片
- 某个角度始终没有点云（可能是激光器坏了）
- 远距离点云稀疏（正常现象，但过度稀疏就是故障）
诊断方法：我习惯用点云密度检测。把空间划分成体素网格，统计每个网格内的点数。如果某个区域的密度低于正常值的20%，就报警。
3.2.2 多路径干扰
多路径干扰是个老问题。激光打到玻璃、水面或者镜面上，会反射多次，导致测距不准。
举个例子：你站在玻璃窗前，激光雷达打过去，一部分光反射回来，另一部分穿过玻璃打到后面的墙上再反射回来。结果就是，同一个角度出现了两个距离值。
诊断方法：
- 检查点云中是否存在“鬼影”点（距离异常的点）
- 计算局部点云的离散度，多路径干扰往往导致离散度增大
- 用回波强度辅助判断（多路径的回波强度通常较弱）
避坑指南：我曾经在停车场测试时，发现激光雷达把玻璃幕墙当成障碍物，导致车辆急刹。后来加了多路径检测，才解决这个问题。
3.3 IMU故障
IMU是惯性测量单元，它测量加速度和角速度。IMU的故障比较隐蔽，因为它不直接输出“图像”或“点云”，而是输出数值。
3.3.1 漂移
漂移是IMU的老毛病。说白了，就是积分误差越来越大。你想想看，加速度积分一次得到速度，再积分一次得到位置。每次积分都有误差，时间一长，位置就不知道飘到哪去了。
典型表现：
- 静止时，IMU输出的速度不为零
- 积分后的位置随时间线性增长
- 与GPS或视觉里程计对比，偏差越来越大
诊断方法：我建议用零速检测。让系统静止几秒钟，看IMU输出的加速度和角速度是否接近零。如果偏差超过阈值，说明有漂移。
3.3.2 饱和
饱和就是IMU的量程不够用了。比如车辆急转弯，角速度超过了IMU的最大测量范围。
为什么会这样？IMU的量程是固定的。便宜的IMU量程小，贵的量程大。但不管多贵，总有极限。
诊断方法：
- 检查IMU输出值是否长时间接近量程上限
- 对比相邻时刻的数值变化，饱和时数值会“卡住”
- 用加速度计和陀螺仪的交叉验证（比如，角速度饱和时，加速度计的输出也会异常）
注意：饱和不是简单的数据截断。它会导致后续的滤波算法（比如卡尔曼滤波）发散。我建议在硬件选型时，留出至少30%的余量。
小结
好了，今天的内容就到这里。咱们讲了三种传感器的常见故障：视觉的遮挡、过曝、失焦；激光雷达的点云缺失、多路径干扰；IMU的漂移、饱和。
我个人觉得，故障诊断的核心不是“知道故障是什么”，而是“在故障发生时能快速定位”。你想想看，系统跑着跑着突然出问题，你总不能停下来慢慢分析吧？所以，我建议大家在设计系统时，就把这些诊断逻辑写进去，做到实时监控。
下一章，咱们聊聊故障恢复的策略。到时候我会分享一些实战中的骚操作，保证让你大开眼界。