4、传感器故障诊断：GNSS/IMU故障检测、摄像头雷达故障诊断、多传感器一致性校验
各位同学，咱们接着聊。上一节我们把系统架构搭起来了，这一节要解决一个很现实的问题——传感器会坏。
你想想看，V2X系统里装了那么多传感器，GNSS、IMU、摄像头、毫米波雷达、激光雷达……它们天天在车上颠簸，风吹日晒，偶尔还会被泥巴糊住。我做了这么多年项目，最怕的不是算法写不出来，而是传感器出了故障，系统还傻乎乎地拿错误数据去算。
所以，传感器故障诊断不是锦上添花，是保命用的。今天我就把几种核心传感器的故障检测方法，以及多传感器一致性校验的思路，掰开揉碎了讲给你听。
4.1 GNSS/IMU故障检测
先说GNSS。GNSS的故障，说白了就是定位不准了。我遇到过最典型的情况：车在高架桥下走，卫星信号被遮挡，定位直接飘到隔壁车道去了。
GNSS的故障检测，我习惯从三个维度入手：
- 信号质量检测：检查信噪比（SNR）、卫星颗数、几何精度因子（GDOP）。如果SNR低于阈值，或者可见卫星少于4颗，基本可以判定GNSS不可靠。
- 位置跳变检测：连续两帧的位置差，除以时间间隔，算出来的速度如果超过物理极限（比如车速不可能超过100m/s），那就是跳点了。
- 高程异常检测：GNSS的高程数据通常比平面数据更不稳定。如果高程在1秒内变化超过10米，大概率是故障。
核心思路：GNSS故障检测的关键是「物理约束」。任何超出车辆动力学极限的数据，都值得怀疑。
再来看IMU。IMU的故障更隐蔽，因为它没有外部参考。IMU的故障检测，我主要靠「自一致性」和「零速检测」。
自一致性是什么意思？IMU输出的加速度和角速度，理论上应该满足一些数学关系。比如，静止时加速度的模值应该等于重力加速度g。如果偏差太大，说明IMU有问题。
零速检测更实用。车辆停下来的时候，IMU输出的角速度和加速度应该接近零。如果停车时IMU还在乱跳，那肯定是坏了。我曾经在一个项目中，IMU的零偏漂移到了0.5°/s，导致航向角每两秒就偏1度，车子直着开都跑偏。
下面给一个简单的GNSS/IMU故障检测代码示例：
// 伪代码：GNSS/IMU故障检测
bool checkGNSSHealth(GNSSData gps) {
if (gps.satellites < 4) return false;
if (gps.snr < 20.0) return false;
if (gps.gdop > 5.0) return false;
// 位置跳变检测
double speed = calcSpeed(gps.position, lastPosition, dt);
if (speed > 100.0) return false; // 单位m/s
return true;
}
bool checkIMUHealth(IMUData imu) {
double accelMag = sqrt(imu.ax*imu.ax + imu.ay*imu.ay + imu.az*imu.az);
// 静止时加速度模值应接近9.8
if (isVehicleStatic()) {
if (fabs(accelMag - 9.8) > 0.5) return false;
if (fabs(imu.gx) > 0.1 || fabs(imu.gy) > 0.1 || fabs(imu.gz) > 0.1) return false;
}
return true;
}避坑指南：我曾经在IMU故障检测中只用了零速检测，结果车辆在颠簸路面低速行驶时，IMU的噪声被误判为故障。后来我加了一个「持续抖动检测」——如果IMU数据在短时间内频繁跳变，才判定为故障，而不是单次超限就报警。
4.2 摄像头雷达故障诊断
摄像头和雷达，是V2X感知的主力。但它们的故障模式完全不同。
摄像头的故障，我总结为三类：
- 图像质量故障：过曝、欠曝、模糊、遮挡。这些可以通过图像统计信息检测，比如计算平均亮度、对比度、拉普拉斯方差（判断模糊程度）。
- 硬件故障：摄像头掉线、帧率异常、数据丢包。这些需要底层驱动上报状态。
- 标定失效：摄像头安装位置偏移，导致图像与真实世界的映射关系出错。这个比较难检测，通常需要借助其他传感器来校验。
雷达的故障，相对简单一些：
- 信号丢失：雷达长时间没有检测到任何目标，但车辆周围明显有障碍物（比如停在墙前面）。
- 噪声过大：雷达输出的点云中，有大量随机分布的噪点。我一般用点云密度和聚类后的目标数量来判断。
- 距离/速度异常：雷达检测到的目标距离或速度，明显超出物理范围。比如，雷达说前方100米有车，但摄像头看到那里是空的。
注意：雷达的「多径反射」不是故障，但容易误判为故障。比如隧道里，雷达信号在墙壁之间来回反射，会产生虚假目标。诊断算法需要区分「硬件故障」和「环境干扰」。
4.3 多传感器一致性校验
这是传感器故障诊断的「终极大招」。单个传感器可能误报，但多个传感器同时出错的概率极低。所以，一致性校验就是让传感器之间互相「对账」。
我常用的方法有三种：
- 空间一致性校验：将不同传感器的检测结果，统一到同一个坐标系下（通常是车体坐标系）。然后计算它们之间的欧氏距离。如果距离超过阈值，说明至少有一个传感器有问题。
- 时间一致性校验：不同传感器的采样频率不同，时间戳对齐后，检查同一目标的速度、加速度是否一致。比如，摄像头检测到前车速度是10m/s，雷达检测到是15m/s，那肯定有一个错了。
- 逻辑一致性校验：基于物理规律做推理。比如，GNSS说车速是0，但IMU检测到加速度很大，那GNSS可能丢了信号。再比如，摄像头说前方有车，但雷达说前方是空的，那就要看谁更可信。
下面是一个多传感器一致性校验的表格示例：
| 校验类型 | 输入传感器 | 校验方法 | 故障判定阈值 |
|---|---|---|---|
| 空间一致性 | 摄像头 + 雷达 | 目标位置欧氏距离 | > 1.5m（50m以内） |
| 时间一致性 | GNSS + IMU | 速度/加速度对比 | 速度差 > 3m/s |
| 逻辑一致性 | GNSS + 摄像头 | 车道线位置与定位匹配 | 横向偏差 > 0.5m |
我的经验：一致性校验不能搞「一刀切」。不同场景下，传感器的可信度是不一样的。比如，在隧道里，GNSS不可信，但IMU和雷达依然可靠。我建议给每个传感器动态分配一个「置信度权重」，根据当前环境条件实时调整。
最后说一个我踩过的坑。有一次，摄像头和雷达的一致性校验总是报错，排查了很久，发现是摄像头和雷达的安装位置有5厘米的偏差，导致坐标系转换时引入了一个固定误差。后来我在标定环节加了一个「静态偏差补偿」，问题就解决了。
嗯，传感器故障诊断这块，核心就是「不信任任何单一传感器」。让它们互相监督、互相验证，系统才能真正可靠。下一节，我们会讲冗余设计，看看当传感器真的坏了，系统该怎么「带伤作战」。