4、传感器故障诊断（上）：GPS/IMU故障模式与诊断算法

各位同学，今天我们进入传感器故障诊断这个硬核话题。说实话，在自动驾驶系统里，传感器就是车的眼睛和耳朵。眼睛花了，耳朵聋了，车还怎么开？所以故障诊断这块，我把它放在整个课程比较靠前的位置，就是因为它太重要了。

今天我们先聊GPS和IMU这对老搭档。为什么把它们放一起？因为在实际工程中，这两个传感器是互补的。GPS提供绝对位置，但更新慢、容易受干扰；IMU提供相对运动，更新快、但会累积误差。两者配合使用，才能保证定位的鲁棒性。

4.1 GPS故障模式：信号丢失、漂移、多路径效应

GPS的故障模式，我归纳起来主要有三种。这三种我在项目里都踩过坑，一个一个说。

4.1.1 信号丢失

信号丢失是最直观的故障。车开进隧道、地下车库、高楼林立的城市峡谷，GPS信号直接就没了。嗯，说白了就是卫星被遮挡了。

我遇到过最极端的情况，是在一个高架桥下面。桥体是钢结构的，GPS信号完全被屏蔽。车在桥下走了大概200米，定位直接跳到了几百米外。那次之后，我就在系统里加了一条硬规则：如果GPS信号强度低于某个阈值，立刻切换到纯IMU推算模式。

4.1.2 漂移

漂移比信号丢失更隐蔽。信号还在，卫星也能看到，但位置就是慢慢偏了。为什么会这样？大气层延迟、卫星钟差、轨道误差，这些因素叠加起来，就会让GPS位置慢慢飘走。

我记得有一次路测，车在一条笔直的公路上开。GPS显示车辆在车道内正常行驶，但实际车辆已经压到车道线了。这就是典型的漂移故障。后来我们分析，是当天电离层活动比较剧烈，导致信号延迟异常。

漂移类型	典型特征	影响范围
缓慢漂移	位置误差随时间线性增长	通常<5米/小时
突发漂移	短时间内位置跳变	可达10-50米
周期性漂移	与卫星几何构型相关	随卫星运动变化

4.1.3 多路径效应

多路径效应，说白了就是GPS信号不是直线过来的，而是经过建筑物、地面反射后才到达接收机。反射信号比直射信号多走了一段路，导致测距出现误差。

这个故障在城市环境中特别常见。我做过一个测试，把车停在一栋玻璃幕墙大楼旁边，GPS定位误差直接飙到了30米。玻璃幕墙简直就是GPS信号的反射镜。

4.2 IMU故障模式：零偏、刻度因子、噪声

IMU的故障模式和GPS不太一样。IMU是惯性器件，它的故障更多体现在内部参数的变化上。

4.2.1 零偏

零偏，就是IMU在静止状态下，输出不为零。比如陀螺仪，你把它放在桌子上不动，它应该输出0度/秒，但实际可能输出0.01度/秒。这个偏差虽然小，但积分之后，角度误差会越来越大。

我遇到过最头疼的一次，是IMU的温度漂移。车在夏天暴晒后启动，IMU的温度从40度升到70度，零偏直接翻了一倍。那次之后，我就在系统里加了温度补偿模型。

4.2.2 刻度因子

刻度因子误差，就是IMU输出的比例不对。比如加速度计，实际加速度是1g，它输出0.98g。这个误差在剧烈运动时会特别明显。

嗯，这里要注意：刻度因子误差和零偏是两种不同的误差。零偏是加法误差，刻度因子是乘法误差。诊断的时候要分开处理。

4.2.3 噪声

IMU的噪声是随机的，无法完全消除。但噪声过大的时候，说明IMU可能已经老化了，或者受到了振动干扰。

我个人习惯，在IMU出厂时都会做一次 Allan方差分析，确定噪声的功率谱密度。如果运行过程中噪声水平突然升高，基本可以判定IMU出了问题。

4.3 诊断算法：残差检验

好了，故障模式讲完了，接下来是诊断算法。第一个要讲的是残差检验。这是我最常用的方法，简单有效。

残差检验的核心思想：用传感器测量值和模型预测值做差，如果差值太大，说明传感器可能出问题了。

具体怎么做？我举个例子。假设我们用GPS和IMU做组合导航。卡尔曼滤波器会输出一个预测位置，GPS会输出一个测量位置。两者的差值就是残差。

// 残差计算伪代码
// 预测位置来自IMU积分
predicted_position = imu_integrate(imu_data, last_position);

// 测量位置来自GPS
measured_position = gps_get_position();

// 计算残差
residual = measured_position - predicted_position;

// 判断是否超限
if (norm(residual) > threshold) {
    // GPS可能故障
    gps_fault_flag = true;
}

这里有个关键问题：阈值怎么设？设太小了，容易误报；设太大了，漏报风险高。我一般用3σ原则，也就是残差的3倍标准差作为阈值。

4.4 诊断算法：一致性校验

一致性校验，说白了就是看多个传感器之间是否「说的一样」。如果GPS说车在东经116度，IMU推算也在东经116度附近，那大概率没问题。如果两个传感器说的差很远，那至少有一个出问题了。

我常用的方法有两种：

4.4.1 传感器间一致性校验

这个方法需要至少两个独立的传感器。比如GPS和IMU，或者两个GPS接收机。

具体做法：

• 计算GPS和IMU的位置差
• 如果差值超过阈值，触发故障标志
• 但无法判断是哪个传感器故障，需要进一步分析

4.4.2 时间一致性校验

这个方法检查传感器自身的时间序列是否合理。比如GPS的位置变化速度，如果一秒钟内位置跳了100米，那肯定有问题。

我曾经遇到过一种情况：GPS信号被干扰，位置数据看起来很正常，但速度信息完全不对。时间一致性校验就能发现这种问题。

// 时间一致性校验示例
// 检查GPS速度是否合理
double gps_speed = calculate_speed(gps_position, dt);

if (gps_speed > MAX_VEHICLE_SPEED * 1.5) {
    // 速度异常，GPS可能故障
    gps_speed_fault = true;
}

// 检查IMU加速度是否合理
double imu_accel = imu_data.acceleration;

if (abs(imu_accel) > MAX_ACCELERATION * 1.5) {
    // 加速度异常，IMU可能故障
    imu_accel_fault = true;
}

4.5 小结

今天的内容就到这里。总结一下：

• GPS的三大故障模式：信号丢失、漂移、多路径效应
• IMU的三大故障模式：零偏、刻度因子、噪声
• 诊断算法：残差检验看测量值和预测值的差异
• 诊断算法：一致性校验看多个传感器之间是否一致

下一节我们会讲更高级的诊断方法，比如基于机器学习的故障分类，以及故障发生后的恢复机制。到时候我会分享一个实际项目中的案例，挺有意思的。

好，今天就到这里。有问题随时问我。