4、极端场景定义：系统梳理TinyML部署中可能遇到的极端场景类型

TinyML 设备的本质决定了它必然暴露在不受控的真实物理环境中。与云端 AI 不同，TinyML 没有恒温机房、没有专职运维、没有稳定电源，它可能被贴在电机外壳上、埋在土壤里、挂在牲畜脖子上，或者嵌入到户外安防摄像头的支架中。这意味着模型在实验室中取得的 98% 准确率，在部署现场可能因为一个极端场景而骤降到 60% 甚至完全失效。极端场景不是“小概率事件”的代名词，而是 TinyML 系统从原型走向产品化必须跨越的鸿沟。本章将系统梳理 TinyML 部署中常见的极端场景类型，从物理输入异常、环境干扰、硬件退化到数据分布漂移，建立一套完整的场景分类框架，为后续测试集构建提供理论依据。

上图给出了极端场景的四大分类框架。需要强调的是，这四类场景并非彼此孤立——一个实际的部署故障往往是多个极端场景叠加的结果。例如，户外摄像头在黄昏时分（光照剧变）遭遇强风（振动干扰），同时电池电量已降至 20%（电压跌落），此时图像传感器输出的信噪比会急剧恶化。因此，在构建测试集时，不仅要考虑单一极端场景，还要设计“组合极端场景”的测试用例。

4.1 物理输入异常：当传感器“看到”不该看到的东西

物理输入异常是指传感器接收到的信号在物理层面偏离了训练数据的分布范围。这类异常最直接、最容易被感知，但也最容易被测试集遗漏，因为实验室环境很难复现真实世界的物理极端情况。

核心原理：传感器（无论是摄像头、麦克风、加速度计还是温湿度传感器）都有其线性工作区间。当输入信号超出该区间时，传感器输出会出现饱和、截断、非线性失真或完全失效。TinyML 模型在训练时通常使用的是“干净”的传感器数据，一旦输入信号进入非线性区，模型的特征提取层就会接收到畸变的输入，导致推理结果不可靠。

典型场景分类：

子类型	典型表现	受影响传感器	示例场景
光照剧变	过曝、欠曝、动态范围不足	摄像头、光敏传感器	车辆驶出隧道瞬间、云层突然遮挡阳光
遮挡与污损	镜头被遮挡、传感器表面附着异物	摄像头、红外传感器	树叶覆盖户外摄像头、灰尘积累在光学窗口
运动模糊	图像拖影、加速度计信号混叠	摄像头、IMU	设备安装在高速运动的机械臂上
信号饱和	输出值钳位在最大值或最小值	麦克风、加速度计、压力传感器	近距离爆破声、剧烈撞击
多径与串扰	信号叠加、回波干扰	麦克风、超声波传感器	室内空旷空间的回声、多设备同时工作

判断方法：在构建测试集时，可以通过以下步骤识别物理输入异常场景：

1. 分析传感器数据手册：明确传感器的线性工作区间、饱和阈值、动态范围等关键参数。
2. 实地采集“脏数据”：在目标部署环境中放置采集设备，连续记录 72 小时以上的原始传感器数据，标记出异常片段。
3. 人工注入物理异常：在受控环境下，人为制造遮挡、强光、振动等条件，采集对应的传感器输出。
4. 统计异常分布：统计各类异常出现的频率、持续时间和强度，为测试集的样本配比提供依据。

4.2 环境干扰：看不见的“敌人”

环境干扰是指外部环境通过电磁、热、机械等途径对传感器信号或硬件电路产生的影响。这类极端场景的隐蔽性最强，因为它们不直接改变传感器的物理输入，而是通过间接途径污染信号。

核心原理：TinyML 设备通常采用低功耗设计，信号链路的抗干扰余量有限。环境干扰可能通过以下路径进入系统：

• 电磁耦合：电机启动、继电器切换产生的瞬态电磁脉冲，通过电源线或信号线耦合进传感器电路。
• 电源纹波：电池电量下降时，DC-DC 转换器的纹波增大，叠加到模拟传感器输出上。
• 温度漂移：温度变化导致传感器内部参考电压漂移，使输出信号产生偏移。
• 机械振动：振动通过 PCB 传导到 MEMS 传感器，产生额外的加速度分量。

典型干扰源与影响：

干扰源	干扰路径	对信号的影响	典型场景
电机/继电器	电磁辐射、电源线传导	信号叠加高频毛刺	工业设备状态监测
射频发射器	空间辐射	ADC 采样值跳变	对讲机靠近设备
温度冲击	热传导	信号基线漂移	户外设备昼夜温差
电源切换	电源线	电压跌落、瞬时中断	电池更换、太阳能供电切换

测试集构建策略：环境干扰的测试样本不能仅靠“想象”生成，而应通过以下方式获取：

1. 现场录制干扰信号：在真实部署环境中，使用高采样率的数据记录仪捕获包含干扰的原始信号。
2. 干扰注入测试：在实验室使用信号发生器、静电枪、射频发射器等设备，向设备注入可控的干扰信号。
3. 数据增强模拟：对干净信号叠加不同信噪比的高斯白噪声、脉冲噪声或周期性干扰。

4.3 硬件退化：时间带来的“慢性病”

硬件退化是 TinyML 系统长期运行中不可避免的问题。与突发性故障不同，硬件退化是渐进式的，其影响在初期可能微乎其微，但随着时间推移会逐渐侵蚀模型性能。

核心原理：所有电子元器件都有使用寿命。传感器灵敏度下降、电容容量衰减、连接器氧化、电池内阻增大，这些变化都会导致传感器输出特性偏离出厂标定值。TinyML 模型在训练时使用的是“健康”硬件的数据，当硬件退化到一定程度后，模型输入的数据分布已经发生了偏移。

主要退化模式：

退化类型	退化机制	信号表现	可预测性
传感器灵敏度衰减	感光元件老化、MEMS 结构疲劳	输出幅值降低	缓慢、线性
零点漂移	参考电压偏移、运放输入失调	静态输出偏离零点	缓慢、非线性
电池内阻增大	化学老化	负载时电压跌落加剧	与放电深度相关
连接器接触电阻增大	氧化、微动磨损	信号间歇性中断	随机、不可预测

测试集设计方法：针对硬件退化，测试集需要模拟“时间加速”的效果：

• 老化数据采集：将设备置于高温高湿环境中加速老化，定期采集传感器数据。
• 参数退化模拟：在软件层面对干净信号施加增益衰减、偏移量增加等变换，模拟退化效果。
• 长期监测数据回放：使用已部署设备 6 个月、12 个月的历史数据作为测试集的一部分。

4.4 数据分布漂移：世界在变，模型没变

数据分布漂移是指目标域的数据分布随时间发生变化，而模型参数保持不变。这是 TinyML 系统面临的最具挑战性的极端场景，因为它不是一次性事件，而是持续发生的过程。

核心原理：TinyML 模型在部署后通常无法进行在线学习（受限于内存和算力），因此模型对数据分布的假设是“冻结”的。然而，真实世界的数据分布是动态的：季节更替改变光照和背景、用户行为模式变化、新设备型号的传感器特性不同、甚至环境中的背景噪声也在演化。

漂移类型与检测：

漂移类型	定义	检测方法	示例
协变量漂移	输入特征分布改变，但条件分布 P(y|x) 不变	比较训练集与实时数据的特征分布（如均值、方差）	冬季图像整体偏暗
标签漂移	类别先验概率改变	统计预测类别的频率变化	工厂淡旺季产品类型变化
概念漂移	P(y|x) 本身发生变化	监控模型置信度与误报率	新设备型号的振动模式不同

长期漂移测试集构建：

1. 时间切片采样：从部署环境中按周/月采集数据，形成时间序列测试集。
2. 跨域迁移样本：收集不同季节、不同地点、不同设备版本的数据。
3. 合成漂移：对原始数据施加亮度偏移、噪声水平变化、几何变换等，模拟不同程度的漂移。

4.5 组合极端场景与测试集优先级

实际部署中，单一极端场景虽然常见，但真正导致系统失效的往往是多个极端场景的叠加。例如，一个户外设备在暴雨天（湿度 95%）遭遇雷电（电磁脉冲），同时电池电量不足（电压跌落），此时传感器信号可能完全失真。

组合场景的测试策略：

• 两两组合：优先测试物理输入异常 × 环境干扰的组合，因为这两类场景最常同时发生。
• 三因素组合：在资源允许的情况下，加入硬件退化因素，模拟设备运行一年后的性能表现。
• 优先级排序：根据部署环境的历史故障数据，统计各极端场景的发生频率和影响程度，按 Pareto 原则优先覆盖高频高影响场景。