1. 课程导入
在自动驾驶、机器人、工业监测与航空航天等系统中，单一传感器往往无法在全部工况下稳定提供可信信息。摄像头受光照与天气影响，激光雷达在雨雾中回波衰减，毫米波雷达角分辨率有限，IMU 存在零偏漂移，GNSS 在隧道与城市峡谷中易失锁。多传感器融合的核心价值，正是通过异构信息的时空互补，获得比任一单源更稳健的环境感知与状态估计。然而，融合并非“接上就好”：当某个传感器性能退化、数据异常甚至完全失效时，如果融合算法仍无条件信任它，错误信息会污染整体估计，导致比单传感器更危险的后果。因此，置信度评估与故障降级成为融合系统从“能跑”走向“可靠可用”的关键工程能力。
本节要解决的核心问题：融合系统如何知道“当前该信谁、信多少”？当某一路信息不可信时，系统如何有序降级而不是突然崩溃？这两个问题贯穿本课程全部 30 个章节。
一、核心定义：置信度与故障降级
融合置信度（Fusion Confidence）是指融合系统对某一传感器观测、某一特征关联或某一融合输出结果“可信程度”的量化度量。它不是一个孤立的分数，而是一个多层次概念：既包括单传感器自身的健康度与不确定性，也包括数据关联的正确性概率，还包括融合后结果的一致性水平。工程上常用 0~1 的归一化置信度、协方差矩阵、马氏距离、残差卡方统计量等形式表达。
故障降级（Fault Degradation）是指当检测到传感器故障、置信度下降或资源受限时，系统主动调整融合策略、权重分配、工作模式乃至功能范围，使整体仍能安全运行的一系列机制。降级不是“关掉就完”，而是有层次、有优先级、可恢复的策略集合，例如：降低故障源权重、切换至备份传感器、缩小感知范围、降低自动驾驶等级、请求人工接管。
二者关系可以概括为：置信度是“判断依据”，故障降级是“执行动作”。没有可靠的置信度评估，降级就会误触发或漏触发；没有合理的降级策略，置信度评估就只是无用的数字。
二、整体知识框架
本课程围绕“评估—决策—执行—验证”闭环展开，可划分为五大模块：
- 置信度建模基础：不确定性表示、概率与证据理论、协方差与信息矩阵、置信度来源分类。
- 传感器健康评估：残差检验、卡方检测、一致性检验、时序异常检测、退化趋势预测。
- 融合权重与自适应：加权融合、卡尔曼滤波自适应、鲁棒损失、动态权重分配。
- 故障检测与隔离（FDI）：故障树、多模型假设检验、隔离逻辑、误报与漏报权衡。
- 降级策略与工程落地：降级等级设计、模式切换、安全兜底、仿真与实车验证、复盘指标。
下图给出本节知识框架与信号流关系，帮助建立全局视角：
三、工程价值与典型场景
置信度与故障降级能力直接决定融合系统能否通过功能安全与预期功能安全审查。以 L3 级自动驾驶为例，当激光雷达被泥水遮挡、摄像头逆光致盲时，系统必须在数百毫秒内识别置信度下降，将融合权重转移至毫米波雷达与 IMU/轮速，同时把车速与跟车距离策略切换为保守模式，必要时请求驾驶员接管。若缺少这套机制，融合输出可能持续给出“自信但错误”的障碍物位置，后果远比单传感器失效严重。
在工业机器人、无人机编队、列车定位等场景中，同样的逻辑反复出现：置信度决定信任边界，降级决定安全边界。下表给出典型故障与对应降级动作的映射清单：
| 故障/退化类型 | 置信度表现 | 典型降级动作 | 恢复条件 |
|---|---|---|---|
| 摄像头逆光/遮挡 | 视觉置信度骤降，残差增大 | 降低视觉权重，切换雷达主导 | 图像质量恢复且连续 N 帧稳定 |
| 激光雷达雨雾衰减 | 点云有效点数下降，一致性变差 | 缩小感知距离，提高雷达权重 | 回波强度与点数恢复阈值 |
| IMU 零偏漂移 | 与轮速/GNSS 残差持续偏大 | 启用零偏估计，降低积分权重 | 残差回到卡方门限内 |
| GNSS 失锁 | 定位置信度下降，协方差膨胀 | 切换航位推算，限制绝对定位使用 | 卫星数恢复且精度因子达标 |
| 传感器完全失效 | 健康度归零，无有效数据 | 隔离该源，触发功能降级或接管 | 人工确认或冗余源替代 |
四、常见误区与复盘要点
误区一：把置信度当成固定阈值。不同工况、不同传感器、不同任务阶段的可信边界不同，固定阈值会导致雨天频繁误降级、晴天漏检故障。
误区二：只做检测不做隔离。检测到异常却不切断或降权，错误数据仍会进入融合，等于没做。
误区三：降级策略过于激进。一有波动就退出自动驾驶，用户体验差且可能引发新的安全风险，需要分级、滞回与恢复机制。
误区四：忽略误报与漏报的代价不对称。漏报故障通常比误报更危险，阈值设计应结合危害分析而非单纯追求准确率。
复盘时应重点关注三类指标：故障检测延迟、误降级率、降级后系统可用性。一个成熟的融合系统，不是永远不降级，而是该降级时果断降级、不该降级时稳定运行、降级后能安全恢复。
五、学习目标
- 理解置信度与故障降级的定义、层次及其在融合系统中的位置。
- 掌握残差检验、卡方检测、一致性检验等置信度评估方法。
- 能够设计自适应权重与鲁棒融合策略，处理传感器退化。
- 掌握故障检测、隔离与分级降级的工程实现思路。
- 能够结合仿真与实车数据，评估并迭代降级策略的安全性与可用性。
学习建议：本课程强调“可落地”。每学完一个方法，建议立刻用一段真实或仿真数据复现：先看置信度曲线，再看降级触发点，最后对比降级前后的估计误差。只有把数字和动作连起来，才算真正掌握。
# 典型融合置信度评估伪代码框架
for each sensor_i in sensors:
residual_i = z_i - h(x_pred)
S_i = H_i * P_pred * H_i.T + R_i
d_i = residual_i.T * inv(S_i) * residual_i # 马氏距离
confidence_i = chi2_survival(d_i, dof) # 卡方置信度
health_i = ema(confidence_i, alpha) # 时序平滑
weights = normalize(health_i / trace(R_i))
if any(health_i < threshold_low):
trigger_degradation(sensor_i, level=map_level(health_i))
x_fused = robust_fuse(measurements, weights)