3. 传感器健康管理基础

智能驾驶系统依赖摄像头、毫米波雷达、激光雷达、超声波雷达、IMU、GNSS 等多类传感器协同工作。传感器一旦出现性能退化或功能失效，轻则导致感知精度下降，重则引发误刹、漏检、定位漂移等安全风险。因此，传感器健康管理（Sensor Health Management, SHM）不是简单的“报错提示”，而是一套围绕状态感知、故障识别、失效预测与决策支持构建的工程体系。理解健康管理，必须先厘清四个基础概念：健康、故障、失效与健康状态。

一、核心概念：健康、故障、失效与健康状态

健康（Health）指传感器在规定条件下、规定时间内完成规定功能的能力水平。它不是一个二值量，而是一个随时间和环境变化的连续量。例如摄像头在白天清晰度良好，但在强逆光或雨雾条件下有效探测距离显著缩短，此时“健康”并未完全丧失，而是发生了性能降级。

故障（Fault）是传感器内部或外部条件导致的异常状态，可能尚未表现为功能失效。例如镜头表面轻微污染、雷达天线罩积雪、IMU 零偏缓慢增大，都属于故障或异常征兆。

失效（Failure）是传感器彻底丧失规定功能，无法继续提供可信输出。例如摄像头无图像输出、激光雷达点云中断、CAN 报文持续丢失。

健康状态（Health State）是对传感器当前健康程度的量化描述，通常划分为正常、退化、故障、失效等层级，并伴随置信度、剩余寿命或风险等级。健康状态定义必须可测量、可判定、可追溯，否则健康管理无法落地。

二、典型故障模式与失效机理

不同传感器的故障模式差异显著，但可归纳为功能型、性能型、接口型、环境型四类。功能型表现为无输出或输出错误；性能型表现为精度、分辨率、探测距离下降；接口型表现为通信超时、校验错误、供电异常；环境型则由温度、湿度、振动、电磁干扰等外部条件触发。

失效机理是故障模式背后的物理或逻辑原因。例如摄像头镜头起雾属于环境型故障，其机理是温差导致水汽凝结；毫米波雷达虚警增多可能源于天线罩污染或多径反射；IMU 零偏漂移则与温度变化、器件老化、安装应力释放有关。只有定位到失效机理，才能设计有效的健康指标与补偿策略。

三、健康状态定义与分级方法

健康状态定义需要解决三个问题：用什么指标描述、如何划分等级、如何给出置信度。工程上常采用多指标融合方式，将原始监测量映射为 0～1 的健康度评分。例如摄像头可用清晰度、曝光异常率、帧率稳定性、通信误码率四项指标加权；毫米波雷达可用信噪比、虚警率、探测距离、角度误差四项指标加权。

健康状态通常划分为四级：正常（Normal）、退化（Degraded）、故障（Fault）、失效（Failure）。正常表示所有指标在阈值内；退化表示部分指标越界但功能仍可用；故障表示关键指标严重越界，需降级使用；失效表示功能不可用，必须隔离或切换冗余。

四、案例场景：摄像头镜头污染的退化过程

某量产车型在雨天行驶中，前视摄像头镜头逐渐被泥水污染。初期健康管理模块检测到图像对比度下降、边缘清晰度评分降低，健康状态从“正常”转为“退化”；随着污染加重，车道线识别置信度持续下降，系统将摄像头融合权重从 0.8 下调至 0.4，并提示驾驶员清洁镜头；若污染继续恶化至图像完全模糊，则判定为“故障”，系统切换至毫米波雷达主导的降级感知模式，同时点亮仪表警告。

健康监测日志示例：
[SHM] camera_front: clarity=0.82, exposure_ok=0.95, fps=29.8 -> state=NORMAL
[SHM] camera_front: clarity=0.51, exposure_ok=0.88, fps=29.5 -> state=DEGRADED
[SHM] camera_front: clarity=0.23, exposure_ok=0.61, fps=28.9 -> state=FAULT
[SHM] camera_front: clarity=0.05, exposure_ok=0.30, fps=0.0  -> state=FAILURE

五、常见误区与复盘要点

• 误区一：把故障等同于失效。故障是异常状态，失效是功能丧失。健康管理的价值恰恰在于在故障阶段提前干预，避免演化为失效。
• 误区二：只关注二值报警。仅输出“正常/异常”会丢失退化趋势信息，无法支撑预测性维护和融合权重动态调整。
• 误区三：健康指标与失效机理脱节。如果指标不能反映真实失效机理，就会出现“指标正常但功能已不可信”的漏报。
• 误区四：忽略环境耦合。雨雾、逆光、高温、振动等环境因素会同时影响多个传感器，健康管理需具备场景自适应能力。

复盘时应重点检查：健康指标是否覆盖主要失效机理、阈值是否经过场景标定、状态迁移是否可追溯、降级策略是否与功能安全目标一致。只有把健康管理从“报警器”升级为“状态评估与决策支持系统”，才能真正支撑智能驾驶的安全冗余与可靠运行。