📚 课程目录第1章课程导入

1. 课程导入

在自动驾驶与移动机器人系统中，激光雷达（LiDAR）长期承担着高精度三维环境感知的核心角色。它能够直接输出厘米级点云，为定位、建图、障碍物检测与可通行区域分析提供稳定几何依据。然而，真实道路环境中的 LiDAR 并非永远可靠：雨雾、扬尘、镜头污渍、强光干扰、机械振动、通信丢包、标定漂移，甚至单帧点云稀疏，都可能让感知链路出现性能下降或短时失效。如果系统仍把 LiDAR 当作“永远正确”的单一真值源，就可能在关键时刻产生误检、漏检或定位跳变。因此，本课程要解决的核心问题是：当 LiDAR 发生失效或降级时，系统如何识别、如何降级运行、如何用其他传感器进行融合补偿，并保证车辆或机器人安全可控。

本节学习目标：建立“失效可识别、降级有策略、补偿可融合、工程可验证”的整体认知框架，理解 LiDAR 失效降级与融合补偿的基本概念、系统边界和工程价值。

一、核心概念：失效、降级与补偿

LiDAR 失效并不只有“完全没数据”这一种形态。工程上更常见的是“性能降级”：点云仍然存在，但有效点比例下降、噪声增大、视场被遮挡、距离精度变差，或者时间同步出现偏差。因此，我们需要区分三个层次：

失效（Failure）：LiDAR 无法提供满足最低可用要求的点云，例如无数据、严重拖影、错误时间戳或点云整体偏移。
降级（Degradation）：LiDAR 仍能输出数据，但质量指标低于正常阈值，例如有效点云覆盖率下降、反射强度异常、局部区域缺失。
补偿（Compensation）：通过摄像头、毫米波雷达、IMU、轮速计、GNSS/RTK 等传感器，或通过历史地图、运动预测、语义先验，对 LiDAR 缺失或降级部分进行信息补足。

这三个概念构成了本课程的逻辑主线：先判断“是否失效”，再决定“降级到何种模式”，最后执行“融合补偿”。如果顺序颠倒，例如未识别失效就直接融合，错误点云会被当成正确观测，反而污染整个感知结果。

二、整体框架：从监测到补偿的闭环

LiDAR 失效降级与融合补偿工程不是单一算法，而是一条完整的工程链路。它通常包含六个环节：状态监测、失效判定、降级策略、融合补偿、安全控制与复盘验证。下面的 SVG 展示了该闭环框架，以及各环节之间的数据流与决策关系。

从图中可以看到，LiDAR 原始点云首先进入状态监测模块，提取有效点率、遮挡比例、时间延迟、强度分布等指标；随后失效判定模块根据阈值、置信度和趋势判断当前处于正常、降级还是失效状态；一旦进入降级或失效，系统切换到相应降级策略，并启动融合补偿。补偿结果最终进入安全控制，决定是否限速、靠边停车或请求人工接管。复盘验证则把日志、回放和指标反馈回监测与判定环节，形成闭环。

三、方法流程：工程落地的关键步骤

在实际项目中，建议按照以下流程推进 LiDAR 失效降级与融合补偿工程：

定义失效场景清单：覆盖雨雾、扬尘、污渍、强光、遮挡、振动、丢包、标定漂移、温度漂移等典型工况。
建立可观测指标：为每种场景设计可量化指标，例如有效点云比例、地面点连续性、障碍物回波强度、点云时间戳偏差。
设计判定逻辑：采用阈值法、滑窗统计、置信度评估或轻量学习模型，输出正常、降级、失效三态。
制定降级策略：明确不同状态下的感知范围、更新频率、融合权重和安全边界。
实现融合补偿：利用相机提供语义与纹理，毫米波雷达提供距离与速度，IMU 与轮速计提供短时运动约束，GNSS/RTK 提供全局参考。
闭环验证：通过数据回放、硬件在环和实车测试，验证检测时延、补偿精度和切换成功率。

下面给出一个典型的失效判定与降级配置片段，便于理解参数如何落地：

lidar_health:
  valid_point_ratio_min: 0.65
  occlusion_ratio_max: 0.30
  timestamp_delay_max_ms: 80
  intensity_std_max: 25.0

degrade_policy:
  normal:
    fusion_weight_lidar: 1.0
    max_speed_mps: 15.0
  degraded:
    fusion_weight_lidar: 0.4
    fusion_weight_camera: 0.35
    fusion_weight_radar: 0.25
    max_speed_mps: 8.0
  failure:
    fusion_weight_lidar: 0.0
    fusion_weight_camera: 0.5
    fusion_weight_radar: 0.5
    max_speed_mps: 3.0
    request_takeover: true

四、案例场景：隧道口强光与扬尘叠加

某园区物流车在隧道口遭遇强光与扬尘叠加工况。LiDAR 点云在隧道出口处出现大面积无效点，有效点率从 92% 骤降到 48%，同时时间戳延迟达到 120 ms。状态监测模块在 60 ms 内识别异常，失效判定模块将其判为“失效”状态。系统立即切换到 failure 降级策略：LiDAR 权重降为 0，相机与毫米波雷达权重各占 0.5，最高车速限制为 3 m/s，并请求远程接管。由于补偿及时，车辆在隧道口前 12 m 处平稳减速，未发生误撞或急停。复盘时发现，若未设置时间戳延迟指标，系统可能仍把滞后点云当作有效观测，导致融合结果出现“鬼影”障碍物。这一案例说明，失效判定不能只看点云数量，还要看时间一致性和空间一致性。

五、常见误区与复盘要点

误区一：把 LiDAR 失效简单等同于“无数据”。实际上，大量事故发生在“有数据但数据不可信”的降级状态。

误区二：只做融合，不做降级。融合补偿必须建立在明确的降级策略之上，否则错误权重会放大风险。

误区三：忽略时间同步。LiDAR 与相机、雷达的时间偏差超过阈值时，融合结果会出现空间错位。

复盘维度	关键问题	推荐指标
检测及时性	失效发生后多久被识别？	检测时延 ≤ 100 ms
判定准确性	是否误报或漏报？	误报率 ≤ 1%，漏报率 ≤ 0.5%
补偿有效性	融合后定位与障碍物精度是否满足要求？	横向误差 ≤ 0.3 m
安全可控性	降级后是否及时限速或接管？	切换成功率 ≥ 99.9%
可追溯性	是否保留完整日志用于回放？	关键帧与指标全量记录

六、工程意义

LiDAR 失效降级与融合补偿工程的价值，不仅在于“让系统在 LiDAR 出问题时还能跑”，更在于建立一套可量化、可验证、可追溯的安全机制。它把感知系统从“单传感器依赖”推进到“多源冗余与动态权重”的工程阶段。对于自动驾驶而言，这意味着更低的失效风险、更平滑的降级体验和更清晰的接管边界；对于移动机器人而言，这意味着在粉尘、雨雾、强光等复杂环境中仍能保持可用性和安全性。掌握这套框架，是后续学习具体失效检测算法、融合补偿策略和安全控制方法的基础。