📚 课程目录第3章异常检测概述

3. 异常检测概述

在自动驾驶系统中，“异常”并不是一个模糊的“感觉不对”，而是一个可被定义、可被观测、可被判定并需要触发响应的工程对象。异常检测的目标，是在系统仍处于可纠正阶段时，尽早识别出偏离预期行为、预期状态或预期环境模型的事件，为降级、告警、靠边停车或紧急接管争取时间。若把自动驾驶比作一名持续工作的驾驶员，异常检测就是它的“警觉系统”：既要发现传感器看不清、算法算不准，也要发现环境突变和系统自身失效。

核心定义：异常是指系统在运行过程中，某一观测、状态、输出或环境条件显著偏离正常分布、设计假设或安全边界，并可能导致功能性能下降、安全风险上升或任务失败的事件或模式。

3.1 异常的定义与判定边界

异常检测不是单纯追求“发现所有不同”，而是要在误报与漏报之间取得平衡。工程上通常从三个维度定义异常：

统计维度：观测值偏离历史分布或预测分布，例如激光雷达点云密度骤降、摄像头图像亮度突变。
逻辑维度：违反系统设计约束或物理规律，例如车速与轮速长期不一致、障碍物轨迹穿越不可行驶区域。
安全维度：虽未立即失效，但已进入风险边界，例如制动距离余量不足、接管时间窗口小于阈值。

因此，异常判定通常需要“阈值 + 上下文 + 持续时间”共同作用。单帧跳变可能是噪声，连续多帧偏离才可能是故障；单传感器异常可能由遮挡引起，多传感器一致性破坏则更可能是系统级问题。

3.2 异常分类：四类典型异常

结合自动驾驶感知—决策—控制链路，可将异常分为传感器异常、算法异常、环境异常和系统异常。四类异常并非孤立，常会级联传播。

异常类别	典型表现	常见根因	检测信号示例
传感器异常	图像模糊、点云缺失、雷达回波异常、IMU漂移	遮挡、污损、雨雪、标定失效、硬件老化	信噪比、点云密度、时间戳偏差、标定残差
算法异常	漏检、误检、轨迹预测跳变、分类置信度异常	分布外样本、模型过拟合、后处理逻辑缺陷	置信度分布、检测框抖动、预测轨迹曲率
环境异常	施工区、事故现场、极端天气、突然闯入目标	场景超出训练分布、动态目标不可预测	场景复杂度、未知障碍物比例、能见度估计
系统异常	通信延迟、算力过载、执行器响应迟滞、电源波动	资源竞争、网络抖动、硬件故障、软件死锁	端到端延迟、CPU/GPU占用、CAN报文周期

3.3 检测难点与挑战

异常检测的困难，首先来自“正常”的边界本身就不固定。城市道路、高速公路、园区道路的正常模式差异巨大，同一场景在白天与夜间、晴天与雨天的统计特性也完全不同。其次，异常样本稀少且长尾，真实道路中严重故障和极端场景占比极低，导致监督学习难以覆盖。第三，多传感器和多模块之间存在耦合，一个传感器异常可能被融合算法“平滑”掉，也可能被误判为算法异常。第四，检测实时性要求高，必须在毫秒到百毫秒级完成判断，否则接管窗口会被压缩。最后，误报会降低用户信任，漏报则直接威胁安全，二者需要根据风险等级动态权衡。

工程提示：异常检测不应只依赖单一阈值。建议采用“多信号交叉验证 + 时间一致性 + 风险分级”的策略，把异常分为提示、降级、接管三级响应。

3.4 方法流程：从观测到接管

一个可落地的异常检测流程通常包含以下步骤：

数据采集与同步：对齐摄像头、激光雷达、毫米波雷达、IMU、GNSS和底盘信号的时间戳。
特征提取：计算点云密度、图像清晰度、检测置信度、轨迹残差、通信延迟等指标。
异常评分：用统计阈值、重构误差、分类器或规则引擎给出异常分数。
融合判定：结合多传感器一致性和时序持续性，输出异常类别与风险等级。
响应决策：触发告警、功能降级、靠边停车或紧急接管请求。

异常检测伪代码示例：
for frame in stream:
    features = extract(camera, lidar, radar, imu, can)
    score_sensor = sensor_consistency(features)
    score_algo   = model_uncertainty(features)
    score_env    = scene_complexity(features)
    score_sys    = latency_and_resource(features)
    risk = fuse(score_sensor, score_algo, score_env, score_sys)
    if risk >= TAKEOVER_TH:
        request_emergency_takeover()
    elif risk >= DEGRADE_TH:
        degrade_function()
    else:
        continue_driving()

3.5 案例与场景：施工区锥桶引发的连锁异常

车辆在城市快速路行驶，前方出现临时施工区。摄像头因逆光导致锥桶检测置信度下降，激光雷达点云被锥桶稀疏反射削弱，算法模块将部分锥桶误判为可行驶区域边缘。此时，环境异常（施工区）先出现，随后引发传感器异常（视觉退化）和算法异常（漏检）。若系统仅依赖单帧视觉结果，可能继续行驶；若引入多传感器一致性检测和时序跟踪，则能发现“视觉消失但雷达仍有回波”的矛盾，提前触发降级并提示接管。这个案例说明：异常检测必须跨模块、跨时间、跨传感器联合判断。

常见误区：把异常检测等同于故障诊断。故障诊断关注“部件是否坏了”，异常检测关注“当前行为是否偏离安全预期”。前者是后者的子集，后者还必须覆盖环境突变和算法不确定性。

3.6 复盘：检测能力评估清单

是否覆盖四类异常：传感器、算法、环境、系统？
是否定义清晰的正常基线与风险阈值？
是否具备时间一致性和多传感器交叉验证？
是否区分误报、漏报和延迟三类指标？
是否与接管策略、降级策略形成闭环？
是否在极端天气、施工区、通信抖动等场景中验证？

综上，异常检测概述的关键在于建立统一的异常定义、覆盖四类异常的检测视野，并正视长尾、耦合、实时和误报漏报等挑战。只有把异常检测嵌入感知、决策、控制与接管的全链路，才能让自动驾驶系统在不确定环境中保持可解释、可降级、可接管的安全能力。