1. 课程导入
在自动驾驶、工业机器人、无人机、航天器以及高端医疗设备中，传感器是系统感知外部世界的“眼睛”和“耳朵”。然而，真实运行环境中的传感器并不总是可靠的：镜头被泥水遮挡、激光雷达在雨雾中回波衰减、IMU 因温漂产生零偏、GPS 在城市峡谷中多路径反射、轮速计在打滑时读数失真。如果系统盲目相信所有传感器数据，轻则定位漂移、控制抖动，重则引发安全事故。因此，传感器异常检测与降级融合成为多传感器系统必须具备的核心能力。
一、学习目标
完成本课程后，学习者应能够达到以下四个层次的目标：
- 概念层：准确区分故障、异常、失效、降级、融合等术语，理解残差、新息、一致性检验、置信度等基础概念。
- 方法层：掌握基于阈值、统计检验、模型预测、机器学习等异常检测方法，并理解卡尔曼滤波、协方差交叉、粒子滤波等融合框架中如何嵌入异常处理。
- 工程层：能够针对 IMU、GPS、激光雷达、摄像头、轮速计等典型传感器设计检测与降级策略，并配置合理的参数与日志。
- 系统层：能够从功能安全角度设计故障树、降级状态机与冗余切换逻辑，平衡可用性、精度与安全性。
二、核心概念
在进入具体算法之前，需要先厘清几个容易混淆的概念。异常是指观测值偏离正常模式，但系统未必失效；故障是传感器或模块本身无法完成规定功能；失效是故障导致系统输出不可接受；降级则是在部分传感器不可用时，系统主动降低性能指标以维持安全运行；融合是利用多个信息源估计同一状态，而降级融合就是在异常条件下动态调整融合策略。
异常检测的核心是构造一个能够反映“预期与实际差异”的指标。最常见的是残差，即观测值与预测值之差。以卡尔曼滤波为例，新息 y = z - Hx⁻ 及其协方差 S = HP⁻Hᵀ + R 构成马氏距离 d² = yᵀS⁻¹y，当 d² 超过卡方分布阈值时，即可判定该观测异常。这个指标既考虑了偏差大小，也考虑了不确定性，比单纯阈值更稳健。
三、整体知识框架
本课程的知识框架可以概括为“三层四环”。三层分别是：数据层（原始信号质量评估）、特征层（残差、一致性、相关性等指标）、决策层（隔离、降级、重构、告警）。四环则是：检测、诊断、隔离、恢复。下图展示了从多传感器输入到降级融合输出的整体关系。
四、典型应用场景
异常检测与降级融合并非实验室概念，而是大量工程系统的刚需。下表列出了几个典型场景及其关键挑战。
| 应用场景 | 易发异常 | 降级策略 | 关键指标 |
|---|---|---|---|
| 自动驾驶定位 | GPS 多路径、激光雷达雨雾衰减 | 切换至 IMU + 轮速计航位推算 | 定位误差、可用性 |
| 工业机器人 | 编码器丢脉冲、力矩传感器漂移 | 多关节冗余估计、限速运行 | 轨迹跟踪误差 |
| 无人机导航 | 磁力计受扰、气压计突变 | 视觉/光流辅助、姿态降级 | 姿态角误差、失控率 |
| 航天器姿控 | 陀螺仪饱和、星敏感器遮挡 | 陀螺积分 + 太阳敏感器重构 | 姿态确定精度 |
五、常见误区与复盘
下面是一段典型的异常检测与降级融合伪代码，展示了新息卡方检验与权重调整的基本逻辑：
for each sensor i:
y_i = z_i - H_i * x_pred
S_i = H_i * P_pred * H_i.T + R_i
d2_i = y_i.T * inv(S_i) * y_i
if d2_i > chi2_threshold:
status_i = ABNORMAL
weight_i = 0.0
else:
status_i = NORMAL
weight_i = 1.0 / trace(S_i)
normalize(weight)
x_est = sum(weight_i * K_i * y_i) + x_pred
P_est = update_covariance(P_pred, weight, S_i)
从这段代码可以看出，异常检测并不是一个孤立的分类问题，而是与状态估计、协方差传播、权重分配紧密耦合的闭环过程。理解这一点，是学好本课程的关键。
本课程后续将围绕这条主线展开：先讲异常检测的数学工具，再讲多传感器融合的经典框架，然后进入降级策略与状态机设计，最后通过自动驾驶、机器人等综合案例进行实战复盘。希望学习者带着“如何让系统在传感器不可靠时仍然安全可用”这个问题，进入每一节的学习。