无人车现场故障排查：传感器、算法与极端工况下的应对策略

无人车从实验室走向街头，其技术架构已经历多次迭代。但对于工厂采购、设备工程师以及运营方而言，真正考验技术成熟度的并非实验室里的完美数据，而是实际运行中遇到的各类故障。本文基于一线运营经验，梳理无人车在感知、决策、执行三个层面的常见故障现象、排查步骤与预防措施，帮助读者理解这些“新坐骑”在真实场景下会出什么问题、为什么出问题、以及如何系统性地解决问题。

传感器系统故障：激光雷达与视觉融合的现场判断

无人车的感知系统通常由激光雷达、毫米波雷达、超声波传感器和摄像头组成，其中激光雷达与视觉的融合方案是当前主流。实际使用中，传感器故障是最高频的现场问题，但许多新手容易将“传感器失效”与“算法误判”混淆。

激光雷达的常见失效模式

激光雷达的故障往往与环境工况直接相关。现场常见的情况是：在暴雨或浓雾天气下，激光雷达的探测距离会从标称的150~200米骤降至30~50米。这不是硬件损坏，而是因为激光束在雨滴或雾粒上发生散射，导致回波信号衰减。老手会通过查看点云密度来判断：正常工况下，一台32线激光雷达每秒输出约64万个点，当点云密度低于正常值的60%时，就需要考虑调整雷达的增益参数或切换至毫米波雷达作为主传感器。

另一个容易忽略的点是激光雷达窗口的污染。在建筑施工区域或尘土较多的园区，雷达窗口上的油污或灰尘会导致探测盲区。多数工厂的做法是每班次检查一次雷达窗口，但实际使用中，如果车辆经过泥泞路段或喷洒农药的区域，污染可能在几分钟内发生。正确的排查流程是：先检查窗口清洁度，再用标准反射板（通常为10%反射率的灰色板）测试雷达的测距精度，若偏差超过±5厘米，则需要校准。

视觉传感器的标定失效

摄像头与激光雷达的联合标定是保证感知精度的关键。现场常见的误区是：认为标定一次就永久有效。实际上，车辆经过剧烈颠簸或碰撞后，摄像头与雷达之间的相对位置可能发生微米级的偏移，这种偏移在近距离（3~5米）可能只导致几厘米的误差，但在远距离（50米以上）会放大到数米，直接导致目标识别错误。

判断标定是否失效的简易方法：观察车辆在直线行驶时，视觉识别的车道线与激光雷达检测的路沿是否重合。如果偏差超过0.3米，就需要重新执行标定流程。标准标定步骤包括：将车辆停放在平整地面，在车前5米、10米、20米处分别放置标定板，通过专用软件计算两个传感器的外参矩阵。整个过程需要15~30分钟，且要求环境光照稳定（避免强逆光）。

传感器故障的排查优先级

当无人车出现感知异常时，建议按以下顺序排查：

1. 环境因素：检查天气、光照、粉尘浓度。激光雷达在能见度低于50米的浓雾中基本失效，此时应评估是否暂停运营。
2. 物理清洁：检查所有传感器表面是否有污渍、水渍或遮挡物。
3. 电气连接：检查传感器线束是否松动、供电电压是否稳定（通常为12V或24V直流，波动范围应在±5%以内）。
4. 固件版本：确认传感器固件与车辆主控系统的版本兼容。现场曾出现因固件升级后通信协议不匹配导致数据丢包的情况。
5. 硬件替换：若以上均无问题，使用备用传感器进行替换测试，确认是否为硬件损坏。

决策算法故障：路径规划与行为预测的边界条件

传感器提供了环境数据，但无人车的“大脑”——决策算法——才是决定车辆行为的关键。算法故障往往比硬件故障更隐蔽，因为它们不会直接报错，而是表现为车辆行为异常。

动态障碍物预测的失效场景

无人车通过深度学习模型预测行人或车辆的运动轨迹。实际使用中，算法在以下场景容易出现误判：

• 非常规运动模式：比如儿童突然折返奔跑、行人从停靠的公交车后冲出。算法通常基于历史轨迹进行预测，对于这类“无规律”行为，预测准确率会从正常的95%以上下降到60%~70%。
• 遮挡后的重新出现：当障碍物被其他车辆或建筑遮挡后再次出现时，算法需要重新建立跟踪。现场常见的问题是：遮挡时间超过2~3秒后，算法可能将该目标视为“新目标”，导致紧急制动或路径重规划，引发不必要的顿挫。

老手的做法是：在部署前，针对运营区域的典型场景（如学校门口、集市区域）进行专项数据采集和模型微调。这不是一次性的工作，而是需要根据季节、活动变化持续更新。对于工厂采购而言，需要向供应商明确询问算法对“非常规行为”的覆盖率，而不是只看标准测试集上的指标。

路径规划中的死锁与振荡

在狭窄通道、多车交汇或人车混行区域，无人车可能出现“死锁”——即车辆反复前进后退，无法找到通行路径。这通常是因为算法的代价函数设置不当：过于强调安全距离（例如要求与障碍物保持1米以上间距），导致在宽度仅2.5米的通道中无法通过。

排查方法：查看车辆的规划轨迹可视化数据。正常规划应是一条平滑的曲线，而死锁状态下的轨迹会呈现密集的折返点。解决方式是调整规划参数中的“安全裕度”和“路径平滑权重”。但需要注意：过度缩小安全裕度会提高碰撞风险，一般建议将最小安全距离从1米降至0.5米，同时将速度限制在5公里/小时以下。

行为预测的常见误区

许多工程师认为，只要增加传感器的数量就能解决所有预测问题。实际上，感知数据只是输入，预测模型的泛化能力才是瓶颈。一个典型的反例是：某园区部署的无人配送车，在遇到穿黑色衣服的行人时，误判率比穿浅色衣服的行人高出15%。这是因为训练数据中深色目标的样本不足。正确的做法是：在采购合同中明确要求供应商提供针对运营场景的模型再训练服务，而不是依赖出厂时的通用模型。

执行机构故障：线控底盘与制动系统的可靠性

无人车的执行机构包括转向、制动、驱动三个子系统，它们通过线控方式接收控制指令。执行机构的故障直接关系到行车安全，是排查的重中之重。

线控制动的响应延迟

传统液压制动系统的响应时间约为0.2~0.4秒，而线控制动系统理论上可以缩短到0.1秒以内。但实际使用中，制动响应延迟可能因以下原因增大：

• 通信延迟：CAN总线上的数据包如果出现拥堵，指令传输时间可能从正常的10毫秒增加到50毫秒以上。
• 制动执行器磨损：盘式制动器的刹车片磨损后，制动间隙增大，需要更长的建压时间。
• 温度影响：在连续下坡或频繁启停的工况下，制动盘温度可能超过300摄氏度，导致制动效能衰减（热衰退）。

排查步骤：

1. 使用诊断工具读取制动指令发出时间与制动压力建立时间之间的差值，正常应在150毫秒以内。
2. 检查制动液液位和品质，含水量超过3%时需更换。
3. 测量制动盘温度，若超过250摄氏度，应评估是否需要增加制动冷却装置或改用缓速器辅助制动。

转向系统的零位漂移

无人车的转向执行器通常采用电动助力转向系统。现场常见的问题是：经过长时间运行后，转向零位发生漂移，导致车辆直线行驶时偏向一侧。漂移量超过0.5度时就需要校准。

校准方法：将车辆停放在水平地面，使用四轮定位仪确认前束角在标准范围内（通常为0~5毫米），然后通过诊断软件执行转向角传感器零位学习。需要注意的是，如果只是软件校准而不检查机械连接件（如转向拉杆球头是否松动），问题会很快复发。

驱动系统的扭矩控制异常

在湿滑路面或冰雪路面上，无人车的驱动电机可能出现扭矩控制异常，表现为起步打滑或加速顿挫。这通常是因为轮速传感器的信号受到干扰，或者路面附着系数估算模型不准确。

现场判断：观察车辆的横向加速度和纵向滑移率。当滑移率超过15%时，说明轮胎已进入打滑状态。此时，算法应主动降低扭矩输出并启动牵引力控制。如果车辆没有响应，则可能说明控制逻辑存在缺陷。老手会留意车辆的加速度曲线是否平滑：如果出现锯齿状的波动，往往意味着扭矩指令与执行结果之间存在滞后。

通信与定位故障：车路协同与GNSS信号丢失

无人车的运行依赖于稳定的通信链路和精准的定位。在隧道、高架桥下、密集建筑区，GNSS信号可能丢失，此时车辆需要依赖惯性导航和视觉定位。车路协同系统则依赖5G或LTE-V2X网络，网络延迟或丢包会直接影响决策。

GNSS信号丢失后的定位降级

当GNSS信号从4颗卫星以上降至2颗以下时，定位精度会从厘米级（RTK）骤降至米级甚至十米级。此时无人车的应对策略是：切换至惯性导航+视觉里程计的组合定位模式。但惯性导航的误差会随时间累积，一般每行驶100米会产生1~3米的漂移。

排查重点：检查惯性测量单元的零偏稳定性。如果IMU的陀螺漂移超过每小时10度，或加速度计零偏超过10毫克，就需要重新校准或更换。对于在隧道或地下车库运行的无人车，建议部署UWB或激光SLAM定位基站作为备份。

V2X通信的延迟与丢包

车路协同系统依赖于低延迟通信。实际使用中，以下因素会导致通信质量下降：

• 网络拥塞：在大型活动或高峰时段，基站负载增加，端到端延迟可能从20毫秒上升到100毫秒以上。
• 遮挡：大型车辆或建筑物会阻挡V2X信号，导致数据包丢失率超过5%。
• 干扰：附近的其他无线设备（如雷达、Wi-Fi热点）可能对V2X频段造成干扰。

排查方法：使用网络分析仪监测通信延迟和丢包率。当延迟超过50毫秒或丢包率超过2%时，车辆应自动降级为单车智能模式，不再依赖路侧信息。一个常见的误区是：认为5G网络一定能保证低延迟。实际上，在信号覆盖边缘区域或切换基站时，延迟会显著增加，无人车的决策系统必须能够容忍这种波动。

故障排查清单：从现场到维修的标准化流程

基于上述分析，以下是一份可供现场工程师和采购人员参考的故障排查清单，涵盖日常检查、异常处理与定期维护三个层面。

日常检查（每班次）

• 传感器清洁：检查激光雷达窗口、摄像头镜头、毫米波雷达罩是否清洁，有无水渍、油污或昆虫尸体。
• 电气连接：检查所有传感器和线控执行器的线束接口是否牢固，有无松动或腐蚀。
• 自检日志：读取车辆自检报告，关注是否有传感器通信超时、定位精度异常、制动系统压力偏低等告警。
• 环境评估：确认当前天气（雨、雾、雪）和光照条件是否在车辆设计运行范围内。如果能见度低于50米或地面有积雪，应评估是否暂停运营。

异常排查（出现故障时）

1. 症状确认：记录故障发生时的场景（时间、地点、天气、车速、周围环境）、车辆行为（急停、偏离路线、无法启动等）以及仪表盘或监控界面的告警信息。
2. 优先检查硬件：按“清洁-连接-供电”的顺序排查传感器和执行器，排除物理因素。
3. 查看数据日志：下载故障前后的CAN总线数据，重点关注传感器输出、控制指令与实际执行结果之间的时间差和偏差。
4. 模拟复现：在安全场地（如封闭停车场）尝试复现故障场景，确认是偶发性问题还是系统性问题。
5. 软件检查：确认固件版本、算法模型版本是否与当前运营场景匹配。如果近期有升级，考虑回退至前一版本进行对比测试。
6. 定位根源：区分是单一传感器失效、算法边界问题还是通信链路异常。对于复杂故障，建议联系供应商的技术支持，并提供完整的日志文件。

定期维护（按运行里程或时间）

维护项目	周期	检查内容	注意事项
传感器标定	每3个月或每1万公里	激光雷达与摄像头的联合标定精度	标定场地需平整，光照均匀
制动系统	每6个月或每2万公里	刹车片厚度（不小于3毫米）、制动液含水量（小于3%）、制动响应时间	注意热衰退测试
转向系统	每6个月	转向角传感器零位、转向拉杆球头间隙	检查轮胎磨损是否均匀
通信模块	每季度	V2X模块的延迟和丢包率、GNSS信号强度	在运营区域内的多个点位测试
电池与电源	每3个月	电池内阻、电压一致性、绝缘电阻	确保绝缘电阻大于1兆欧

常见误区与风险提示

• 误区一：传感器越多越好。 实际上，过多的传感器会增加数据融合的复杂度，且每个传感器都有失效概率。关键在于传感器的冗余设计和失效降级策略，而非数量。
• 误区二：算法可以处理所有场景。 任何算法都有边界条件。采购时应明确要求供应商提供运行设计域（ODD）的详细说明，包括允许的天气、光照、道路类型、速度范围等。超出ODD的运行风险由运营方承担。
• 风险提示： 无人车的线控系统依赖电子元件，存在电磁干扰风险。在靠近高压输电线路、大型电机或无线电发射塔的区域运行时，应进行电磁兼容性测试。此外，所有软件升级都应先在测试车辆上验证，避免直接推送到运营车队。
• 安全注意事项： 在进行任何硬件维修或软件调试前，必须确保车辆处于安全状态——拉起手刹、切断高压电源、并在车辆前后放置警示标志。对于线控制动系统的维修，需要由经过培训的持证人员操作，避免因误操作导致制动失效。

无人车的故障排查是一项系统工程，需要将传感器、算法、执行机构和通信链路视为一个整体。对于采购方和运营方而言，理解这些故障模式及其背后的原理，远比追求参数指标更重要。一台可靠的无人车，不是永远不会出故障，而是在故障发生时，能给出清晰的告警、安全的降级策略和可追溯的日志。这份清单可作为入场验收和日常运维的参考，但具体参数和周期应根据实际运营环境和车辆型号进行调整。