传感器表面那层泥，往往比算法更先杀死自动驾驶。干过实车测试的朋友应该都有过这种经历：摄像头干干净净的时候泊车一把进，跑一段泥水路之后，车道线识别就变得断断续续，ACC（自适应巡航）时不时提示传感器受阻。更麻烦的是，这种脏污不像硬件故障会报错，它属于“亚健康”失效，系统还认为自己看得很清楚，实际上已经在盲跑。

所以当我看到A车企（海外某头部智能电动车品牌）和B车企（韩系某大型汽车集团）各自公开的传感器自清洁相关专利时，第一反应不是去对照谁抄谁，而是这两家代表了完全不同的工程思路：一个靠“感知脏污”来指挥清洁，一个靠“分级响应”来主动干预。结合我自己做传感器标定和可靠性测试的经验，这两份专利文本背后其实藏着一整套关于脏污环境感知可靠性设计的完整方法论。这篇文章就从工程落地的角度，把两份专利的核心逻辑拆开揉碎，顺便聊聊哪些方案真正能通过量产耐久考验。

1. 项目概述与行业痛点

1.1 一个容易被忽视的隐形杀手：脏污

智能驾驶传感器，尤其是摄像头和激光雷达，本质上都是光学设备。光学设备最怕什么？最怕镜头前面多了一层介质。一张泥点、一层水雾、一片油膜，就能让透光率下降百分之三十以上，直接导致目标检测置信度跌到阈值以下。

这件事的魔鬼之处在于它“看起来不像故障”。传感器硬件自检通常只检查电路通断、供电电压、温度范围，不会检查“镜头上有鸟粪”这种输入侧异常。等系统真正告警的时候，往往已经到了无法安全启停功能的程度——我见过某台测试车摄像头被泥糊了一半，但ADAS界面只显示“性能受限”，没有任何提示说哪个传感器被污损了。这时候，自清洁机制就不再是锦上添花，而是可靠性设计的必要模块。

行业里从五年前就开始讨论传感器清洁方案，早期方案大多是固定的喷头加雨刮，到后来演变成超声波振动、高压气体吹扫、光学涂层等。但从专利数量看，真正能体现技术分水岭的反而是“脏污感知”和“清洁决策”这两个环节——怎么知道镜头脏了、脏到什么程度、该启动哪种强度的清洁。这两项专利恰好都踩在这些点上。

1.2 两项专利背后的两种技术路线

A车企的专利偏向系统级闭环：传感器自身或车辆其他传感器先感知脏污，再把脏污程度映射成清洁策略，整个过程形成一个反馈回路。B车企的专利则偏向物理结构创新：通过特殊的喷头布局和分级清洁流程，对不同程度的脏污实施差异化的清洗强度，同时引入对清洁效果的验证。

可以简单理解为：A车企解决“何时洗、怎么判断该洗了”，B车企解决“怎么洗得干净、怎么确认洗没洗干净”。这就像家用扫地机器人：一台靠识别灰尘程度决定要不要二次清扫，另一台靠改进滚刷结构保证一次扫净。两者没有高下之分，但放在量产可靠性维度上，各自的坑都不少。

2. 专利一深度拆解：基于感知反馈的闭环自清洁系统

2.1 核心技术方案：先感知再清洁

A车企公开的这套方案，核心不是清洁机构本身，而是“脏污感知模块”。专利里描述了一种方法：利用传感器自身的成像数据来判定光学视窗的脏污程度，然后触发清洁机构，并在清洁完成后再次评估，形成闭环。

具体一点说，摄像头在正常工作时，每一帧图像都会经过一个“质量评估单元”。这个单元不是简单的平均亮度计算，而是综合了多维度特征，包括图像高频成分的衰减、局部对比度变化、边缘锐度下降、固定区域的光斑/条纹模式等。比如一幅干净的道路图像，一般来说行道线边缘是锐利的，路面的纹理细节是丰富的。如果镜头上有一滴泥，图像中会出现一块边缘平滑、高频能量显著降低的区域，并且这个区域在连续多帧中位置固定——因为它粘在镜头上，不随车辆行驶而移动。

这里有个很关键的工程细节：如何区分“镜头脏污”和“场景本身的低纹理”？比如一面白墙本身就是低纹理区域，镜头脏污检测如果只看高频成分，就会误报。专利里给出了解法——利用多帧一致性。车辆行驶时，真实场景在移动，而镜头上的污点相对画面是固定的；利用光流或特征点匹配，可以提取出“静止污渍层”，从而和真实场景分离。这个思路我们在实验室复现过，用标准测试卡模拟场景，加一组不同浓度的泥点，检测准确率能做到不错，但难点在于实时性和算力开销，尤其是要在原有感知链路不被拖垮的前提下运行。

2.2 关键机制与实现细节

专利文本里另一个值得细看的点是“脏污度”的量化方式。它不是简单的高/低两档，而是建立了一个从0到100的连续分值。分值由几个子项加权得到：透光衰减比例、散射程度、非均匀性、颜色偏移。不同子项的权重可以动态调整，比如夜间场景下，透光衰减的权重会提高；白天强光场景下，散射的权重会提高。

这个设计思路和光学测试里的调制传递函数（MTF，Modulation Transfer Function）有类似之处。镜头脏污导致的MTF下降，本质上是光学系统分辨能力的下降。专利中虽然没有明确给出MTF计算公式，但通过图像边缘锐度替代，已经实现了等效的工程效果。为了更直观理解，我把它的判定逻辑翻译成伪代码：

def estimate_soiling_degree(frame, previous_frames): # 1. 检测固定污渍区域：利用帧间光流一致性 static_masks = detect_static_degraded_regions(frame, previous_frames) # 2. 计算该区域的锐度衰减量 sharpness_drop = compute_edge_response_drop(frame, static_masks) # 3. 计算透光衰减量（通过区域亮度对比基线模型） transmittance_drop = compute_transmission_drop(frame, static_masks) # 4. 计算散射效应（通过局部对比度下降比例） scatter_index = compute_scatter_index(frame, static_masks) # 5. 加权求和得到脏污度 soiling_score = 0.5 * sharpness_drop + 0.3 * transmittance_drop + 0.2 * scatter_index return soiling_score

这段伪代码不是专利原文，但逻辑脉络完全一致。真正落到产品上还需要解决误报问题，比如雨滴造成的瞬时水纹会被误判为脏污，所以专利里特意强调了时间维度的确认逻辑：持续超过N秒的固定污渍才触发清洁，这样能过滤掉瞬时干扰。

2.3 为什么说这是“闭环”逻辑

闭环在这里体现在三个环节：感知脏污、执行清洁、验证效果。A车企专利明确包含了“清洁完成后再评估”这一步，而不是一喷了之。

具体执行流程是：当脏污度超过第一阈值，系统启动初级清洁（比如喷水+雨刮）；清洁完成后，再次执行图像质量评估。如果脏污度降到安全范围，则恢复正常；如果仍然超标，则触发加强清洁模式（比如高压气体+清洗液+多轮刮刷）；若加强清洁后依然不合格，系统才向驾驶员发出传感器受阻警告，并限制相应功能。

这个设计对可靠性意义重大。因为实际路况里，鸟粪、冻冰、泥浆等污渍的附着强度差异极大，一套固定参数的清洁方案不可能通吃。有了闭环验证，清洁系统就能知道“洗没洗干净”，而不是盲目执行定时清洗任务。从系统逻辑上讲，这种方案把“清洁”从开环操作变成了闭环控制，和无人驾驶里的各种反馈控制思路一脉相承。

3. 专利二深度拆解：机械式自清洁与脏污分级响应

3.1 核心技术方案：从被动防御到主动干预

B车企的专利走的是另一条路线。它的重点不在脏污感知算法，而在自清洁装置的物理结构和分级控制方式。专利里有几个特别有意思的细节，一个是喷头和刮刷一体化结构，另一个是脏污等级的物理判别机制。

这套装置安装在传感器视窗附近，包括可摆动的喷头、压缩空气通道、清洗液通道，以及一个能绕传感器视窗外表面旋转的柔性刮刷。工作时，系统会先喷射压缩空气吹走浮尘，然后喷洒清洗液溶解油污，最后用刮刷进行物理擦拭。这个顺序是经过精心设计的：先用气体处理干性颗粒物，再用液体处理油性污染物，最后用机械摩擦去除顽固残渣——对应的是不同污染物的物理特性。

更巧妙的是，B车企专利中给刮刷加了一个压力传感器。刮刷在擦拭视窗时，通过检测电机电流或压力反馈来判断表面污渍的“粗糙程度”：如果表面平滑，说明污渍基本清除；如果表面粗糙，说明还有颗粒物残留。这种物理层面的脏污检测，和A车企的图像算法形成鲜明对比——一个从光学结果判断，一个从机械触感判断。

3.2 具体结构设计与执行流程

我按照专利描述重建了一下结构布局：

执行流程是这样的：系统周期性地启动一个短时气体脉冲，若检测到视窗表面温度低于冰点，则先加热再喷淋。如果气吹后仍然有覆盖物遮挡，系统提升到喷淋模式。喷淋后，系统通过成像传感器或专用光电传感器检查透光率，如果未恢复，则启动刮刷。刮刷往复次数不是固定的，而是根据压力反馈动态调整——如果第一次刮刷后接触面仍然粗糙，则继续刮刷，最多执行N次，超出后报故障。

这种分级响应的好处在于大部分轻度脏污只需要气吹就能解决，节省清洗液；重度脏污又不会因为盲目操作损伤涂层，因为刮刷压力被实时监控了。专利里明确写到，当刮刷接触压力超过预设上限时，会暂停并重新喷淋润滑，防止干刮损伤光学表面。这个细节非常专业，做过光学镜片清洁的人都知道，干刮是镀膜最大的敌人。

3.3 脏污级别的判断依据

B车企的方案里，脏污程度不靠图像算法，而是靠“清洁代价”来反向衡量：气吹后残留量、喷淋后透光恢复率、刮刷摩擦系数等。这就像一个维修工通过拧螺丝的手感来判断螺丝有没有滑牙，虽然没有精密仪器，但在实际工程中非常可靠。

具体分级如下：

• 级别1（轻度）：气吹后，透光率恢复至正常值90%以上，无需进一步处理。
• 级别2（中度）：气吹后透光率不足，喷淋后恢复至90%以上，无需刮刷。
• 级别3（重度）：喷淋后透光率仍不足，需要刮刷介入。
• 级别4（严重）：刮刷多次后压力反馈仍异常，判定为不可清除污损（如划伤、涂层脱落、粘性胶状物），需要人工处理。

这种分级不需要维护一个庞大的训练数据集，因为它不依赖机器学习，完全是基于物理参数的确定性逻辑。在量产一致性上，这种方案更容易验证，也更容易过功能安全评审——每个判据都可以追溯到物理量和阈值，解释性强。

4. 两种技术路线对比分析与行业影响

4.1 性能对比：感知反馈方案 vs 机械清洁方案

把两份专利放在一张表格里对比，会更直观地看出两种思维差异：

一个有意思的结论是：A车企的方案更适合“判断该不该清洁”，B车企的方案更适合“保证清洁得掉”。真正的量产车上，理想方案其实是两者结合——用图像算法做初步筛查，再用物理反馈做最终确认。现在很多零部件供应商已经在推类似的组合包，效果确实比单一方案稳定。

4.2 可靠性评估：在真实路况下谁会掉链子

我模拟过两种方案在典型工况下的失效模式。A车企方案在高速夜间的失效风险偏高——因为夜间图像信噪比本身低，污点特征和暗场景混在一起，容易出现漏检。特别是对面来车大灯直射时，镜头上的污渍会产生严重光晕，这时图像算法会把整个画面都判定为低质量，清洁系统误触发频繁。

B车企方案在低温环境下的表现稍好，因为物理刮刷不依赖光学判断，但它有个隐患：清洗液在极低温下可能结冰，喷嘴堵塞后整个系统失效。专利中提到了加热单元，但加热只覆盖外沿，如果低温持续，管路内部冻结仍然无解。A车企方案没有这个机械结构，反而少了一类故障源。

在扬尘路面，B车企的机械刮刷可能把砂砾按压在视窗表面，造成划伤。刮刷压力反馈可以限制最大压力，但砂砾硬度往往大于视窗镀膜。这也是我担心机械清洁长期可靠性的核心原因。相对而言，A车企的无接触式方案（如果采用气液喷射，无物理摩擦）对光学表面更友好。

4.3 对自动驾驶传感器布局的启示

这两份专利共同指向了一个趋势：下一代传感器不只是“感知世界”，还要“感知自身健康状态”。未来L3以上自动驾驶对传感器的要求是功能冗余，但传感器自身的“亚健康”状态恰恰是冗余设计覆盖不到的盲区。

行业里已经开始出现专门为传感器清洁设计的控制器，它独立于ADAS主控单独运行，有自己的诊断逻辑和故障上报接口。这种架构的好处是，即使ADAS主控认为传感器正常，清洁控制器也能基于图像质量或机械反馈独立发起清洁请求，并向主控报告清洁状态。从整车电子电气架构演进看，这属于典型的边缘智能节点。

另外，传感器布置位置越来越刁钻——藏在进气格栅里、保险杠内、后视镜下方——这些位置空气动力学好，但极容易积灰。于是摄像头模组厂商开始把清洁功能内嵌入传感器模组，而不是依赖整车端外挂。两家专利其实都在推动“传感器+清洁一体化”的硬件形态，未来我们可能会看到自带清洁模块的标准传感器产品。

5. 落地实践中的关键细节与避坑指南

5.1 从专利到量产的难点

专利文本和能过产线的产品之间，隔着几百个工程细节。先说最容易被忽略的电磁兼容问题：清洗液泵和电机启动瞬间的电流尖峰，可能干扰摄像头视频传输。我们遇到过好几次模间串扰导致图像瞬断，后来靠调整电机启动时序和电源滤波才解决。

再比如清洁液的水质选择。自来水杂质在加热后会结垢，堵喷头、留水渍，反而让视窗更脏。专利里都没写，但量产必须用去离子水或者专用清洗液，且要配过滤器和软化装置。否则三个月后，清洁系统就成了脏污制造机。

还有刮刷的胶条老化。硅胶刮刷在紫外线照射下会变硬，时间长了会在视窗上留下划痕。B车企专利里的压力反馈能感知刮刷异常，但真正量产还得加一个“刮刷寿命计数器”，用刮刷次数和总摩擦距离来预测更换周期。

5.2 实用经验：我们设计传感器自清洁时的三个坑

第一坑：误用图像算法检测脏污时，忘了处理“雨滴动态噪声”。雨滴打在镜头上会形成斑点，但它不是固定的，多帧一致性检测能过滤掉，但雨天系统频繁被触发清洁，清洗液消耗速度比想象中快得多。后来优化策略：雨天降低检测灵敏度，或直接根据雨量传感器信号切换为定时清洗模式。

第二坑：喷淋位置没算好，导致水滴残留。喷嘴角度差一点，清洗液可能只会冲刷视窗边缘，中心区域反而越冲越脏。工程师在做CFD仿真时，如果只追求覆盖率，忽略液滴在表面张力下的汇聚效应，就会出现这种问题。实际标定时最好用高速摄像记录喷淋过程，逐帧观察液膜铺展。

第三坑：清洁机构本身成为光学反射源。有些加热丝布置在视窗外侧，在逆光条件下会产生严重反光，直接干扰摄像头成像。这个问题在专利图纸上根本看不出来，必须拿到实车夜测才能发现。建议加热丝藏在视窗夹层内侧，或采用透明导电膜，而不是传统金属丝。

5.3 未来迭代方向

从两份专利的走向看，自清洁技术会经历三次跃迁：第一次是“能清洁”，这个阶段已经过去；第二次是“知道何时清洁”，也就是A车企的感知闭环，目前正在量产普及；第三次是“清洁完不影响感知”，也就是清洁动作本身要满足光学性能要求——比如清洁后喷水残留少、刮刷不留痕、清洗液不会在低温下提高结露风险。

我看到已经有实验室在尝试用压电超声雾化器替代传统喷头，让清洁液变成微米级雾粒，既节省液体，又不会留下明显水痕。还有团队在研究疏水纳米涂层，让污渍在视窗上附着力大幅下降，配合气流就能带走。未来传感器视窗表面可能会变成“可编程表面”：根据不同污渍类型，调整表面带电状态或润湿性，让污渍自动脱落。

这些技术离量产还有距离，但大方向已经明确：传感器不能再做个被动的光学窗口，它得是一个能自我维护的机电一体化系统。对整车厂来说，谁先把这套系统的可靠性做到十万公里不出故障，谁就拿到了高阶自动驾驶落地的关键加分项。

我在实际测试中比较深的体会是：做自清洁系统，与其花心思堆各种酷炫的感知算法，不如先把清洁机构的基础可靠性做扎实。毕竟传感器脏污问题，百分之八十靠一个过滤干净的水管、一个角度合理的喷嘴、一个不伤镀膜的刮刷就能解决；剩下百分之二十的疑难杂症，才需要“感知-决策-反馈”的智能闭环。两条路线并不矛盾，聪明的人会把A企车的“眼睛”和B车企的“手”装在同一台车上。