光照条件对纯视觉自动驾驶系统的影响
纯视觉感知系统本质上是一种依赖环境光的被动探测机制。这类系统依赖于来自外部光源的反射光——例如阳光、路灯或车辆灯光——在物体表面反射后，再被摄像头捕捉。这种感知方式与人眼的工作原理相似，即在光照条件良好的情况下，系统能够获取丰富的颜色、纹理和语义信息，有助于识别交通标志、车道线以及理解复杂的交通情境。
然而，当外部光源不足或环境光条件极端（如夜晚或极端天气）时，被动感知系统的局限性便显现出来。相比之下，主动式传感器如激光雷达（LiDAR）具备显著优势。LiDAR通过主动发射激光脉冲并接收反射信号，基于飞行时间原理计算物体的三维坐标，即使在完全无光的环境下也能保持稳定的探测能力。
在低光照条件下，摄像头传感器面临的关键问题是信噪比（SNR）的急剧下降。当光子数量减少时，传感器捕捉到的有效信号容易被电路噪声淹没。为提升在黑暗中的图像质量，系统通常会延长曝光时间或提高感光度（ISO）。然而，过长的曝光时间在动态驾驶场景中会导致运动模糊，而过高的ISO值又会引入大量噪声，干扰图像特征的识别。
环境介质对光传播路径的干扰
自动驾驶系统运行于真实世界中，光线从物体反射回摄像头的过程中，必须穿越复杂的环境介质。雨、雪和雾等天气条件会通过散射、折射和吸收等机制，对光传播路径造成显著干扰。
雾气的干扰主要由米氏散射（Mie Scattering）引起。雾滴直径接近可见光波长，导致光线在穿过时发生强烈散射，从而降低目标的可见性和图像对比度。从信号处理的角度看，雾气相当于在图像上叠加了一个大尺寸的低通滤波器，过滤掉大量高频细节，使得行人或车道线难以被识别。
雨天环境中的雨滴本身具有球形透镜效应，会对光线产生折射和反射作用，造成画面局部变形和伪影。当雨滴附着在摄像头的保护玻璃上时，还会导致显著的散焦现象，使得关键区域模糊不清。
雪地环境则带来双重挑战。一方面，雪的高反射率在强光下会导致图像过曝；另一方面，在阴天时，雪地与车辆或路标的颜色相近，降低目标识别的置信度。此外，积雪直接覆盖摄像头镜头时，将对视觉系统造成物理性“致盲”。
图像信号处理（ISP）环节的信息损耗
即使光线成功进入摄像头传感器，从原始感光数据到最终的RGB图像，还需要经过图像信号处理器（ISP）的复杂处理。传统车载ISP的优化目标是增强人眼观感，如提升色彩鲜艳度、对比度和降低噪点。然而，这种处理方式对机器视觉算法而言并不总是有利。
ISP的处理流程包括去马赛克、白平衡校正、去噪、伽马校正和色调映射等步骤。在低光或高动态范围（HDR）场景下，去噪算法虽然能减少图像噪点，但也会导致纹理细节的丢失。这种“平滑”处理对人眼可能是友好的，但对依赖边缘信息的深度学习模型而言则可能是致命的。
ISP在处理高动态范围图像时，通常采用多帧曝光合成技术。然而，在高速行驶场景中，这种合成方法容易引入运动伪影，影响感知模型的准确性。此外，ISP的色调映射和伽马校正过程本质上是一种信息压缩，将高动态范围的传感器数据压缩到有限的RGB空间，导致部分亮度细节的不可逆损失。
深度学习模型在极端光照下的挑战
纯视觉方案高度依赖深度学习算法，尤其是卷积神经网络（CNN）和Transformer模型。然而，这类模型的性能很大程度上受限于训练数据的分布。当实际场景与训练数据中的光照条件存在显著差异时，模型的泛化能力将受到挑战。
强逆光或远光灯直射会导致传感器饱和，产生眩光和溢出效应，使障碍物轮廓模糊。在图像特征梯度丢失的情况下，卷积核无法有效激活，从而导致系统“忽略”障碍物。
单目纯视觉系统缺乏直接的深度感知能力，只能依赖物体的视觉特征和几何关系进行距离估算。在低光条件下，这些特征变得不可靠，导致系统无法准确判断物体距离，从而影响决策准确性。
另一个关键问题是模型在数据分布上的偏见。如果训练数据集中大部分是晴朗天气下的图像，模型在面对低光、隧道入口等极端场景时，可能会将异常轮廓误判为无害的阴影或杂物。这种泛化能力的不足，是当前纯视觉系统迈向L4及以上自动驾驶水平所必须克服的难题。