结论：驾驶员监测、相机标定、设备姿态与在线参数学习构成一个带反馈的多进程图，而不是单向初始化序列：modeld 的相机里程计帮助标定与姿态估计，而标定与在线延迟估计又反过来改变模型输入变换与动作时间。两个必须分清的有效位层次是：dmonitoringd 在订阅输入无效时不更新策略，却仍发布有效位为假的监测状态；deviceMotion 顶层有效位取决于滤波器初始化与滤波时间，inputsOK、sensorsOK、posenetOK 是额外健康指标而非同一件事。本文为固定源码快照 c8fb906 的静态调用链分析，模型文件仍是 LFS 指针，未运行设备传感器、驾驶员模型或实车参数学习。
带反馈的多进程图
座舱视频流进入座舱模型进程生成 driverStateV2，监测策略进程以它为轮询主题生成 driverMonitoringState，供行车状态进程与控制进程消费。另一条链上，道路模型进程产出相机里程计，分别驱动标定进程与定位进程，IMU 也送入定位；标定结果又回送给模型与定位进程。定位发布的 deviceMotion 同时驱动在线参数、扭矩与延迟三个估计进程，它们的结果再回流到控制进程，延迟估计还回流到模型进程。这种闭环意味着插件化时必须防止循环依赖中的版本不一致、过期消息，以及把历史估计当成实时观测。
座舱模型与监测策略
| 组件 | 关键入口 | 读入与输出 |
|---|---|---|
| 座舱模型 | ModelState.run() |
从座舱视频缓冲建立输入，做鱼眼 warp 与模型推理 |
| 预测解码 | parse_model_output() |
解码左右驾驶位人脸姿态、眼睛与眨眼、墨镜、手机、睡眠和方向盘位置概率 |
| 消息填充 | get_driverstate_packet() |
发布 driverStateV2 的帧 ID、模型耗时和左右驾驶位特征 |
| 策略循环 | dmonitoringd_thread() |
以 driverStateV2 为轮询主题；输入检查通过才调用策略 |
| 注意力策略 | DriverMonitoring.run_step() |
合并人脸预测、车速、档位、方向盘与油门交互、辅助驾驶使能及标定 |
| 告警与锁定 | _update_events() |
注意力递减与恢复；达阈值后升级一至三级告警，累计无响应与锁定 |
dmonitoringd_thread() 在订阅输入无效时不更新策略，但仍发布有效位为假的监测状态。controlsd 消费无响应强制减速字段形成控制状态里的强制减速标记，行车状态进程还根据监测事件处理使能。调试或驾驶员视角模式在源码中有单独的示例分支，不能用它的默认速度和使能值代表实际行车行为。
相机标定与设备姿态
标定器只采用满足车速、直行、角速度和不确定度条件的相机里程计，更新安装俯仰与偏航、相机间角度和高度的分块统计；状态区分未标定、重标定、已标定与无效，安装姿态分散度过大时平滑重标定，发布的状态里含进度、安装角、分散度和高度，非汽车模式有专用默认值。姿态滤波器按时间顺序处理加速度计、陀螺仪、车速、标定和相机里程计，对时间戳、来源、幅值与方差做检查后更新滤波器，发布 deviceMotion 的姿态、速度、角速度、加速度以及三项健康指标。定位循环以相机里程计驱动发布，把传感器与消息输入按单调时间排序后送入滤波器，并追踪坏输入计数与恢复衰减。
这里的关键边界是：deviceMotion 顶层有效位取决于滤波器初始化和滤波时间，inputsOK、sensorsOK、posenetOK 是额外健康指标，并不自动等同于顶层有效位。替换传感器时要保留坐标系、时间源、方差和数据来源检查；只给姿态角数值而没有这些元数据，不足以替代现有传感器输入。
车辆在线参数、扭矩与延迟
| 进程 | 关键入口 | 输出与消费关系 |
|---|---|---|
paramsd |
VehicleParamsLearner.handle_log()、get_msg() |
估计转向比、轮胎刚度、侧倾及方向盘零偏，发布车辆参数供控制进程构建车辆模型与转向补偿 |
torqued |
TorqueEstimator.handle_log()、get_msg() |
估计横向加速度因子、偏置和摩擦并发布；扭矩控制器在消息检查通过且参数启用时采用 |
lagd |
LateralLagEstimator.handle_log()、update_estimate() |
比较期望与实际横向响应估计执行器延迟，发布给模型与控制进程 |
三个进程都以 deviceMotion 为主要节拍读取消息：paramsd 在新 deviceMotion 上发布车辆参数，torqued 与 lagd 约每五帧发布一次（源码注释称 4 Hz）。paramsd 对非有限滤波状态重置并把细分估计有效性写进消息；lagd 当块数不足或方差过大时把状态标成未估计或无效，延迟回退初始值；torqued 对不足或无效样本不会宣称新估计有效，并对异常估计做重置。三者都周期性写参数供重启后恢复，但持久缓存不是实时消息的替代品。
对硬件与插件化的约束
第一，座舱摄像头插件需要交付可追溯的帧 ID、时间戳、图像几何和标定输入，驾驶员监测策略及状态机必须继续能判断数据是否新鲜有效。第二，IMU 与相机插件要声明轴向、坐标系、采样频率、时间基准和噪声模型，姿态滤波器当前有明确的来源、时间和物理量合理性检查。第三，在线参数学习插件不能直接把无效估计写成车辆执行命令，应保留有效位与细分状态、回退值和参数版本。第四，回放验证至少覆盖丢帧、时间戳倒序、相机标定漂移、传感器失效、驾驶员无响应和在线估计不收敛；实车控制最终仍经过车型接口与 panda 安全钩子。
常见问题
deviceMotion 的顶层有效位等于所有健康指标吗？
不等于。顶层有效位在源码中取决于滤波器初始化和滤波时间，而 inputsOK、sensorsOK、posenetOK 是额外健康指标，两者是分层关系。因此拿到姿态角数值时，还要同时看来源、时间源与这三项指标，才能判断输入是否可用。
驾驶员监测输入无效时会怎样？
dmonitoringd_thread() 在订阅输入无效时不更新策略，但仍发布有效位为假的监测状态。也就是说监测状态存在不代表策略刚被刷新；下游消费无响应强制减速字段时，必须结合有效位与状态机判断，而不是只看字段是否存在。
paramsd、torqued、lagd 的发布节拍一样吗？
不完全一样。三者都以 deviceMotion 为主节拍，paramsd 在新 deviceMotion 上发布车辆参数，而 torqued 与 lagd 约每五帧发布一次（源码注释称 4 Hz）。因此不同估计值的时间新鲜度需要分别判断。
为什么把在线估计当实时观测会出问题？
因为这些进程是带反馈的闭环：标定与在线延迟估计会反过来改变模型输入变换和动作时间，消息可能来自不同采样时刻甚至历史估计。插件化时必须防止循环依赖里的版本不一致与过期消息，并保留有效位、回退值与参数版本，不能把持久缓存当实时观测。
延伸阅读
- 驾驶员监测策略与告警分级 —— 展开本文注意力递减、告警升级与锁定的策略细节。
- paramsd 车辆参数在线学习 —— 展开本文在线参数估计的转向比与轮胎刚度建模。
- lagd 横向延迟估计 —— 展开本文延迟估计与回退初始值的边界。
- 相机与 IMU 的时间同步契约 —— 承接本文姿态滤波器的来源、时间与方差检查。
- 参数生命周期与持久化 —— 解释三个估计进程周期性写参数供重启恢复的机制。
参考资料
- 项目 02 ——
openpilot-research/MONITORING_LOCALIZATION_DEEP_DIVE.md（取用了多进程反馈图、座舱模型与监测策略、标定与姿态、在线参数三进程与插件约束）。 - 项目 02 ——
openpilot-research/CALIBRATIOND_STATE_PERSISTENCE_DEEP_DIVE.md（仅用于确认标定状态与持久化的分工位置）。
说明：本文为对固定源码快照的静态结构分析，未运行完整测试套件、未连接硬件、未验证目标车型的真实参数组合。文中所有阈值、行号索引与配置均出自源文档，标注为未验证的结论保留其原有边界。
更新记录
首次发布 2026-10-11 最近核对：2026-10-11
发表回复