140、洞察驱动的实战标题——AF的“爬山算法局限性“——为什么纯对比度AF在弱光下会来回拉风箱？从搜索步长到焦点预测的改进策略

140、洞察驱动的实战标题——AF的"爬山算法局限性"——为什么纯对比度AF在弱光下会来回拉风箱？从搜索步长到焦点预测的改进策略半夜两点，实验室的灯还亮着。手上一台预研的安防球机，在走廊尽头那盏忽明忽暗的应急灯下，镜头像得了帕金森一样来回抽动——对焦马达发出那种“吱吱吱”的细碎声响，听得人头皮发麻。旁边的工程师老张已经盯了半小时波形图，嘴里念叨着：“这破算法，白天好好的，一到晚上就跟喝醉了似的。”这不是个例。手机夜景模式、车载环视在隧道口、甚至手术内窥镜在体腔里的低照度场景，纯对比度AF（Contrast AF，CAF）的“拉风箱”问题几乎成了行业通病。今天不聊PPT上的概念，就从这个真实故障切入，把爬山算法的底裤扒干净，看看它到底死在哪，以及我们后来是怎么给它续命的。问题现场还原那台球机的AF控制逻辑很简单：经典的山地爬坡搜索。算法在搜索窗口内计算Tenengrad梯度值，然后驱动马达按固定步长（比如每步8个LSB的DAC码值）向梯度增大的方向移动。当检测到梯度值开始下降，就认为越过了峰值，回退一步并缩小步长做精细搜索。白天光线充足时，这个逻辑跑得欢快。但到了弱光环境（照度低于1 lux），画面噪声急剧上升，梯度响应曲线变得极其平坦且布满毛刺。问题就出在这：爬山算法本质上是一个局部极值搜索器，它假设梯度函数是单峰的、光滑的。弱光下这个假设彻底崩塌。根因分析：不是噪声的错，是信噪比和步长的错配我们抓了三天数据，把马达位置和对应梯度值画成曲线，发现几个致命现象：第一，