3、机器人感知系统概述：感知任务分类与传感器融合的必要性

在边缘机器人（Edge Robot）的工程实践中，感知系统是连接物理世界与决策算法的唯一桥梁。无论是室内配送机器人、工业AGV（自动导引车），还是农业巡检机器人，其行为质量的上限取决于感知系统对环境的解析能力。本章作为“Edge AI边缘机器人感知”课程的核心基础，将系统梳理感知任务的四大分类——定位、建图、避障、目标识别，并深入剖析为何单一传感器无法胜任复杂场景，以及传感器融合在边缘算力约束下的工程必要性。理解这些内容，是后续学习IMU（惯性测量单元）、距离传感器（如ToF、超声波、激光雷达）以及视觉模型（如YOLO、MobileNet）的认知前提。

上图展示了本章的核心逻辑框架：感知任务分类（定位、建图、避障、目标识别）与底层传感器阵列之间的映射关系，以及多传感器融合在边缘AI处理器中的枢纽地位。下面我们将逐一展开每个模块的工程细节。

3.1 感知任务分类：四大核心任务的工程定义与边界

在机器人系统中，感知任务并非孤立存在，而是相互耦合的。为了便于工程实现与算法选型，通常将其划分为以下四类：

任务类别	核心输出	典型传感器	边缘端算法复杂度	实时性要求
定位 (Localization)	机器人在地图中的位姿 (x, y, θ)	IMU、轮式编码器、相机、激光雷达	中（卡尔曼滤波、粒子滤波）	高（10-50 Hz）
建图 (Mapping)	环境的空间表示（栅格、点云、拓扑）	激光雷达、深度相机、ToF	高（SLAM后端优化）	中（1-10 Hz）
避障 (Obstacle Avoidance)	局部可通行区域与安全路径	超声波、ToF、2D激光雷达	低-中（VFH、DWA）	极高（>20 Hz）
目标识别 (Detection)	目标类别、边界框、语义标签	RGB相机、深度相机、热成像	高（CNN推理）	中（5-15 Hz）

定位解决的是“我在哪里”的问题。在边缘机器人中，单纯依赖GPS在室内或地下场景完全失效，因此通常采用IMU+轮式编码器进行航迹推算（Dead Reckoning），再通过视觉或激光特征匹配消除累积漂移。例如，一个配送机器人在走廊中行驶10米，IMU的陀螺仪零偏可能导致角度漂移，若不修正，机器人会逐渐偏离直线。

建图解决的是“周围长什么样”的问题。与离线建图不同，边缘机器人往往需要在线构建局部地图（Local Map）用于实时规划。栅格地图（Occupancy Grid Map）是边缘端最常用的表示方式，每个栅格存储被占据的概率。在算力受限的MCU（微控制器）上，通常只维护一个10m×10m、分辨率5cm的局部栅格，而将全局地图放在更高算力的主控中。

避障是安全底线，其响应延迟直接决定碰撞风险。超声波传感器测距范围通常在2-400cm，更新率约20-50Hz，适合近距离（<1m）的紧急刹车；而ToF传感器（如VL53L1X）测距可达4m，更新率30Hz，适合中距离减速。避障算法通常采用动态窗口法（DWA）或向量场直方图（VFH），在速度空间中搜索无碰撞轨迹。

目标识别是高级交互与语义理解的基础。在边缘端部署YOLOv5s或MobileNet-SSD时，需要权衡精度与帧率。例如，在英伟达Jetson Nano上，YOLOv5s的FP16推理速度约为25 FPS，但若同时运行SLAM，则需将识别帧率降至10 FPS以释放CPU资源。

3.2 传感器融合的必要性：从“单一感知”到“多源互补”

没有任何一种传感器能同时满足高精度、高鲁棒性、低成本和低功耗的需求。传感器融合不是简单的数据叠加，而是利用不同传感器的物理特性互补，消除单一传感器的不确定性。

融合的必要性体现在以下三个维度：

• 互补性：IMU在快速旋转时精度高，但在匀速运动时积分漂移严重；视觉在纹理丰富场景表现好，但在白墙或无纹理走廊失效。两者融合后，视觉为IMU提供尺度修正，IMU为视觉提供运动先验。
• 冗余性：当某个传感器失效（如强光直射相机、超声波被海绵吸收），系统仍能依靠其他传感器维持基本感知。例如，在灰尘较大的工厂环境中，激光雷达可能受悬浮颗粒干扰，此时超声波和IMU可临时接管避障。
• 经济性：高精度激光雷达（如Velodyne VLP-16）成本数千元，而“IMU+相机+超声波”组合成本不足其十分之一，通过融合算法可达到接近的定位精度（在室内结构化环境中）。

然而，融合并非没有代价。在边缘端，传感器融合需要解决时间同步与空间标定两大难题。时间同步要求各传感器数据带有统一时间戳，否则融合结果会出现“运动畸变”；空间标定则需要确定传感器之间的外参（旋转矩阵R和平移向量t），通常使用棋盘格标定法或手眼标定法。

3.3 案例拆解：室内AGV的“超声波+IMU+单目相机”融合避障与定位

下面通过一个具体的工程案例，展示传感器融合在边缘机器人中的实际落地过程。

背景与约束：某工厂AGV需要在一段长约30米、宽2米的走廊中自主导航，要求最高速度0.8m/s，最小避障距离30cm。硬件平台为STM32H743（主控）+ ESP32（无线通信），传感器包括：1个MPU6050（IMU）、3个HC-SR04超声波（前、左、右）、1个OV2640单目摄像头（用于AprilTag定位）。算力受限，无法运行深度学习模型。

初始现象与目标：仅使用超声波避障时，AGV在遇到前方静态纸箱时能刹停，但在转弯处因超声波探测角度过窄（约15°），无法检测侧向障碍，导致剐蹭。同时，仅靠轮式编码器定位，AGV在行驶20米后横向偏差达到15cm，无法准确停靠充电桩。

关键输入数据与参数：

IMU参数: 陀螺仪量程±500°/s, 零偏稳定性 10°/h, 输出频率 100Hz
超声波参数: 探测角度 15°, 量程 2cm-400cm, 更新率 20Hz
AprilTag参数: tag_size 0.05m, 相机分辨率 320x240, 检测频率 5Hz
融合策略: 松耦合 (Loosely Coupled) — 各传感器独立处理，输出位姿/距离后融合

分析判断过程：首先，针对超声波侧向盲区问题，我们调整了安装角度，将左右超声波向外倾斜20°，使探测范围覆盖车身两侧30cm区域。其次，针对定位漂移，采用“IMU航迹推算 + AprilTag修正”方案：IMU以100Hz频率积分位姿，当摄像头检测到走廊墙壁上的AprilTag（每5米布置一个）时，计算AGV相对于Tag的位姿，通过EKF将位置误差重置。

实际操作步骤：

1. 在走廊墙壁1.2m高度处，每隔5m张贴一张0.05m的AprilTag，共6张。
2. 编写EKF融合节点：状态量为(x, y, θ, v, ω)，IMU提供控制输入，AprilTag提供观测更新。
3. 避障逻辑采用优先级：超声波距离<30cm时，立即停车；距离30-60cm时，减速至0.3m/s并转向。
4. 在STM32上以50Hz运行避障线程，以20Hz运行EKF更新线程，以5Hz运行AprilTag检测线程。

结果对比：融合后，AGV在30米走廊的横向偏差从15cm降至3cm以内，成功停靠充电桩（误差<2cm）。避障方面，侧向超声波外倾后，AGV在转弯处能提前0.5m检测到障碍物，无剐蹭发生。

风险与代价：AprilTag依赖环境光照，在逆光或黑暗环境下检测率下降。为此，我们增加了摄像头自动曝光补偿，并保留“纯IMU+超声波”的降级模式——当连续1秒未检测到Tag时，系统自动切换为航迹推算模式，并降低最大速度至0.5m/s。

复盘经验：在边缘端做融合，不要追求“完美”的紧耦合。松耦合实现简单、调试方便，且在本场景中精度已满足需求。关键是要设计好降级策略，确保单一传感器失效时系统仍能安全运行。

3.4 常见误区与总结复盘

在工程实践中，传感器融合与感知任务设计存在以下高频误区，需要特别注意：