2、避障感知基础：常见传感器类型（超声波、ToF、视觉）的原理、特点与适用场景对比

避障感知是移动机器人实现安全自主运动的第一道屏障。无论是室内服务机器人、仓储AGV，还是户外巡检机器人，其避障系统的核心都在于“感知—判断—决策—执行”链路的起点：传感器。本章聚焦三种最主流的避障传感器——超声波、ToF（飞行时间）和视觉传感器，从物理原理、工程特性、适用场景三个维度展开对比，帮助学习者在实际项目中建立传感器选型与融合设计的基本判断框架。

2.1 超声波传感器：声波测距的可靠性与局限

核心原理

超声波传感器基于声波在介质中的传播特性进行测距。发射端通过压电陶瓷或MEMS换能器发出频率高于20kHz（常用40kHz）的机械波，遇到障碍物后产生回波，接收端捕获回波信号。通过测量发射与接收之间的时间差 Δt，结合声速 v（约340m/s，受温度影响），即可计算距离 d = v × Δt / 2。由于声波是机械波，其传播不依赖光线，因此超声波传感器在黑暗、强光、烟雾、粉尘等恶劣光学环境下依然能稳定工作。

工程特性与判断方法

超声波传感器的核心参数包括：量程（典型2cm~5m）、波束角（15°~60°不等）、更新率（20~50Hz）和精度（±1cm~±3cm）。在工程选型时，需要特别关注波束角对空间分辨率的影响——波束角越大，传感器越难以分辨障碍物的精确方位。例如，一个波束角为30°的传感器在1m距离处，其探测覆盖区域直径约为0.54m，这意味着它只能判断“前方有障碍物”，却无法确定障碍物具体在左侧还是右侧。

实际使用中，超声波传感器存在两个典型问题：镜面反射和交叉串扰。当声波以较大入射角照射到光滑平面（如玻璃、金属板）时，回波可能无法返回接收端，导致漏检；当多个超声波传感器同时工作时，彼此的声波可能互相干扰，产生虚假回波。工程上通常采用“轮询触发”方式（逐个传感器依次发射）或编码调制来规避串扰。

场景化说明：室内扫地机器人的沿墙与防撞

以室内扫地机器人为例，其机身四周通常布置4~6个超声波传感器，用于近距离防撞（10~50cm范围）。由于扫地机工作环境多为家居环境，家具腿、墙壁、踢脚线等硬质表面反射良好，超声波传感器能够可靠工作。同时，超声波传感器不受窗帘、地毯颜色影响，即使环境光照变化剧烈（如傍晚阳光直射），依然能保持稳定的测距输出。但扫地机在接近黑色哑光家具时，超声波仍能正常工作，而红外ToF传感器则可能因表面吸光而失效——这正是超声波在低成本避障方案中不可替代的原因。

常见误区与总结

• 误区一：认为超声波精度高。实际上，超声波精度受温度、湿度影响较大，且波束宽导致角度分辨率低，不适合需要精细定位的避障场景。
• 误区二：忽略最小盲区。超声波传感器存在约2cm的盲区，近距离物体无法测出，需要配合其他传感器覆盖盲区。
• 误区三：多个传感器同时工作。未做轮询或编码会导致串扰，产生虚假回波，引发误刹车。

2.2 ToF传感器：光速测距的精度与挑战

核心原理

ToF（Time of Flight）传感器通过发射调制红外光（通常为850nm或940nm波长），并测量光从发射到反射回接收端的时间差来计算距离。由于光速极快（约3×10⁸m/s），直接测量时间差需要皮秒级分辨率，因此工程上多采用相位差测量法或脉冲计数法。以相位差法为例，发射连续调制光波，通过比较发射信号与接收信号的相位偏移 Δφ，可计算距离 d = (c × Δφ) / (4π × f_mod)，其中 f_mod 为调制频率。

工程特性与判断方法

ToF传感器的主要优势在于响应速度快（可达100Hz）、波束窄（视场角可小至2°）、精度高（近距离可达±1cm）。其量程从0.1m到10m以上不等，适合中短距离的精确测距。在机器人避障中，ToF传感器常用于需要精确判断障碍物距离的场景，如AGV的货架识别、机械臂的末端防撞等。

然而，ToF传感器对环境光干扰和目标表面反射率敏感。在户外强阳光下，红外光信噪比下降，测距精度会明显降低；对于黑色吸光表面（反射率低于10%），回波信号微弱，可能导致测距失败。此外，ToF传感器对透明物体（如玻璃）的测距结果不可靠——光线会穿透玻璃，产生错误距离读数。

案例拆解：仓储AGV的托盘对接

某仓储AGV需要自动对接托盘，要求对接精度达到±2cm。初始方案采用超声波传感器，但实际测试中发现：托盘为金属框架结构，超声波回波不稳定，且波束角过大无法准确判断托盘插孔位置。后改用ToF传感器（视场角5°，量程0.1~4m），在AGV车头两侧各安装一个，配合光电开关进行粗定位。实测数据如下：

复盘发现，ToF方案的成功率提升主要得益于窄波束带来的精确角度判断，AGV能够准确识别托盘插孔的左右偏移量。但代价是ToF传感器成本约为超声波的3倍，且需要额外的环境光抑制设计。最终方案保留了超声波作为近距离紧急防撞（10cm内），ToF负责精确对接，形成互补。

常见误区与总结

• 误区一：认为ToF在所有光照下都稳定。强阳光下性能衰减明显，需选型940nm波长并加滤光片。
• 误区二：忽略最小量程。部分ToF传感器最小量程为5~10cm，近距离物体无法测出。
• 误区三：对透明/高反射表面盲目信任。玻璃、镜面、抛光金属会产生错误读数，需结合其他传感器判断。

2.3 视觉传感器：从“看见”到“理解”的避障升级

核心原理

视觉传感器通过摄像头采集环境图像，利用计算机视觉算法提取深度、语义和运动信息。根据实现方式不同，可分为三类：单目视觉（通过运动恢复结构或深度学习估计深度）、双目视觉（通过左右图像视差计算深度）、RGB-D深度相机（通过结构光或ToF原理直接获取深度图）。在避障应用中，视觉传感器不仅能提供距离信息，还能识别障碍物的类别（如人、椅子、墙壁），实现“语义避障”——这是超声波和ToF无法做到的。

工程特性与判断方法

视觉传感器的核心优势在于信息密度高——一帧图像包含数十万个像素点，能够同时感知多个障碍物的位置、形状和运动状态。其视场角通常较大（60°~120°），适合大范围环境感知。但视觉传感器对计算资源要求高，需要GPU或NPU加速才能实时处理；同时，其对光照变化敏感，在逆光、暗光、眩光环境下性能显著下降。

在工程选型时，需要根据避障任务的需求选择视觉方案：

• 纯距离避障：RGB-D深度相机（如Intel RealSense、Orbbec）可直接输出深度图，配合点云处理实现避障。
• 语义避障：需要结合目标检测算法（如YOLO、SSD），识别障碍物类别并采取不同避障策略（如“人”需要保持更大安全距离）。
• 运动预测：通过多帧图像的光流或目标跟踪，预测动态障碍物的运动轨迹，实现前瞻性避障。

场景化说明：服务机器人在人群中的动态避障

在商场导览机器人场景中，机器人需要在人群中穿行。超声波和ToF只能告诉机器人“前方1.2m有障碍物”，但无法判断这个障碍物是静止的柱子还是正在行走的人。视觉传感器通过目标检测算法识别出“人”这一类别，并进一步通过连续帧跟踪计算人的运动速度和方向。当检测到行人以1.5m/s的速度横穿路径时，机器人可以提前减速并规划绕行轨迹，而不是等到距离过近才急停。这种“预判式避障”是视觉传感器独有的能力，也是提升机器人交互体验的关键。

常见误区与总结

• 误区一：认为视觉可以完全替代其他传感器。视觉在暗光、逆光、无纹理环境下可靠性下降，需要超声波或ToF兜底。
• 误区二：忽略计算延迟。视觉处理通常有50~200ms延迟，高速运动场景下需预留足够的安全距离。
• 误区三：过度依赖深度学习模型。模型对未见过的物体可能漏检，需要设置“未知障碍物”的保守策略。

2.4 三种传感器对比与融合策略

综合对比表

融合策略与安全距离设计

在实际机器人系统中，单一传感器难以满足所有工况的避障需求。工程上普遍采用多传感器融合策略，利用不同传感器的互补特性构建分层避障体系：

1. 远距离感知层（>3m）：以视觉为主，负责环境理解、障碍物识别和路径规划。
2. 中距离感知层（0.5~3m）：以ToF为主，提供精确的距离信息，用于速度控制和避障决策。
3. 近距离防撞层（<0.5m）：以超声波为主，作为最后一道防线，确保紧急刹车。

安全距离的设定需要综合考虑传感器延迟、机器人制动距离和任务需求。一个常用的计算公式为：安全距离 = 最大速度 × (传感器延迟 + 决策延迟 + 制动响应时间) + 最小停车余量。例如，一台最高速度1.5m/s的AGV，传感器延迟50ms，决策延迟100ms，制动响应200ms，则安全距离至少为 1.5 × 0.35 = 0.525m，再加上0.2m的余量，最终设定为0.75m。

案例复盘：室内巡检机器人的传感器融合设计

某室内巡检机器人项目要求实现全天候自主避障，环境包括办公室、走廊、楼梯口等区域。初始方案仅采用超声波传感器，但在实际测试中遇到两个问题：一是黑色哑光防火门反射弱，超声波测距偏大，导致机器人碰撞门体；二是走廊中的玻璃隔断完全无法被超声波检测到。随后加入ToF传感器，解决了黑色表面的测距问题，但玻璃隔断依然无法可靠检测。最终引入RGB-D深度相机，通过深度图识别玻璃边缘的微小深度跳变，结合超声波和ToF数据，实现了三类传感器的融合避障。

融合后的系统参数如下：超声波负责0.05~0.5m紧急防撞，ToF负责0.1~2m精确测距，视觉负责0.3~8m环境感知与语义识别。经过200小时连续运行测试，碰撞事故从初始的每10小时1次降至每100小时0.2次，避障成功率从86%提升至99.2%。代价是系统成本增加了约40%，计算负载增加了约30%，但整体可靠性和用户体验显著提升。

复盘经验表明：传感器融合不是简单叠加，而是基于物理特性的互补设计。超声波补足视觉和ToF在暗光、透明物体上的不足；ToF补足超声波在角度分辨率和精度上的不足；视觉补足前两者在语义理解和远距离感知上的不足。三者结合，才能构建一个覆盖全距离、全工况、全对象的可靠避障感知系统。