📚 课程目录第3章摄像头选型与安装

3、摄像头选型与安装：摄像头类型（单目、双目、深度相机）、分辨率、帧率、视场角、安装位置与校准

视觉避障系统的性能上限，在硬件选型阶段就已经被锁定。PX4 飞控负责融合传感器数据并输出避障决策，但“看得清、看得准、看得远”完全取决于摄像头本身。本章围绕摄像头选型与安装展开，重点解决三个问题：选择什么类型的摄像头、如何确定关键光学参数、以及如何正确安装与校准，使视觉数据能够稳定服务于 PX4 的避障算法。

3.1 摄像头类型选择：单目、双目与深度相机的工程权衡

PX4 视觉避障对深度数据的获取方式决定了系统架构的复杂度。三种主流摄像头方案在原理、精度、成本和计算负载上差异显著，需要根据无人机平台的实际约束进行选择。

核心原理对比

单目相机：仅输出 2D 图像，深度信息需要通过运动恢复结构（SfM）或深度学习模型估计。PX4 中常配合光流传感器使用，利用连续帧之间的视差推算障碍物距离。优点是成本低、体积小、功耗低；缺点是深度估计误差随距离增大而急剧上升，且对纹理稀疏环境敏感。
双目相机：通过两个固定间距的相机同步采集图像，利用三角测量原理计算视差图，从而获得稠密深度。基线长度（两个镜头中心距）直接决定有效测距范围：基线越长，远距离精度越高，但体积也越大。典型基线 6cm~12cm 的双目相机在 0.5m~8m 范围内精度可达 1%~3%。
深度相机（ToF/结构光）：主动发射红外光或激光，通过测量飞行时间或光斑形变直接获取深度。在室内弱纹理环境下表现优异，但户外强光下信噪比会显著下降。PX4 生态中较少直接使用深度相机作为主避障传感器，更多用于室内无人机或 SLAM 建图场景。

对比维度	单目相机	双目相机	深度相机
深度获取方式	算法估计（SfM/深度学习）	视差三角测量	ToF / 结构光主动测距
有效测距范围	0.5m~5m（误差较大）	0.3m~10m（基线决定）	0.1m~5m（室内）
深度精度	距离的 5%~10%	距离的 1%~3%	距离的 0.5%~2%
户外强光适应性	好	较好	差（红外干扰）
计算负载	低（但算法复杂）	高（立体匹配）	低（硬件直接输出）
典型成本	¥100~500	¥500~2000	¥1000~4000
PX4 适配度	配合光流使用	推荐（可直接输出深度）	需额外驱动开发

选型建议：对于基于 PX4 的室外无人机避障，双目相机是性价比最高的选择。它不需要主动光源，户外适应性好，且深度数据可以直接通过 ROS 话题或 MAVLink 传递给 PX4 的避障模块。如果无人机仅用于室内且预算充足，深度相机（如 Intel RealSense D435i）可以简化软件栈。

实战场景：小型四旋翼的避障选型

某款轴距 450mm 的小型四旋翼需要实现 10m/s 前飞时的避障功能。初始方案采用单目相机 + 光流，但在实际测试中发现：当无人机以 8m/s 速度飞行时，单目深度估计的延迟导致制动距离不足，在距离障碍物 3m 处才能触发避障，而安全制动距离需要 4.5m。更换为基线 8cm 的双目相机（分辨率为 640×480，帧率 30fps）后，深度数据延迟降低至 30ms 以内，有效测距达到 6m，避障触发距离提前至 5m，成功满足安全裕度要求。

3.2 分辨率、帧率与视场角的参数匹配

这三个参数相互制约，不能独立选择。PX4 的避障算法（如 local_planner）对输入图像有明确的处理管线，参数不匹配会导致数据饥饿或计算过载。

判断方法：参数匹配流程

确定最小探测距离：根据无人机最大飞行速度 v 和制动时间 t，计算所需最小探测距离 d = v × t + 安全余量。例如 v=10m/s，t=1.5s，则 d ≥ 15m。
计算所需分辨率：在最小探测距离处，障碍物（如树枝，直径 5cm）在图像中至少应占据 3~5 个像素。使用公式：所需焦距 f = (d × 像素数 × 像素尺寸) / 障碍物尺寸。若传感器像素尺寸 3μm，需要 5 像素覆盖 5cm 障碍物，在 15m 处所需焦距约为 45mm，对应水平 FOV 约 30°。
选择帧率：帧率应保证相邻帧之间障碍物位移不超过图像宽度的 20%。以水平 FOV 60°、分辨率 640px 为例，10m/s 速度下，若障碍物在 5m 处，每帧位移约 0.33m，对应图像位移约 42px，占 6.5%，30fps 即可满足。
平衡计算负载：PX4 的避障模块通常运行在机载计算机（如 Raspberry Pi 4 或 Jetson Nano）上。1080p@30fps 的立体匹配计算量约为 640×480@30fps 的 5 倍以上，需评估 CPU/GPU 占用率。

  推荐参数组合（室外前向避障）：

  分辨率：640×480（VGA）或 1280×720（HD）

  帧率：30fps（最低），60fps（推荐，用于高速飞行）

  水平 FOV：70°~100°（兼顾视野宽度和边缘畸变）

  垂直 FOV：40°~60°（覆盖地面到水平线以上）

  接口：USB3.0 或 CSI 接口，确保带宽充足

案例拆解：FOV 选择失误的教训

某团队为植保无人机选择了水平 FOV 120° 的超广角镜头，期望获得更大视野。但实际飞行中发现：图像边缘畸变严重，PX4 的避障算法在边缘区域产生大量误检；同时，广角镜头导致相同分辨率下每个障碍物所占像素减少，10m 外直径 10cm 的树枝仅占 2 个像素，无法被稳定检测。最终更换为 90° FOV 镜头，并配合 1280×720 分辨率，检测距离从 6m 提升至 12m，误检率下降 70%。

3.3 安装位置与机械设计

摄像头安装位置直接影响避障算法的有效视野和姿态解算的准确性。PX4 的视觉惯性里程计（VIO）和避障模块对相机外参有严格要求。

安装原则

前向避障：相机应安装在机头正前方，光轴与机体 X 轴平行或向下倾斜 10°~15°。向下倾斜可同时覆盖前方障碍物和地面纹理，便于 VIO 特征提取。
避免遮挡：确保螺旋桨、起落架、天线等部件不进入相机 FOV。建议在 CAD 中模拟 FOV 锥体，检查遮挡情况。
减震隔离：无人机飞行中的高频振动会导致图像模糊和 IMU 数据噪声。使用减震球或橡胶垫将相机与机架隔离，但必须保证刚性连接，避免低频晃动。
重心平衡：相机重量（通常 20~80g）会改变无人机重心，安装后需重新进行重心校准。

校准流程：内参与外参

内参标定：使用棋盘格或 AprilTag 标定板，采集 15~20 张不同角度的图像，通过 OpenCV 或 Kalibr 工具计算焦距、主点坐标和畸变系数。标定结果以相机参数文件形式提供给 PX4 或机载计算机。

# 使用 kalibr 标定双目相机示例
kalibr_calibrate_cameras \
  --target april_6x6_50x50cm.yaml \
  --models pinhole-equi \
  --cam cam0 cam1 \
  --bag stereo_data.bag \
  --topics /cam0/image_raw /cam1/image_raw

外参标定：确定相机坐标系相对于飞控机体坐标系的旋转和平移。在 QGroundControl（QGC）中，通过“传感器” → “相机” 页面设置相机朝向（前向、下向、后向等），并输入精确的安装角度偏移。对于双目相机，还需确保左右相机光轴平行，基线长度准确。

常见误区：很多开发者忽略外参标定，直接使用默认值。如果相机安装角度偏差超过 5°，PX4 的避障模块会将障碍物位置投影到错误的空间坐标，导致绕行轨迹偏移甚至碰撞。每次拆装相机后，必须重新验证外参。

实战案例：安装角度偏差导致的避障失效

某无人机团队在更换相机支架后，未重新标定外参。原支架使相机下倾 10°，新支架实际下倾 15°。飞行测试中，PX4 在距离障碍物 4m 处才触发避障，且绕行方向偏移约 1.2m。通过 QGC 查看相机姿态数据，发现相机坐标系与机体坐标系存在 5° 俯仰角偏差。重新标定后，避障触发距离恢复至 6m，绕行轨迹误差小于 0.3m。复盘结论：任何机械结构变更后，必须执行完整的外参标定流程，不能依赖经验值。

3.4 常见误区与总结复盘

在摄像头选型与安装环节，以下问题在工程实践中反复出现，需要特别注意：

误区	后果	正确做法
盲目追求高分辨率	帧率下降、延迟增加、计算负载过高	根据探测距离需求反推分辨率
忽略 FOV 与焦距的关系	广角导致远处障碍物像素过少	在 FOV 和最小探测距离间取平衡
安装位置遮挡	图像部分区域无效，算法失效	CAD 模拟 FOV 锥体，检查遮挡
减震过度或不足	图像模糊或低频晃动	使用合适硬度的减震球，测试验证
外参标定一次了事	机械变更后避障失效	每次拆装后重新标定

  总结复盘：摄像头选型与安装是 PX4 视觉避障系统中最容易“埋雷”的环节。建议遵循以下流程：

明确飞行速度与制动距离，计算最小探测距离；

根据探测距离选择焦距和 FOV，再确定分辨率与帧率；

优先选择双目相机，确保深度数据质量；

安装时保证光轴方向、减震和重心平衡；

完成内参和外参标定，并在 QGC 中验证；

进行实飞测试，记录避障触发距离和轨迹误差，迭代优化。

硬件选型和安装的质量，决定了后续所有避障算法的上限。一个参数匹配、安装规范的摄像头系统，能让 PX4 的避障模块发挥出应有的性能；反之，再优秀的算法也无法弥补硬件层面的缺陷。在实际项目中，建议预留至少 20% 的探测距离余量，以应对传感器噪声和算法延迟带来的不确定性。