传感器基础与特性：常见传感器类型与误差模型

做多源融合这些年，我最大的体会是：不了解传感器的脾气，融合就是瞎蒙。你想想看，每个传感器都有自己的“性格”——激光雷达怕雨雪，摄像头怕黑夜，IMU 会飘，GPS 会跳。把这些数据硬凑在一起，结果只会更糟。

这一章，咱们就聊聊常见传感器的底细。我会结合自己踩过的坑，帮你把每个传感器的特性、误差模型和标定方法理清楚。

常见传感器类型

先列个清单。多源融合里最常用的传感器，无非这五种：

• 激光雷达（LiDAR）：测距准，但怕天气
• 摄像头（Camera）：信息丰富，但缺深度
• 惯性测量单元（IMU）：短时精度高，长时飘得厉害
• 全球定位系统（GPS）：绝对位置准，但更新慢、易遮挡
• 毫米波雷达（Radar）：全天候，但分辨率低

下面逐个拆开看。

激光雷达

激光雷达的原理很简单——发射激光，测反射时间，算出距离。我最早接触的是 16 线 Velodyne，那会儿觉得这东西真神奇，点云一出来，周围环境清清楚楚。

但实际用起来，问题不少：

• 雨雪雾天性能骤降：水滴会散射激光，点云变得稀疏。我在一次雨天测试中，原本能看清 100 米外的车，结果 30 米外就全是噪点。
• 反射面影响大：黑色车身、玻璃幕墙会吸收或折射激光，导致测距偏差甚至丢点。
• 角分辨率有限：线数越高越贵，16 线在 50 米外只能看到大概轮廓。

摄像头

摄像头是融合系统里的“眼睛”。它提供的信息最丰富——颜色、纹理、语义——但缺了深度信息。

我习惯把摄像头分为两类：

• 单目：便宜，但测距靠估计，误差大
• 双目：能算深度，但计算量大，基线长度限制测距范围

摄像头最大的问题是光照敏感。强光下过曝，暗光下噪点多，逆光时几乎全黑。我记得有一次做夜间测试，摄像头基本废了，全靠雷达和 IMU 撑着。

IMU

IMU 包含加速度计和陀螺仪。它的特点是：短时精度极高，长时漂移严重。

为什么？因为 IMU 测量的是加速度和角速度，要得到位置和姿态，得做两次积分。积分嘛，误差会累积。你想想看，哪怕加速度计有 0.01 m/s² 的零偏，积分 10 秒后位置误差就能到 0.5 米，60 秒后……不敢想。

IMU 的误差模型比较复杂，我后面会细讲。这里先记住几个关键点：

• 零偏（Bias）：静止时输出不为零
• 噪声（Noise）：白噪声 + 随机游走
• 尺度因子（Scale Factor）：输出值与真实值的比例偏差

GPS

GPS 提供绝对位置，误差不随时间累积。但它的缺点也很明显：

• 更新频率低：通常 10Hz，动态场景下不够用
• 易受遮挡：高楼、隧道、树荫下信号会变差甚至丢失
• 多路径效应：信号反射导致测距偏差，城市峡谷里尤其严重

我做过一个测试：在市中心高楼区，GPS 定位误差能到 10-20 米。这时候如果不融合 IMU 和激光雷达，自动驾驶根本没法用。

毫米波雷达

毫米波雷达用电磁波测距和测速。它的优势是全天候——雨雪雾天照样工作。但分辨率低，点云稀疏，无法识别物体类别。

雷达的误差主要来自：

• 多目标模糊：多个目标在同一距离门内会混淆
• 杂波干扰：地面、护栏等静止物体会产生大量虚警
• 角度分辨率低：普通雷达角度分辨率只有几度，远不如激光雷达

我早期做融合时，总想把雷达点云和激光点云直接匹配，后来发现不行——雷达点太稀疏，特征太少。后来改用目标级融合，效果才好起来。

传感器误差模型与噪声特性

这部分是融合算法的基石。你想想看，如果不知道传感器的误差特性，怎么给它们分配权重？怎么设计滤波器？

误差来源分类

传感器的误差，大致分三类：

误差类型	来源	特性
系统误差	制造偏差、安装偏差	固定、可标定
随机误差	电子噪声、环境干扰	随机、可建模
粗大误差	传感器故障、通信丢包	偶发、需剔除

系统误差可以通过标定消除。随机误差需要建模，比如用高斯分布、随机游走等。粗大误差最麻烦，得靠异常检测来处理。

常见噪声模型

我常用的噪声模型有这几个：

• 高斯白噪声：均值 0，方差固定。摄像头像素噪声、GPS 测量噪声常用这个模型。
• 随机游走（Random Walk）：噪声的积分，IMU 的零偏漂移就是典型的随机游走。
• 1/f 噪声（闪烁噪声）：低频段功率谱密度大，某些 MEMS 传感器里有。
• 量化噪声：ADC 量化引起的，分辨率越低越明显。

IMU 误差模型详解

IMU 的误差模型最复杂，我单独拿出来说。一个典型的 IMU 测量模型长这样：

a_meas = a_true + b_a + n_a + s_a * a_true + m_a * a_true
w_meas = w_true + b_g + n_g + s_g * w_true + m_g * w_true

其中：

• b_a、b_g：加速度计和陀螺仪的零偏
• n_a、n_g：白噪声
• s_a、s_g：尺度因子误差
• m_a、m_g：交轴耦合误差

零偏 b 不是常数，它会随时间缓慢漂移。我一般用一阶马尔可夫过程或随机游走模型来描述：

b_dot = -1/tau * b + w_b

其中 tau 是相关时间，w_b 是驱动噪声。这个模型在卡尔曼滤波里很好用。

传感器标定基础

标定，说白了就是找出传感器的系统误差，然后补偿掉。没有标定的传感器数据，直接拿去融合，结果就是垃圾进垃圾出。

标定的层次

我习惯把标定分为三个层次：

1. 内参标定：校准传感器自身的参数。比如摄像头的内参（焦距、畸变系数）、IMU 的零偏和尺度因子。
2. 外参标定：校准传感器之间的相对位姿。比如激光雷达和摄像头之间的旋转平移矩阵。
3. 时间同步标定：校准不同传感器的时间戳偏差。这个经常被忽略，但影响很大。

常用标定方法

这里列几个我常用的方法：

传感器	标定方法	工具/参考
摄像头	棋盘格标定法	OpenCV、Kalibr
激光雷达	平面拟合标定	LiDAR 标定板、ICP
IMU	六位置法、Allan 方差	imu_utils、Allan 工具包
LiDAR-Camera	联合标定（点云投影到图像）	Autoware、lidar_camera_calibration
Camera-IMU	视觉惯性标定	Kalibr、VINS 标定工具

标定流程示例

以摄像头-激光雷达联合标定为例，流程大致如下：

1. 准备标定板（棋盘格或圆形靶标）
2. 采集多组数据：不同距离、不同角度
3. 提取图像中的角点，提取点云中的标定板平面
4. 构建优化问题：最小化重投影误差
5. 输出旋转矩阵 R 和平移向量 t

代码实现上，我习惯用 Ceres 或 g2o 做优化。下面是个简化的优化框架：

// 伪代码：LiDAR-Camera 联合标定优化
for each frame:
    // 提取图像角点 u_i
    // 提取点云平面点 P_i
    // 构建残差：重投影误差
    residual = u_i - project(R * P_i + t)
    
// 最小化所有残差的平方和
minimize sum(residual^2) over R, t

嗯，这里要注意：点云和图像的对应关系要手动标，或者用自动匹配算法。我早期用手动标，累得够呛。后来改用 Autoware 的自动标定工具，省了不少时间。

本章知识体系

下面这张图，把本章的核心内容串起来了。你可以看到传感器类型、误差模型、标定方法之间的关系。

这张图把本章的知识结构理清楚了。从上到下，先认识传感器类型，再理解误差模型，最后掌握标定方法。每一步都是下一步的基础。