📚 课程目录第4章传感器数据基础

4. 传感器数据基础

SLAM前端里程计的本质，是把不同传感器采集到的原始观测转换成“位姿增量”的估计。不同传感器的数据格式、坐标系约定、时间戳语义和噪声模型差异极大，如果对这些基础特性理解不清，后续的扫描匹配、点云配准、预积分和融合都会出现难以定位的误差。本节从数据格式与噪声特性两个维度，梳理四类常用传感器的关键要点。

一、四类传感器的数据格式与坐标系

激光雷达输出的是距离测量集合。2D激光雷达通常以极坐标形式给出每个角度上的距离，转换为笛卡尔坐标后形成平面点云；3D激光雷达则输出带强度信息的三维点云，常见格式为 PointCloud2，字段包括 x, y, z, intensity, ring, time。RGB-D相机同时输出彩色图像、深度图像和相机内参，深度图每个像素对应一个深度值，需通过内参反投影为点云。IMU输出三轴线加速度与三轴角速度，部分器件还提供磁力计和姿态四元数。轮式里程计则通过编码器脉冲累计得到左右轮位移，再依据运动学模型解算为平面位姿增量。

坐标系是数据格式中容易被忽视却极其关键的部分。激光雷达数据通常定义在 laser 或 lidar 坐标系下，RGB-D相机数据定义在 camera 坐标系下，IMU定义在 imu 坐标系下，轮式里程计定义在 odom 坐标系下。所有传感器数据在进入前端里程计前，必须通过外参标定统一到同一参考坐标系，否则点云配准会出现系统性偏差。

二、噪声特性与误差来源

激光雷达的测距噪声通常近似为高斯分布，但存在两类非高斯误差：一是运动畸变，即雷达旋转或平台移动过程中，同一帧内不同时刻采集的点不在同一坐标系下，表现为点云“拖尾”；二是环境噪声，如玻璃、镜面、黑色物体导致回波丢失或测距异常。3D激光雷达还存在垂直角分辨率带来的稀疏性问题，远处地面点间距可达数十厘米。

RGB-D相机的深度噪声与距离强相关。结构光相机在近距离精度较高，但随距离增加误差迅速增大；ToF相机在远距离仍有较好表现，但存在多路径干扰。透明物体、反光表面和黑色吸光材质会导致深度缺失或跳变。此外，RGB与深度图之间的对齐误差、卷帘快门效应也会引入额外噪声。

IMU的噪声模型包含两部分：确定性误差（零偏、尺度因子、轴间不对准）和随机误差（高斯白噪声、零偏随机游走）。零偏会随时间缓慢变化，必须在线估计；随机游走导致角速度和加速度积分后位姿漂移随时间累积，因此IMU通常只用于短时高频位姿预测，需与其他传感器融合校正。

轮式里程计的误差主要来自轮径标定不准、轮距标定误差、地面打滑和轮胎形变。在光滑地面或急转弯时，打滑会使里程计读数严重偏离真实运动，表现为位姿协方差急剧增大。因此轮式里程计适合作为低频、平滑的运动先验，而不适合单独承担长距离定位。

三、典型数据格式与参数示例

以下以ROS中常见消息格式为例，展示关键字段与典型参数：

# 2D LaserScan 关键字段
angle_min: -3.14159
angle_max:  3.14159
angle_increment: 0.00436   # 约0.25°
range_min: 0.05
range_max: 30.0
ranges: [1.23, 1.25, ...]  # 每个角度的距离

# 3D PointCloud2 关键字段
fields: x, y, z, intensity, ring, time
point_step: 32
is_dense: false

# IMU 关键字段
linear_acceleration: {x, y, z}
angular_velocity:    {x, y, z}
orientation_covariance: [...]

# 轮式里程计
pose.pose.position: {x, y, z}
pose.pose.orientation: {x, y, z, w}
twist.twist.linear.x: v
twist.twist.angular.z: ω

四、误区与复盘

常见误区一：忽略时间戳同步。激光雷达与IMU时间戳未对齐时，运动补偿会引入系统性偏差，表现为建图重影。务必检查各传感器时间戳是否来自同一时钟源，必要时做时间偏移标定。

常见误区二：直接用原始点云配准。未去畸变的3D点云在快速运动时配准误差显著增大。应先利用IMU或匀速模型做去畸变，再进行扫描匹配。

常见误区三：过度信任轮式里程计。在打滑场景下，轮式里程计方差应被动态放大，否则融合结果会被错误观测拉偏。

复盘建议：建立传感器数据质量检查清单——时间戳是否单调递增、点云是否有NaN、IMU零偏是否收敛、轮式里程计协方差是否合理。每次前端里程计出现异常时，先回查原始数据质量，再排查算法参数。

五、核心要点清单

传感器	核心数据	主要噪声	前端使用方式
2D激光雷达	距离+角度	测距误差、角度分辨率	扫描匹配、位姿增量
3D激光雷达	三维点云+强度	运动畸变、环境噪点	点云配准、去畸变
RGB-D相机	RGB+深度+内参	深度随距离增大、多路径	视觉里程计、点云生成
IMU	加速度+角速度	零偏、随机游走	预积分、运动预测
轮式里程计	轮速→位姿	打滑、标定误差	低频先验、融合约束

理解四类传感器的数据格式与噪声特性，是设计鲁棒前端里程计的前提。实际系统中，往往需要根据场景特点选择传感器组合，并针对各自噪声模型设计滤波、加权或鲁棒核函数，才能获得稳定可靠的位姿估计。