4. 传感器基础
在AMR（自主移动机器人）的安全避障系统中，传感器是机器人感知外部世界的“五官”。没有可靠的传感器数据，再优秀的路径规划算法也无法做出正确的避障决策。本章将从传感器分类出发，深入解析精度、分辨率、响应时间、视场角等核心性能指标，并给出选型原则与集成挑战的实践指导。
一、传感器分类：从物理量到感知维度
AMR避障常用的传感器可按感知维度分为三大类：
- 距离/测距类：激光雷达（LiDAR）、超声波传感器、红外测距传感器、毫米波雷达。它们直接输出目标距离，是避障的核心数据源。
- 视觉类：单目/双目摄像头、RGB-D深度相机、事件相机。通过图像或深度图获取环境语义与几何信息。
- 接触/近距类：碰撞开关、防撞条、电容式接近传感器。作为最后一道安全防线，触发急停。
按探测范围又可分为：近距（0～0.5m，如超声波、防撞条）、中距（0.5～5m，如红外、RGB-D）、远距（5～100m，如激光雷达、毫米波雷达）。实际系统中通常采用多传感器融合，形成互补的感知覆盖。
二、核心性能指标：精度、分辨率、响应时间、视场角
选型时必须理解以下四个关键指标，它们直接决定避障系统的安全边界与响应能力。
| 指标 | 定义 | 对避障的影响 | 典型值参考 |
|---|---|---|---|
| 精度（Accuracy） | 测量值与真实值的偏差程度 | 精度不足会导致误判障碍物位置，引发碰撞或误停 | 激光雷达±2cm；超声波±1% |
| 分辨率（Resolution） | 能区分的最小变化量或最小可检测目标 | 分辨率低会漏检细小障碍物（如线缆、桌腿） | 激光雷达角分辨率0.1°～1° |
| 响应时间（Response Time） | 从感知到输出有效数据的时间延迟 | 响应慢会导致高速行驶时刹车距离不足 | 超声波约10～50ms；激光雷达5～20ms |
| 视场角（FOV） | 传感器能覆盖的水平和垂直角度范围 | FOV窄会产生盲区，需多传感器拼接覆盖 | 单线激光雷达360°；RGB-D水平约70°～90° |
提示：精度与分辨率常被混淆。精度是“准不准”，分辨率是“细不细”。一个高分辨率但低精度的传感器，可能画出很密的点云，但每个点都偏离真实位置。
三、选型原则：从场景需求反推传感器配置
传感器选型不是“越贵越好”，而是“越匹配越好”。建议遵循以下流程：
- 明确避障等级：是安全急停（SIL/PL等级）、减速绕行，还是仅做路径规划参考？安全等级越高，对响应时间和可靠性要求越严。
- 分析环境特征：室内结构化环境可优先激光雷达+RGB-D；室外或强光环境需考虑毫米波雷达；玻璃、镜面场景要避开红外和超声波。
- 计算覆盖盲区：根据机器人外形尺寸和运动速度，确定最小探测距离和FOV拼接方案。
- 评估接口与算力：传感器输出接口（USB、Ethernet、CAN、GPIO）是否与主控兼容；点云/图像数据量是否超出算力预算。
- 验证成本与可维护性：包括标定复杂度、更换成本、供货周期。
选型口诀：先定安全等级，再定探测距离，后定FOV拼接，最后算接口与算力。
四、集成挑战与实战案例
多传感器集成并非简单堆叠，常见挑战包括：
- 时间同步：不同传感器采样频率不同，若时间戳未对齐，融合时会出现“鬼影”障碍物。建议使用PTP或硬件触发同步。
- 坐标标定：各传感器安装位置和角度不同，需通过外参标定统一到机器人坐标系。标定误差会直接放大为避障误判。
- 数据融合冲突：激光雷达检测到障碍物而视觉未检测到，或反之。需设计置信度加权与仲裁逻辑。
- 电磁干扰：电机、驱动器产生的电磁噪声可能干扰超声波和红外传感器，需屏蔽与滤波。
以下是一个典型的AMR传感器配置参数示例：
# AMR避障传感器配置示例
lidar:
model: "2D LiDAR"
range: 0.05~12m
fov: 360°
resolution: 0.5°
response: 10ms
interface: Ethernet
ultrasonic:
count: 8
range: 0.02~2m
fov: 60°
response: 30ms
interface: GPIO
rgbd_camera:
model: "Depth Camera"
range: 0.3~3m
fov_h: 87°
fov_v: 58°
resolution: 640x480
response: 33ms
interface: USB3.0
safety_bumper:
type: "contact"
response: 5ms
interface: Safety IO
误区复盘：很多团队在样机阶段只关注激光雷达，忽略超声波和防撞条。结果在玻璃幕墙、黑色高吸光地面等场景下，激光雷达失效，机器人直接撞墙。安全避障必须有多层冗余，接触式传感器是最后底线。
五、性能指标与避障能力的量化关系
为了更直观地理解各指标如何共同决定避障能力，下面用一张关系图展示传感器核心参数与机器人安全性能之间的映射。
上图展示了从传感器五项核心指标到四项避障能力，再到最终安全目标的映射链路。选型时不能孤立地看某一项指标，而应将其放入“安全刹车距离—响应时间—精度”的联合约束中综合评估。例如，若机器人最高速度为1.5m/s，刹车距离约0.3m，则传感器响应时间必须小于100ms，且精度需优于5cm，否则安全边界无法保证。
六、小结与检查清单
传感器是AMR安全避障的基石。理解分类有助于构建互补的感知层；掌握精度、分辨率、响应时间、视场角四项指标有助于量化评估；遵循选型原则可避免过度设计或安全不足；正视集成挑战则能减少现场调试的反复。
选型检查清单：
- 是否明确了避障安全等级（急停/减速/规划参考）？
- 是否计算了最小探测距离与FOV拼接盲区？
- 响应时间是否满足最高速下的刹车距离要求？
- 精度是否优于安全间距的1/3？
- 分辨率能否检出场景中最小的障碍物（如线缆、螺丝）？
- 接口、供电、算力是否匹配？
- 是否配置了接触式安全冗余（防撞条/碰撞开关）？
- 时间同步与坐标标定方案是否已确定？
在实际项目中，建议先搭建传感器原型台架，用真实场景数据验证上述指标，再固化选型方案。只有把传感器基础打牢，后续的融合算法与避障策略才能稳定可靠地运行。