2. 传感器基础
多传感器融合系统的性能上限，往往不取决于算法有多先进，而取决于对传感器底层物理特性的理解深度。本章聚焦机器人平台上最常用的五类传感器——相机、激光雷达、IMU、轮式编码器、毫米波雷达，从工作原理出发，剖析其输出数据格式、坐标系定义、时序特性与误差模型。只有把每种传感器的“脾气”摸清楚，才能在后续标定与融合中做出合理的权重分配与置信度判断。
2.1 相机：被动光学感知与像素级误差
核心原理：相机通过镜头将三维世界投影到二维图像传感器（CMOS/CCD）上，每个像素记录入射光的强度与颜色。其数学模型为针孔成像模型，内参矩阵 K 描述焦距、主点偏移，畸变系数描述镜头非线性形变。相机输出的是稠密的 RGB 或灰度图像，信息量最大，但缺乏直接深度信息。
输出特性：典型帧率 30-60Hz，分辨率从 VGA 到 8K 不等。输出数据为像素矩阵，每个像素值受曝光时间、增益、白平衡影响。相机坐标系定义：光心为原点，Z 轴指向镜头前方，X 轴向右，Y 轴向下（图像坐标系）。
误差来源分析：
- 镜头畸变：径向畸变（桶形/枕形）和切向畸变，在图像边缘尤为明显，需通过标定获取畸变系数进行校正。
- 曝光与动态范围：过曝导致高光区域信息丢失，欠曝导致暗部噪声放大。
- 运动模糊：曝光时间内相机或物体运动导致图像拖影，影响特征提取精度。
- 卷帘快门效应：逐行曝光导致运动物体产生倾斜或扭曲，在高速场景中尤为严重。
2.2 激光雷达：主动测距与点云特性
核心原理：激光雷达通过发射激光脉冲并测量反射光的时间差（TOF）或相位差来计算目标距离。机械式激光雷达通过旋转镜面实现 360° 水平扫描，固态激光雷达则通过光学相控阵或 MEMS 微镜实现扫描。输出为三维点云，每个点包含 (x, y, z) 坐标和反射强度值。
输出特性：典型帧率 10-20Hz，线数从 16 线到 128 线不等。水平视场角 360°，垂直视场角通常为 30°-40°。测距精度通常在 ±2-3cm（50m 内），反射强度受目标材质和入射角影响。点云密度随距离增加而稀疏，近处点云密集，远处点云稀疏。
误差来源分析：
- 运动畸变：一帧点云是扫描周期内连续采集的，若载体运动，点云会发生扭曲。需通过 IMU 或轮式里程计进行运动补偿。
- 反射率影响：低反射率物体（如黑色轮胎）可能导致回波信号弱，测距精度下降。
- 多径效应：激光在镜面或玻璃表面发生多次反射，产生虚假点。
- 雨雾衰减：大气中的水汽和颗粒物会散射激光，降低有效探测距离。
2.3 IMU：高频惯性测量与漂移累积
核心原理：IMU（惯性测量单元）包含三轴加速度计和三轴陀螺仪，分别测量载体在三个正交轴上的线加速度和角速度。加速度计基于 MEMS 电容检测原理，陀螺仪基于科里奥利效应。IMU 输出频率极高（100-1000Hz），是融合系统中重要的运动预测和插值基准。
输出特性：输出为六维向量：加速度 (ax, ay, az) 和角速度 (ωx, ωy, ωz)。IMU 坐标系定义：通常以芯片封装中心为原点，X 轴指向载体前方，Y 轴向左，Z 轴向上。加速度计测量的是比力（specific force），包含重力分量。
误差来源分析：
- 零偏（Bias）：静止时输出不为零，随时间缓慢漂移（Bias Instability），受温度影响显著。
- 随机游走（Random Walk）：角速度积分产生角度随机游走，加速度积分产生速度随机游走，是噪声累积的主要来源。
- 尺度因子误差：实际输出与理想值的比例偏差，通常为 0.1%-1%。
- 交轴耦合：各轴之间的非正交性导致测量串扰。
| 误差项 | 典型量级 | 影响 | 标定方法 |
|---|---|---|---|
| 零偏稳定性 | 10-50 °/h（陀螺） | 姿态漂移 | 静止采集求均值 |
| 角度随机游走 | 0.1-0.5 °/√h | 短期噪声 | Allan 方差分析 |
| 加速度计零偏 | 5-20 mg | 速度/位置漂移 | 六位置静态标定 |
| 温度漂移 | 0.01-0.1 °/h/°C | 长时间漂移 | 温箱标定 |
2.4 轮式编码器：接触式里程计与地面约束
核心原理：轮式编码器安装在电机或车轮轴上，通过光电或磁电原理检测车轮旋转角度。增量式编码器输出 A/B 两路正交脉冲信号，通过计数脉冲数可计算车轮转角。结合车轮半径和轮距，可推算机器人平面运动轨迹（航迹推算）。
输出特性：输出为脉冲计数或角度增量，频率可达 100Hz 以上。分辨率取决于编码器线数（如 500 线/圈，经 4 倍频后为 2000 脉冲/圈）。轮式里程计输出的是二维平面位姿 (x, y, θ)，但仅适用于平面运动假设。
误差来源分析：
- 车轮打滑：加速、急转或湿滑地面导致车轮空转，产生里程计误差。
- 轮径变化：轮胎磨损、胎压变化导致有效轮径改变，产生比例误差。
- 安装偏差：编码器与车轮轴不同心，或左右轮距测量不准。
- 量化误差：脉冲计数离散化导致的角度量化误差。
2.5 毫米波雷达：射频感知与多普勒优势
核心原理：毫米波雷达发射 77GHz 或 24GHz 频段的调频连续波（FMCW），通过混频得到中频信号，再经 FFT 提取目标的距离、速度和角度信息。其最大优势是可直接测量径向速度（多普勒效应），且不受光照和天气影响。
输出特性：输出为稀疏的目标列表或点云，每个目标包含距离、方位角、径向速度、RCS（雷达散射截面）。帧率通常为 15-30Hz，探测距离从 0.2m 到 250m 不等。角度分辨率较低（典型 3°-10°），距离分辨率取决于带宽（如 4GHz 带宽对应 3.75cm 距离分辨率）。
误差来源分析：
- 多径反射：雷达波经地面或墙壁反射后产生虚假目标，尤其在隧道或停车场场景。
- 速度模糊：当目标速度超过最大不模糊速度时，多普勒频率发生混叠。
- 角度测量误差：MIMO 天线阵列的相位噪声和互耦导致角度估计偏差。
- 静止目标检测：对静止目标的检测依赖运动补偿，若自车速度估计不准，静止目标可能被误判为运动目标。
2.6 传感器特性对比与选型策略
| 传感器 | 感知维度 | 输出频率 | 精度量级 | 主要误差 | 适用场景 |
|---|---|---|---|---|---|
| 相机 | 2D 纹理 | 30-60Hz | 像素级 | 畸变、曝光、模糊 | 目标识别、语义分割 |
| 激光雷达 | 3D 几何 | 10-20Hz | ±2cm | 运动畸变、反射率 | 建图、定位、避障 |
| IMU | 6DOF 运动 | 100-1000Hz | 0.01°/s | 零偏、随机游走 | 运动预测、姿态估计 |
| 轮式编码器 | 2D 平面 | 100Hz+ | 0.1% 里程 | 打滑、轮径变化 | 室内轮式机器人 |
| 毫米波雷达 | 2.5D 目标 | 15-30Hz | ±0.1m/s | 多径、速度模糊 | 全天候目标检测 |
选型策略：在机器人平台上，通常采用“激光雷达 + IMU + 轮式编码器”作为核心定位组合，相机负责语义感知，毫米波雷达作为全天候冗余。选型时需考虑：
- 场景需求：室内结构化环境优先轮式编码器 + 激光雷达；室外复杂环境需加入 IMU 和毫米波雷达。
- 计算资源：相机和激光雷达数据量大，需 GPU 或高性能 CPU 处理；IMU 和编码器数据量小，适合嵌入式平台。
- 成本约束：激光雷达成本最高，毫米波雷达次之，相机和 IMU 相对便宜。
2.7 案例拆解：AGV 平台传感器误差分析与标定优先级
背景与约束：某仓储 AGV 采用“16 线激光雷达 + 轮式编码器 + 低成本 IMU”方案，运行在光滑环氧地坪上，要求定位精度 ±5cm。初始调试时发现直线行驶 20m 后横向偏差达 30cm，且转弯后航向角偏差严重。
初始现象与数据：
- 直线行驶 20m，编码器里程计显示前进 20.1m，但实际位移为 19.8m（激光雷达 SLAM 验证）。
- 原地旋转 360°，编码器计算航向变化为 352°，偏差 8°。
- IMU 静止 1 分钟，陀螺仪 Z 轴零偏为 0.15°/s，积分后航向漂移 9°。
分析判断过程：
- 直线距离偏差 0.3m/20m = 1.5%，超出预期，怀疑轮径标定不准或打滑。
- 旋转偏差 8°/360° = 2.2%，怀疑轮距标定不准或左右轮径不一致。
- IMU 零偏 0.15°/s 在 10 秒转弯过程中贡献 1.5° 误差，不可忽略。
实际操作步骤：
- 重新标定轮径：在 10m 直线距离上往返 3 次，取平均脉冲数，计算有效轮径。
- 重新标定轮距：原地旋转 10 圈，对比左右轮脉冲差，调整轮距参数。
- IMU 零偏补偿：静止采集 60 秒数据，计算平均零偏并在驱动中减去。
- 激光雷达与 IMU 外参标定：使用手动对准方法，将 IMU 坐标系与激光雷达坐标系对齐。
结果对比：标定后直线 20m 偏差降至 3cm，旋转 360° 偏差降至 1° 以内，满足 ±5cm 定位要求。
复盘经验：
- 轮式编码器的轮径和轮距标定是基础，任何融合算法都无法弥补系统性的里程计误差。
- 低成本 IMU 的零偏随温度变化明显，建议在每次开机后做 10-30 秒静态初始化。
- 激光雷达与 IMU 的外参标定精度直接影响点云去畸变效果，建议使用自动标定工具（如 lidar_imu_calib）而非手动测量。