4. 传感器仿真
传感器仿真，说白了就是给机器人装上一双“虚拟的眼睛和耳朵”。
我刚开始做仿真时，总觉得随便配几个参数就能跑。结果真机一部署，机器人直接撞墙。嗯，这里面的坑，我今天跟你好好聊聊。
4.1 激光雷达仿真：点云数据的“真实感”从哪来？
激光雷达（LiDAR）是机器人感知的“主力军”。仿真里，我们不仅要模拟它扫出来的点云，还要模拟它的“坏脾气”——噪声。
4.1.1 核心参数配置
我个人习惯把激光雷达参数分成三类：物理参数、扫描参数、噪声参数。
| 参数类别 | 参数名称 | 典型值 | 说明 |
|---|---|---|---|
| 物理参数 | 最大探测距离 | 30m / 100m | 超过此距离的点会被截断 |
| 物理参数 | 最小探测距离 | 0.1m / 0.5m | 太近会形成盲区 |
| 扫描参数 | 水平角分辨率 | 0.18° / 0.36° | 角度越小，点云越密 |
| 扫描参数 | 扫描频率 | 10Hz / 20Hz | 频率越高，实时性越好 |
| 噪声参数 | 距离噪声标准差 | 0.01m ~ 0.05m | 高斯噪声，模拟测距误差 |
| 噪声参数 | 角度噪声标准差 | 0.1° ~ 0.5° | 模拟电机旋转抖动 |
关键点：噪声参数不是随便填的。我建议你查一下真实雷达的数据手册，把标准差设成跟手册一致。否则仿真和真机永远对不上。
4.1.2 噪声模型实现
最常见的噪声模型是“高斯噪声 + 离群点”。
// 伪代码：激光雷达点云噪声添加
for each point (range, angle):
// 1. 距离噪声
range_noisy = range + gaussian(0, sigma_range)
// 2. 角度噪声
angle_noisy = angle + gaussian(0, sigma_angle)
// 3. 离群点（随机丢弃或添加）
if random() < outlier_prob:
range_noisy = INF // 丢弃该点
// 4. 量化噪声（模拟ADC精度）
range_quantized = round(range_noisy / quant_step) * quant_step
避坑指南：我曾经在仿真里把sigma_range设成0.001m，结果点云完美得像CAD图。真机一跑，定位直接崩了。后来我改成0.02m，效果才接近真实。
4.2 IMU仿真：加速度计与陀螺仪的“漂移艺术”
IMU（惯性测量单元）是机器人的“内耳”。它告诉你“我在加速”和“我在旋转”。但IMU有个臭毛病——漂移。
4.2.1 参数配置清单
IMU的参数比激光雷达更“玄学”。我列几个你一定会碰到的：
- 加速度计量程： ±2g / ±4g / ±8g / ±16g。选小了会饱和，选大了精度低。
- 陀螺仪量程： ±250°/s / ±500°/s / ±1000°/s / ±2000°/s。轮式机器人用±500就够了，四足机器人建议±1000。
- 零偏稳定性： 这是IMU的“良心指标”。好的IMU能做到10°/h，差的可能100°/h。
- 随机游走： 噪声积分后的漂移。你想想看，加速度积分一次变速度，再积分一次变位移。误差会像滚雪球一样。
4.2.2 噪声模型：Allan方差
IMU的噪声模型，业内标准是Allan方差。它把噪声拆成5种成分：
- 角度随机游走（ARW）： 高频白噪声，积分后变成角度漂移。
- 速率随机游走（RRW）： 低频噪声，导致角速度缓慢变化。
- 零偏不稳定性（Bias Instability）： 1/f噪声，IMU的“慢性病”。
- 量化噪声： ADC采样精度带来的。
- 速率斜坡： 温度变化引起的系统性漂移。
实战经验：我在做AGV导航时，发现仿真里IMU数据“太干净”。后来我加上了零偏不稳定性（0.01°/s），定位精度才跟真机对得上。记住：IMU仿真一定要加低频漂移，否则你调出来的滤波器在真机上会失效。
4.3 深度相机仿真：RGB-D数据的“虚实结合”
深度相机（如Kinect、RealSense）能同时输出彩色图和深度图。仿真里，我们要模拟它的“三大硬伤”。
4.3.1 参数配置
| 参数 | 典型值 | 仿真注意事项 |
|---|---|---|
| 分辨率 | 640×480 / 1280×720 | 分辨率越高，计算量越大 |
| 帧率 | 30fps / 60fps | 仿真里建议30fps，真机也常用30 |
| 深度范围 | 0.3m ~ 10m | 太近会过曝，太远会丢失 |
| 深度噪声 | 标准差 0.01m ~ 0.05m | 距离越远，噪声越大 |
| RGB噪声 | 高斯噪声 + 光照变化 | 模拟低光照环境 |
4.3.2 噪声模型：距离相关噪声
深度相机的噪声不是恒定的。距离越远，噪声越大。这是物理规律——ToF（飞行时间）原理决定的。
// 深度噪声模型（距离相关）
float add_depth_noise(float depth, float sigma_base, float sigma_factor) {
// sigma_base: 基础噪声（0.01m）
// sigma_factor: 距离放大因子（0.005）
float sigma = sigma_base + sigma_factor * depth;
return depth + gaussian(0, sigma);
}
// 边缘噪声（深度不连续处）
if (abs(depth - neighbor_depth) > edge_threshold) {
// 边缘处噪声放大2倍
depth_noisy = add_depth_noise(depth, sigma_base*2, sigma_factor*2);
}
注意：深度相机还有一个“黑洞”问题——对透明物体、反光表面、黑色物体完全失效。仿真里记得加一个“无效深度”的随机概率，比如在玻璃墙前面，深度值直接返回0。
4.4 知识体系总览
下面这张图，是我自己总结的传感器仿真核心逻辑。你看一眼就能明白：
4.5 仿真到真机的“最后一公里”
你可能会问：仿真参数配好了，怎么保证真机上也能跑？
我的做法是三步验证：
- 离线对比： 把仿真数据和真机数据画在一起，看分布是否一致。
- 开环测试： 用仿真数据跑算法，看输出是否合理。
- 闭环测试： 在仿真环境里跑完整系统，调参直到稳定。
一个小技巧：我习惯在仿真里把噪声调得比真机略大10%。这样算法在真机上反而表现更好——相当于做了“对抗训练”。
传感器仿真，说白了就是“骗”算法。你骗得越像，算法在真机上就越听话。嗯，今天就聊到这儿。记住：参数不是抄来的，是调出来的。