3. 三维环境感知与传感器
三维避障与局部规划的第一步，是让无人机“知道周围有什么、自己在哪里、正在怎样运动”。这依赖一组原理不同、数据特性各异的传感器。理解它们的物理机制与输出形式，才能正确做时间同步、坐标变换、噪声建模与融合决策。本节围绕六类常用传感器展开，重点说明它们“测什么、怎么测、数据长什么样、适合什么场景”。
一、核心原理：从物理量到三维信息
激光雷达（LiDAR）通过发射激光脉冲并测量回波飞行时间（ToF）得到距离，配合旋转或固态扫描机构获得角度，从而解算三维点云。其输出是稀疏但几何精度高的点集，典型参数包括测距范围、角分辨率、帧率、点频与回波次数。机械式雷达水平视场可达360°，但垂直视场有限；固态雷达体积小、寿命长，但视场与点密度分布不同。
深度相机常见有结构光与ToF两类。结构光投射已知图案，通过图案形变解算深度；ToF则测量调制光相位差。输出为对齐的深度图与RGB图，稠密但受光照、材质与多路径影响明显，室外强光下性能下降。
双目视觉模仿人眼，用两个已标定相机同时成像，通过立体匹配寻找同名点，按视差公式 Z = f·B / d 计算深度。它被动感知、成本低、分辨率高，但依赖纹理，弱纹理、重复纹理或强反光区域易产生空洞与误匹配。
超声波发射声波并测量回波时间，波束角大、成本低，适合近距离（通常数米内）避障与定高，但更新率低、易受温度与反射面影响，且无法提供精细方向信息。
IMU由加速度计与陀螺仪组成，测量三轴线加速度与角速度，部分含磁力计。它输出高频（100–1000 Hz）但存在零偏与积分漂移，短时平滑、长时发散，是姿态估计与运动预测的核心。
GPS通过接收卫星伪距解算位置与速度，提供绝对但低频（1–10 Hz）、易受遮挡与多路径影响的定位，常与RTK组合提升厘米级精度。
二、方法流程：从原始数据到可用地图
工程上通常按以下流程组织感知链路：
- 时间同步：用PPS、硬件触发或ROS时间戳对齐各传感器，避免运动畸变与错位。
- 外参标定：确定LiDAR、相机、IMU、机体之间的旋转与平移，建立统一坐标树。
- 预处理：点云去畸变、降采样、地面分割；深度图补洞、滤波；双目校正与匹配。
- 状态估计：以IMU高频预测、视觉/激光低频观测更新，常用EKF或因子图优化。
- 地图构建：将点云或深度投影到局部栅格/ESDF，供局部规划器查询碰撞代价。
关键认知：没有一种传感器能同时满足“高频、高精度、绝对、全天候、低成本”。融合的本质是用互补性换取鲁棒性，而不是简单叠加。
三、案例/场景：室内穿越与室外巡检
室内穿越场景：无人机在走廊与桌椅间飞行。LiDAR提供水平360°障碍轮廓，深度相机补充前方小障碍与地面起伏，IMU提供姿态与短时速度，超声波用于近地定高。GPS不可用，视觉惯性里程计（VIO）承担定位。此时点云稀疏但几何可靠，深度图在弱纹理墙面易缺失，需以LiDAR为主、视觉为辅。
室外巡检场景：沿电力线或建筑外立面飞行。GPS/RTK提供绝对位置约束，LiDAR或双目提供局部避障，IMU抑制振动与姿态扰动。强光下深度相机可能失效，双目受纹理限制，LiDAR受雨雾衰减。工程上常采用“RTK+IMU+激光/视觉”组合，并设置传感器健康监测与降级策略。
四、参数与选型清单
| 传感器 | 核心输出 | 典型频率 | 优势 | 主要局限 |
|---|---|---|---|---|
| 激光雷达 | 三维点云 | 10–20 Hz | 几何精度高、视场大 | 成本高、雨雾衰减、稀疏 |
| 深度相机 | 深度图+RGB | 15–30 Hz | 稠密、信息丰富 | 怕强光、多路径、量程短 |
| 双目视觉 | 视差→深度 | 20–30 Hz | 被动、成本低、分辨率高 | 依赖纹理、计算量大 |
| 超声波 | 单点距离 | 20–50 Hz | 近距可靠、成本低 | 波束角大、更新慢 |
| IMU | 加速度/角速度 | 200–1000 Hz | 高频、短时平滑 | 零偏、积分漂移 |
| GPS/RTK | 位置/速度 | 1–10 Hz | 绝对定位、无漂移 | 遮挡、多路径、低频 |
五、误区与复盘
常见误区一：把深度相机当激光雷达用。深度图在玻璃、水面、黑色物体上常出现无效值，直接用于避障会漏检。
常见误区二：忽略时间同步。高速飞行时，10 ms错位可造成数十厘米位置误差，导致“看到障碍却撞上”。
常见误区三：只依赖GPS做避障。GPS更新慢且无局部障碍信息，必须与近距传感器配合。
复盘时建议记录：各传感器数据率与延迟、标定残差、失效场景、融合后定位跳变次数。只有把“原理—数据特性—融合策略”串成闭环，三维避障与局部规划才有可靠输入。