2. 无人机系统基础
做机器人避障，第一步不是写算法，而是搞清楚——你凭什么感知这个世界。
我入行那会儿，有个项目选了纯视觉方案，结果在强光车间里直接瞎了。从那以后，我对传感器选型就特别较真。今天咱们就聊聊三种最常见的传感器：激光雷达、摄像头、超声波，以及怎么把它们的数据揉在一起用。
传感器三兄弟
先看一张总览图，把三者的核心差异说清楚。
激光雷达：精度之王
激光雷达，说白了就是拿激光束扫一圈，测出每个点的距离。它输出的是点云——一堆三维坐标点。
我个人习惯把激光雷达分成两类：
- 机械式：旋转扫描，360°覆盖。典型如Velodyne、Hesai。精度高，但有机械磨损。
- 固态式：用光学相控阵或MEMS镜片，无旋转部件。体积小，寿命长，但视场角有限。
关键参数：选型时我主要看三个数——线数（16线、32线、64线）、测距精度（±2cm以内算合格）、帧率（至少10Hz才能跟上移动机器人）。
我在项目中遇到过最头疼的问题：激光雷达在雨雪天会打出一堆噪点。水滴反射激光，点云里全是飘着的假目标。后来加了滤波算法，才勉强压下去。
摄像头：信息最丰富
摄像头给的是图像，信息量最大。你能从一张图里认出障碍物是人是车还是垃圾桶。但有个致命弱点——没有深度信息。
怎么补深度？常见做法：
- 单目+深度学习：用神经网络估深度，精度一般，胜在便宜。
- 双目立体视觉：两个摄像头算视差，精度高但计算量大。
- RGB-D相机：比如Kinect、Intel RealSense，直接输出深度图，但室外强光下基本废掉。
我的经验：如果你做室内AGV，RGB-D够用。室外无人车，老老实实上双目或激光雷达。别指望单目深度估计能用在安全关键场景——我吃过这个亏。
超声波：近距守护神
超声波传感器，原理就是发射声波、等回波、算时间。它精度不高，但有两个独特优势：
- 不怕透明物体——玻璃、亚克力板，激光雷达打上去直接穿透，超声波能检测到。
- 近距盲区补全——激光雷达最近探测距离通常0.1m，超声波可以到2cm。
嗯，这里要注意：超声波有锥角，一般是15°-30°。两个物体靠太近，回波会混在一起，你分不清是一个还是两个。
避坑指南：我曾经在自动泊车项目里，超声波被地面反射干扰，明明前面没东西，系统硬是刹停了。后来加了多回波解析和置信度判断才解决。别信单次回波，一定要做多帧验证。
数据融合：1+1>2
单个传感器都有短板。激光雷达怕雨雪、摄像头怕光照、超声波怕干扰。所以得融合。
数据融合分三个层级：
| 层级 | 做法 | 典型方法 | 我推荐指数 |
|---|---|---|---|
| 数据级 | 原始数据直接拼接 | 点云+图像像素对齐 | ⭐⭐ |
| 特征级 | 提取特征后再融合 | 边缘+深度聚类 | ⭐⭐⭐⭐ |
| 决策级 | 各自出结果再投票 | 卡尔曼滤波、贝叶斯 | ⭐⭐⭐ |
我个人最常用特征级融合。举个例子：摄像头检测到前方有个行人轮廓，激光雷达在那个方向测到距离2.3m。把这两个信息对齐，你就知道——前方2.3m处有行人。比单用任何一个都靠谱。
核心原则：融合不是简单叠加，而是互补短板。激光雷达给距离，摄像头给语义，超声波补盲区。各司其职，才能构建鲁棒的环境模型。
一个简单的融合示例
假设你有一个激光雷达和一个超声波。激光雷达每50ms出一帧点云，超声波每20ms出一个距离值。怎么融合？
// 伪代码：激光雷达+超声波融合
void sensorFusion() {
// 1. 时间对齐
auto lidarData = getLatestLidarFrame(); // 最近一帧点云
auto sonarData = getLatestSonarReading(); // 最近一次超声波读数
// 2. 空间对齐（假设传感器已标定）
float sonarAngle = sonarData.angle; // 超声波安装角度
float sonarRange = sonarData.range; // 超声波测距值
// 3. 检查激光雷达在该方向是否有有效点
bool lidarHasPoint = lidarData.hasPointAtAngle(sonarAngle);
float lidarRange = lidarData.getRangeAtAngle(sonarAngle);
// 4. 融合决策
if (lidarHasPoint && abs(lidarRange - sonarRange) < 0.1) {
// 两者一致，取高精度值（激光雷达）
finalRange = lidarRange;
} else if (lidarHasPoint && lidarRange > 0.5) {
// 激光雷达有值但超声波没检测到？可能是透明物体
finalRange = sonarRange; // 信任超声波
} else {
// 只有一方有数据，直接使用
finalRange = lidarHasPoint ? lidarRange : sonarRange;
}
// 5. 输出融合后的障碍物距离
publishObstacle(sonarAngle, finalRange);
}这段代码看着简单，但实际工程里要考虑更多：传感器标定、时间戳同步、异常值剔除……不过核心逻辑就是这个——谁可靠信谁。
小技巧：我习惯给每个传感器加一个置信度字段。激光雷达在雨天的置信度自动降到0.6，超声波在强风环境降到0.4。融合时按置信度加权，比硬切换平滑得多。
好了，环境感知这块就聊到这儿。传感器选型没有银弹，关键看你做什么场景、预算多少、精度要求多高。数据融合也不是越复杂越好，有时候一个简单的加权平均，比花里胡哨的神经网络更稳定。