3. 传感器基础

在机器人三维语义地图构建中，传感器是系统感知世界的“五官”。RGB-D相机、激光雷达、IMU和轮式里程计分别从颜色、深度、几何、姿态和位移等维度提供观测数据。理解它们的工作原理与数据特性，是后续标定、融合、建图和语义标注的基础。本节将逐一拆解这四类传感器的核心机制，并给出工程中常见的数据使用要点。

一、四类传感器的核心原理

RGB-D相机通过彩色相机与深度传感器组合，同时输出RGB图像和逐像素深度。主流深度获取方式包括结构光、飞行时间（ToF）和主动双目。结构光投射已知红外图案，根据图案形变计算深度；ToF测量红外光往返相位差；主动双目则利用左右红外图像视差。其数据本质是“二维图像+深度图”，天然具备像素级语义与几何对应关系，非常适合语义分割与稠密建图，但受光照、材质和距离影响较大。

激光雷达通过发射激光束并测量回波时间或相位差，获得目标距离。机械旋转式雷达逐列扫描形成点云，固态雷达则通过光学相控阵或MEMS微振镜实现扫描。激光雷达输出的是三维点云，每个点包含距离、角度和反射强度。其优势是测距精度高、不受光照影响、视野广，但点云稀疏、无颜色信息，且对雨雾、高反材质敏感。

IMU由三轴加速度计和三轴陀螺仪组成，部分型号还包含磁力计。加速度计测量比力，陀螺仪测量角速度。通过对角速度积分可得姿态，对加速度二次积分可得位移，但积分会累积漂移。IMU的特点是高频、短时精度高、长期漂移大，适合提供运动先验和姿态约束。

轮式里程计通过编码器测量车轮转速，结合轮径和轮距推算机器人位移与航向变化。它输出的是二维平面位姿增量，频率中等、短期精度较好，但在打滑、地面不平或轮胎磨损时误差显著。轮式里程计是地面移动机器人最基础的相对定位来源。

二、数据特性与工程使用要点

四类传感器在频率、维度、误差特性和环境适应性上差异明显。工程中需要根据任务目标选择组合方式，并针对各自短板设计补偿策略。下表总结了关键参数与典型使用建议。

三、典型场景：室内语义建图的数据流

以室内服务机器人构建三维语义地图为例，数据流通常如下：RGB-D相机以30 Hz采集彩色与深度图像，激光雷达以10 Hz扫描环境点云，IMU以200 Hz输出角速度与加速度，轮式里程计以50 Hz输出轮速积分位姿。系统首先对IMU和轮式里程计进行预积分，得到高频运动估计；然后将激光点云与RGB-D深度图配准到统一坐标系；最后将语义分割结果投影到三维点云上，形成带标签的语义地图。

# 典型传感器话题与频率（ROS示例）
/camera/color/image_raw      30 Hz   RGB图像
/camera/depth/image_raw      30 Hz   深度图
/velodyne_points             10 Hz   激光点云
/imu/data                   200 Hz   IMU数据
/odom                        50 Hz   轮式里程计

# 时间同步检查
ros2 topic hz /camera/color/image_raw
ros2 topic hz /velodyne_points
ros2 topic delay /imu/data

四、常见误区与复盘

• 误区一：只看频率，不看时间同步。高频IMU若与低频相机时间戳错位，融合后反而引入抖动。应使用硬件触发或软件插值对齐。
• 误区二：忽略外参标定。RGB-D与激光雷达之间的旋转平移若未标定，语义标签会投到错误位置，地图出现“重影”。
• 误区三：过度依赖轮式里程计。在瓷砖、地毯或斜坡上，轮式里程计误差迅速累积，必须与IMU和激光雷达联合优化。
• 误区四：把深度图当精确几何。RGB-D深度在边缘、玻璃和远距离处噪声大，建图时应设置置信度阈值或融合激光点云。

总结来看，RGB-D相机提供语义与稠密颜色，激光雷达提供精确几何，IMU提供高频姿态，轮式里程计提供平面位移约束。四者互补，缺一不可。只有深入理解各自的工作原理与数据特性，才能在三维语义地图构建中合理设计融合策略，获得稳定、准确、语义丰富的地图结果。