3. 传感器基础

无人机要在三维空间中安全飞行，必须像人一样“看得见、量得准、定得住”。多传感器障碍物检测系统的性能上限，首先由各传感器的物理原理决定。本节把七类常用传感器放在同一张“能力地图”上，从工作原理、输出数据、探测距离、精度、环境适应性几个维度建立基础认知，为后续融合算法选型打底。

一、七类传感器的工作原理

视觉相机基于小孔成像与光电转换，把三维世界投影到二维像平面，输出高分辨率纹理与颜色信息。单目相机无法直接获得深度，需靠运动视差或深度学习估计；双目/多目通过视差三角测量恢复深度。优点是信息丰富、成本低、可识别语义（人、车、电线）；缺点是受光照影响大，逆光、夜间、雨雾下性能骤降，且深度精度随距离平方衰减。

红外传感器分主动与被动两类。被动红外（PIR）探测物体自身热辐射，适合夜间人员检测；主动红外（红外测距/结构光）发射红外光并接收反射，用于近距离测距与深度相机。红外对温度、光照不敏感，但易受热源干扰，探测距离通常较短。

激光雷达（LiDAR）通过发射激光脉冲并测量飞行时间（ToF）计算距离，配合旋转或固态扫描形成高密度三维点云。其角分辨率高、测距精度可达厘米级，能直接输出三维几何结构，是避障与建图的“黄金标准”。缺点是成本较高、雨雾烟尘中衰减明显，且对高反光或纯黑表面存在测距异常。

毫米波雷达工作在 24GHz/77GHz 等频段，发射调频连续波（FMCW），通过回波频率差同时测距与测速，利用多天线相位差测角。它对雨雪雾霾穿透力强，可全天候工作，且能直接输出目标径向速度，适合远距离预警。缺点是点云稀疏、角分辨率低于激光雷达，对静止小目标与金属杂波易误判。

超声波传感器发射 40kHz 左右声波，测量回波时间得到距离。成本极低、近距离（0.2～5m）测距可靠，对透明玻璃、镜面等光学传感器失效的目标仍有效。但声速受温度影响、波束角大导致方向性差，且多机同时工作会互相串扰，通常只用于低空悬停与近地保护。

IMU（惯性测量单元）由三轴加速度计与三轴陀螺仪组成，测量比力与角速度，通过积分得到速度、姿态与位置。它输出频率高（数百Hz）、短时响应快、不依赖外部环境，但积分会累积漂移，单独使用几分钟内位置误差可达米级，必须与其他传感器组合。

GPS/RTK接收卫星信号，通过伪距或载波相位解算绝对位置。普通GPS米级精度，RTK可达厘米级。它提供全局无漂移的绝对参考，但更新率低（1～10Hz）、城市峡谷与室内易失锁，且无法感知障碍物。

二、能力对比与选型依据

下表汇总七类传感器在无人机避障场景中的关键特性，便于按任务需求组合。

三、多传感器协同的典型场景

以城市物流无人机低空避障为例：飞行中 GPS/RTK 提供全局航迹，IMU 以 200Hz 输出姿态并做短时递推；前向毫米波雷达在 150m 外发现移动车辆并给出径向速度；激光雷达在 50m 内生成点云，识别电线与楼体边缘；双目相机在 20m 内识别行人、信号灯等语义目标；超声波在最后 3m 悬停阶段防止触地。各传感器按“远—中—近”分层接力，形成连续防护带。

# 典型传感器数据帧结构（示意）
frame = {
  "timestamp": 1723456789.123,
  "imu":   {"acc": [0.02, -0.01, 9.79], "gyro": [0.001, 0.002, -0.001]},
  "gps":   {"lat": 31.2304, "lon": 121.4737, "alt": 120.5, "fix": "RTK"},
  "lidar": {"points": 32000, "range_max": 120.0},
  "radar": {"targets": [{"range": 86.4, "vel": -12.3, "az": 3.1}]},
  "camera":{"depth_m": 18.7, "class": "pedestrian", "conf": 0.91}
}

四、常见误区与复盘

• 误区一：激光雷达可以替代一切。雨雾天激光衰减严重，且无法识别无纹理的玻璃，必须与毫米波、视觉互补。
• 误区二：IMU 精度高就能独立定位。IMU 是相对测量，漂移不可避免，必须与 GPS、视觉或激光做紧耦合。
• 误区三：超声波便宜就多装几个。多探头同时发射会互相干扰，需分时轮询，且波束角大导致定位模糊。
• 误区四：GPS 有信号就万事大吉。GPS 只给自身位置，不感知障碍物，城市峡谷中多路径误差可达数十米。