2. 传感器基础

在无人机感知系统中，深度相机、激光雷达和毫米波雷达是三类最常用的环境感知传感器。它们分别从光学、激光和电磁波三个物理维度获取距离信息，各自具备不同的测距原理、数据形式和适用场景。理解它们的工作原理与性能边界，是后续进行多传感器融合设计的前提。

一、深度相机的三种测距原理

深度相机的核心任务是获取场景中每个像素对应的距离值，形成深度图。根据测距方式不同，主流方案分为结构光、飞行时间（ToF）和双目立体视觉三类。

结构光法通过红外投影器向场景投射已知图案（如散斑或条纹），红外相机接收被物体表面调制后的图案。由于物体深度变化会导致图案发生位移和形变，系统通过三角测量计算每个像素的视差，进而解算深度。结构光在近距离（0.3～3 m）精度高、分辨率好，但易受强阳光干扰，且随距离增加精度迅速下降。

ToF（飞行时间）法发射调制红外光，测量光脉冲从发射到返回的相位差或飞行时间，直接计算距离。ToF 分为连续波调制（iToF）和脉冲飞行时间（dToF）两类。其优点是响应快、帧率高、中远距离表现稳定，但存在多路径干扰和背景光噪声问题，边缘处易出现“飞点”。

双目立体视觉模仿人眼，使用两个基线固定的相机同时拍摄，通过匹配左右图像中的同名点计算视差，再根据三角关系得到深度。它不需要主动光源，成本低、分辨率高，但极度依赖纹理信息，在弱纹理、重复纹理或光照不足场景下匹配失败率高，且计算量较大。

二、激光雷达与毫米波雷达工作原理

激光雷达（LiDAR）通过发射激光束并测量回波时间来计算距离。按扫描方式可分为机械旋转式、固态MEMS和OPA（光学相控阵）等。机械式LiDAR通过旋转激光头实现360°扫描，输出高密度三维点云，测距精度可达厘米级，但体积大、成本高、寿命受机械磨损限制。固态LiDAR无旋转部件，可靠性更高，但视场角和点云密度通常受限。LiDAR的缺点是受雨雾、烟尘影响大，且对高反射或透明物体测距不稳定。

毫米波雷达工作在30～300 GHz频段（常用24 GHz、77 GHz、79 GHz），通过发射调频连续波（FMCW）并接收回波，利用差频信号解算目标的距离和速度。毫米波穿透雾、烟、灰尘能力强，具备全天候工作能力，且可直接输出目标径向速度，在无人机避障和防撞中优势明显。但其角分辨率较低，点云稀疏，对静态小目标检测能力弱，且易受金属反射和多径效应干扰。

三、关键性能参数对比

下表从测距范围、精度、分辨率、环境适应性、输出数据形式和典型成本六个维度对三类传感器进行横向对比，便于在融合方案中合理分工。

四、典型场景与选型思路

在无人机室内避障场景中，结构光或ToF深度相机可提供稠密近距深度图，适合精细避障和降落引导；在室外远距感知中，LiDAR提供高精度三维点云，适合建图与障碍物检测；毫米波雷达则作为全天候补充，在雨雾天气或远距高速目标检测中发挥不可替代的作用。

五、常见误区与复盘

• 误区一：深度相机可以替代LiDAR。深度相机在强光、远距和弱纹理场景下性能急剧下降，无法提供LiDAR级别的稳定点云。
• 误区二：毫米波雷达点云可以用于建图。毫米波雷达角分辨率低、点云稀疏，不适合精细建图，更适合目标级检测与跟踪。
• 误区三：ToF相机没有多路径问题。在玻璃、镜面或角落场景中，ToF易产生多路径干扰，导致深度值异常，需通过滤波和融合校正。
• 复盘要点：融合方案设计前，必须明确各传感器的有效工作区间和失效边界，避免在单一传感器失效时系统整体崩溃。

# 典型融合感知参数配置示例
depth_camera:
  type: ToF
  range: [0.5, 6.0]      # 有效测距范围(m)
  resolution: [640, 480]
  fps: 30

lidar:
  type: solid_state
  range: [0.5, 120.0]
  points_per_second: 300000
  fov: [120, 25]          # 水平/垂直视场角(°)

mmwave_radar:
  frequency: 77GHz
  range: [0.5, 200.0]
  velocity_range: [-100, 100]  # m/s
  fov: [120, 30]

掌握三类传感器的物理原理与参数边界，是后续进行时间同步、空间标定和数据级融合的基础。只有清楚每种传感器“擅长什么、怕什么”，才能在融合架构中扬长避短，构建稳定可靠的无人机感知系统。