2. 无人机感知系统基础

无人机要在三维空间中完成避障、定位、建图与目标识别，前提是“感知系统”能够把物理世界转换为可计算的数据。感知系统并不是单一传感器，而是由相机、激光雷达、IMU、GNSS、气压计、超声波、毫米波雷达等构成的组合体。不同传感器在测量维度、频率、精度、环境适应性上差异明显，理解它们的分类与特性，是后续融合感知仿真与实飞验证的基础。

一、机载传感器分类：从“测什么”到“怎么测”

机载传感器可按测量对象分为三类：外部环境感知（相机、激光雷达、毫米波雷达、超声波）、自身运动感知（IMU、GNSS、气压计、磁力计）以及任务载荷感知（红外、多光谱、云台相机）。按工作方式又可分为主动式与被动式：相机依赖环境光，属于被动式；激光雷达主动发射激光并接收回波，属于主动式。主动式在夜间或弱纹理环境下通常更稳定，但功耗与成本更高。

从融合角度看，传感器还可按“绝对/相对”划分：GNSS提供绝对位置，但易受遮挡与多径影响；IMU提供高频相对运动，但存在漂移；相机与激光雷达提供相对环境观测，可修正漂移。三类信息互补，构成典型的“绝对+相对+环境”感知架构。

二、相机与激光雷达原理：成像与测距的差异

相机通过镜头将场景投影到感光芯片，形成二维像素阵列。其核心参数包括焦距、分辨率、帧率与视场角。针孔模型下，空间点与像素点的关系可表示为：

u = fx * X/Z + cx
v = fy * Y/Z + cy
其中 (fx, fy) 为焦距像素单位，(cx, cy) 为主点

相机成本低、纹理信息丰富，适合目标识别与视觉里程计，但缺乏直接深度，且受光照、运动模糊影响大。激光雷达则通过发射激光脉冲并测量飞行时间（ToF）获得距离：

d = c * Δt / 2
c 为光速，Δt 为发射与接收时间差

机械式激光雷达通过旋转扫描形成多线点云，固态激光雷达则用MEMS或OPA实现扫描。激光雷达直接输出三维点云，测距精度可达厘米级，但雨雾、灰尘会散射激光，且无纹理信息。相机与激光雷达的融合，正是“稠密纹理+稀疏精确深度”的互补。

三、IMU与GNSS特性：高频相对与低频绝对的互补

IMU由加速度计与陀螺仪组成，输出三轴线加速度与角速度，频率通常为100~1000Hz。其优点是高频、短时精度高、不依赖外部信号；缺点是积分后产生漂移，零偏与噪声随时间累积。GNSS则通过卫星信号解算绝对位置，频率通常为1~10Hz，长期稳定但短时噪声大，且在室内、城市峡谷、树林中易失锁。

两者组合后，IMU提供高频姿态与速度预测，GNSS提供低频绝对位置修正，形成典型的松耦合或紧耦合组合导航。在仿真中，常用参数包括：

IMU: 加速度计噪声密度 0.002 m/s²/√Hz
     陀螺仪零偏稳定性 10 °/h
GNSS: 水平定位精度 1.5 m (CEP)
      更新率 5 Hz
      失锁阈值 载噪比 < 30 dB-Hz

四、感知任务与性能指标：从数据到决策

感知任务通常包括：定位与建图、障碍物检测与避障、目标识别与跟踪、路径规划与导航。每类任务对传感器组合与性能指标要求不同。下表给出典型任务与关键指标的对应关系：

性能指标可归纳为四类：精度（位置、姿态、测距误差）、实时性（频率、延迟）、鲁棒性（失锁、光照、天气）、覆盖范围（视场角、探测距离）。在仿真中，这些指标通过注入噪声、延迟、丢帧与遮挡来验证；在实飞中，则通过RTK基准、动捕系统或激光跟踪仪进行对比评估。

五、案例与复盘：一次城市峡谷避障飞行

某次城市峡谷飞行中，GNSS因高楼遮挡频繁失锁，仅靠GNSS定位的无人机出现明显漂移。复盘发现：IMU虽高频输出，但零偏未在线估计；相机视觉里程计在弱纹理墙面失效；激光雷达点云未与IMU做紧耦合。改进方案是：启用IMU+激光雷达紧耦合里程计，引入GNSS失锁检测与切换逻辑，并在仿真中复现多径与遮挡场景。改进后，水平定位误差从3.2m降至0.6m，避障成功率从72%提升至94%。

该案例说明：感知系统的核心不是“堆传感器”，而是理解每个传感器的物理特性与误差边界，通过时间同步、外参标定与融合算法，把互补信息组织成稳定、实时、可验证的感知输出。这也是后续融合感知仿真与实飞验证的主线。