2. 传感器基础

多传感器融合系统的输入质量，取决于每一个传感器“看得准不准、稳不稳、坏没坏”。在讨论融合算法之前，必须先建立对传感器类型、输出特性、噪声模型、误差来源以及置信度初步概念的统一认识。本节从工程视角梳理这些基础，为后续置信度建模与故障降级提供依据。

一、常见传感器类型与输出特性

自动驾驶、机器人与工业监测中常见的传感器，可按物理量分为位置/姿态类、距离/成像类、惯性类与环境类。它们的输出形式、频率、量纲和不确定性差异很大，融合前必须统一到同一时空基准。

传感器	典型输出	频率	主要误差来源	置信度初判
GNSS	经纬高、速度、时间	1–20 Hz	多径、遮挡、电离层	随可见星数与HDOP变化
IMU	角速度、加速度	100–1000 Hz	零偏、温漂、随机游走	短时高，长时漂移
轮速计	轮速、里程	50–200 Hz	打滑、胎压、半径误差	受路面附着影响
激光雷达	点云、距离	10–20 Hz	雨雾、反射率、标定	受天气与场景退化影响
摄像头	图像、目标框	15–60 Hz	光照、遮挡、运动模糊	依赖纹理与曝光
毫米波雷达	距离、速度、角度	10–50 Hz	多径、杂波、角度模糊	测速稳，角度弱

输出特性上，要重点关注量纲、坐标系、时间戳、频率与延迟。例如IMU输出的是本体坐标系下的角速度和加速度，而GNSS输出的是地理坐标系下的位置，二者不能直接相加，必须经过外参标定与坐标变换。

二、噪声模型：从白噪声到随机游走

传感器噪声通常用统计模型描述。最常见的是高斯白噪声，其均值为零、方差恒定、各时刻不相关。IMU的角速度噪声可近似为白噪声，而零偏则常建模为随机游走：

# IMU 简化噪声模型
gyro_meas = true_gyro + bias + white_noise
bias[k+1] = bias[k] + random_walk_noise

# 参数示例
white_noise_std = 0.005 rad/s
random_walk_std = 0.0001 rad/s^2

除高斯模型外，还有均匀噪声、拉普拉斯噪声、重尾分布以及非高斯异常值。工程中常用方差、标准差、协方差矩阵和Allan方差来刻画噪声水平。Allan方差特别适合分析IMU的零偏不稳定性、角度随机游走和速率随机游走。

三、误差来源：系统误差与随机误差

传感器误差可分为系统误差和随机误差。系统误差具有重复性，可通过标定补偿；随机误差不可完全消除，只能统计建模。

• 标定误差：内参、外参、安装角、杆臂不准确，导致系统性偏差。
• 零偏与漂移：IMU零偏随温度和时间变化，积分后位置误差迅速累积。
• 尺度因子误差：轮速计半径、雷达距离比例不准，造成比例性偏差。
• 环境干扰：GNSS多径、激光雨雾衰减、摄像头逆光、雷达多径。
• 时间同步误差：时间戳错位、触发延迟，导致运动补偿错误。
• 数据关联错误：错误匹配目标，产生虚假观测。

这些误差中，标定和同步属于可工程化抑制的部分；环境干扰和随机噪声则需要通过置信度评估与降级策略来应对。

四、置信度初步概念

置信度是对传感器输出“可信程度”的量化表达，通常取值0到1，或映射为高、中、低等级。它不是单一指标，而是综合了噪声水平、环境条件、健康状态和一致性检验的结果。

一个实用的置信度初判可以表示为：

confidence = w1 * health_score
           + w2 * noise_score
           + w3 * environment_score
           + w4 * consistency_score

# 权重示例
w1=0.3, w2=0.2, w3=0.2, w4=0.3

其中健康状态来自自检与故障码，噪声分数来自实时方差估计，环境分数来自天气与光照判断，一致性分数来自多源交叉验证。置信度不是永久不变的，应随时间和场景动态更新。

五、案例：城市峡谷中的GNSS置信度下降

车辆进入城市峡谷，GNSS可见星数从12颗降到5颗，HDOP从0.8升到2.5，多径导致位置跳变。此时若仍按固定权重融合，定位会明显抖动。合理做法是：根据可见星数、HDOP和残差实时计算GNSS置信度，将其权重从0.6降到0.2，同时提高IMU和轮速计权重，并触发“GNSS降级”状态。

六、复盘：从传感器基础到融合设计

掌握传感器类型、输出特性、噪声模型和误差来源后，才能为每个传感器建立合理的观测模型和置信度模型。后续章节将在此基础上，讨论多源一致性检验、置信度传播和故障降级策略。工程实践中，建议先建立传感器清单与误差台账，再逐步引入在线置信度评估。