3. 传感器与数据采集

在3D Occupancy空间感知系统中，传感器与数据采集环节决定了后续感知能力的上限。Occupancy任务要求网络不仅识别目标类别，还要判断三维空间中每个体素是否被占据，因此对传感器的空间覆盖、深度精度、时间一致性和外参准确性提出了远高于二维检测的要求。本节围绕激光雷达、深度相机、多目视觉、IMU四类核心传感器，梳理其数据特性、标定方法与同步机制，并给出工程落地中的关键参数与常见问题。

一、四类传感器的数据特性与互补关系

激光雷达通过飞行时间测距直接获得高精度三维点云，在150米范围内测距误差通常在±2厘米量级，对光照不敏感，是Occupancy真值生成和远距离几何感知的主力。但其垂直分辨率受线束限制，机械式64线雷达垂直角分辨率约0.4°，近处地面点稀疏，且对玻璃、镜面等低反射率材质存在丢点。

深度相机（结构光或ToF）可输出稠密深度图，单帧即可获得百万级像素的深度，适合近场（0.3～5米）精细占据判断，但受环境光干扰大，室外强光下ToF信噪比急剧下降，且深度图边缘存在飞点。

多目视觉通过视差三角测量恢复深度，成本低、分辨率高，纹理丰富区域深度稠密，但弱纹理、重复纹理区域易产生匹配歧义，且深度精度随距离平方衰减。IMU提供高频（100～1000Hz）角速度和加速度，短期积分可补足视觉和雷达帧间运动，但存在零偏漂移，不能单独用于长时间位姿估计。

二、标定方法：内参、外参与时间标定

标定是数据采集质量的第一道关口，分为内参标定、外参标定和时间标定三类。内参标定解决单传感器自身模型参数：相机标定焦距、主点、畸变系数；激光雷达标定每束激光的垂直角与水平角修正；IMU标定零偏、尺度因子和轴间非正交误差。

外参标定确定传感器之间的刚体变换。相机-激光雷达外参常用棋盘格或AprilTag标定板，通过提取标定板在相机图像中的角点和在点云中的平面，求解旋转平移。相机-IMU外参可用Kalibr工具，通过激励充分的多轴运动联合优化。多相机外参则通过共视标定板或特征点匹配求解。

时间标定常被忽视却极为关键。不同传感器硬件时间戳来源不同，需估计并补偿固定时延。常用方法是在高动态运动下采集数据，通过最小化重投影误差或点云配准误差搜索最优时延。

# 使用Kalibr进行相机-IMU联合标定示例
kalibr_calibrate_imu_camera \
  --bag calib.bag \
  --cam camchain.yaml \
  --imu imu.yaml \
  --target april_6x6.yaml \
  --time-calibration

三、数据同步机制：硬同步与软同步

Occupancy建图要求多传感器数据在时间上对齐到同一时刻。硬同步通过硬件触发信号统一曝光和采集时刻，例如用FPGA输出PPS脉冲同时触发相机曝光和激光雷达扫描起始，同步精度可达微秒级。软同步则依赖时间戳对齐，将各传感器数据按时间戳插值或最近邻匹配到统一时间轴。

工程中常采用“硬同步为主、软同步兜底”的策略：相机与激光雷达用硬件触发对齐，IMU以高频数据对低频传感器做运动补偿。对于激光雷达运动畸变，需用IMU或轮速计做去畸变处理，将一帧内不同时刻的点统一到帧起始时刻坐标系。

四、工程案例：城市道路Occupancy采集配置

某L4级城市道路Occupancy项目采用如下传感器配置：顶部1台128线机械激光雷达（10Hz，垂直分辨率0.1°），车头2台固态激光雷达补盲，前向1台ToF深度相机（30Hz，0.3～8米），环视4目相机（20Hz），IMU（200Hz）。所有传感器由同一FPGA触发板提供PPS同步信号。

五、常见误区与复盘要点

数据同步的最终目标是让每一帧Occupancy输入都对应同一物理时刻的三维场景。工程上建议将同步误差控制在传感器最高频率周期的1/4以内，例如IMU为200Hz时，同步误差应小于1.25ms。只有标定与同步都达标，后续的Occupancy网络才能学到正确的空间占据关系，而不是被传感器错位引入的伪影所干扰。