3. 传感器原理与特性

多传感器融合定位系统的性能上限，往往不取决于算法有多先进，而取决于你对每个传感器物理特性的理解深度。LiDAR、IMU、相机三者分别以“几何测距”、“惯性积分”和“光度投影”为核心，它们的误差来源、频率特性、坐标系定义截然不同。只有先厘清每种传感器“为什么会有误差、误差长什么样、如何通过标定消除系统性偏差”，才能在融合框架中正确设计观测模型与噪声协方差矩阵。本章从工作原理出发，逐步深入到误差建模与标定实操，为后续松耦合/紧耦合融合打下物理基础。

上图展示了三种传感器在融合系统中的角色与核心误差链路。LiDAR提供高精度几何约束，IMU提供高频运动先验，相机提供丰富纹理信息。三者通过时间同步与空间外参标定形成统一基准，任何一环的标定偏差都会在融合结果中表现为漂移或畸变。下面分别深入剖析每种传感器的原理与误差特性。

3.1 LiDAR工作原理与误差模型

3.1.1 核心原理：TOF与FMCW

LiDAR（Light Detection and Ranging）通过发射激光束并接收目标反射信号来测量距离。主流方案分为两类：脉冲飞行时间法（TOF）和调频连续波法（FMCW）。TOF通过测量激光脉冲发射与接收之间的时间差 Δt，直接计算距离 d = c·Δt/2，其中 c 为光速。FMCW则通过发射频率线性调制的连续波，利用发射信号与回波信号的频率差 Δf 反算距离，同时利用多普勒频移测量径向速度。TOF方案成熟、成本低，但抗干扰能力弱；FMCW方案可直接测速、抗干扰强，但成本较高。

3.1.2 误差模型与标定方法

LiDAR的误差主要分为三类：测距误差（由计时精度、光速变化、目标反射特性引起）、测角误差（由扫描电机角度编码器精度、镜面振动引起）、系统误差（如零偏、尺度因子）。标定方法通常包括：

• 内参标定：使用已知距离的靶标或平面，拟合距离偏差与角度偏差的查找表（LUT）。例如，Velodyne VLP-16出厂后建议在室内用平面靶标校正每束激光的距离偏移。
• 外参标定：确定LiDAR坐标系相对于车体/IMU坐标系的旋转矩阵 R 和平移向量 t。常用方法包括：手眼标定法（AX=XB）、基于自然场景的配准优化（如LiDAR-IMU联合标定）。

3.1.3 实战场景：室内外扫描退化问题

在长走廊或隧道场景中，LiDAR点云沿前进方向缺乏几何约束（所有点近似平行），导致ICP配准在纵向产生漂移。此时需要融合IMU的加速度信息或相机视觉特征来约束退化方向。例如，在AGV小车沿走廊运行时，LiDAR里程计在直行方向误差累积可达每米数厘米，而融合IMU后可将漂移降低一个数量级。

3.2 IMU工作原理与误差模型

3.2.1 核心原理：MEMS惯性测量

IMU（Inertial Measurement Unit）由三轴加速度计和三轴陀螺仪组成。加速度计通过测量检测质量块受到的惯性力来获取比力（specific force），陀螺仪通过测量科里奥利效应或环形激光干涉来获取角速度。在融合定位中，IMU通常以100Hz~1000Hz的高频率输出，用于提供短时间内的运动积分，弥补LiDAR和相机低帧率（10~30Hz）的间隙。

3.2.2 误差模型：bias、scale、噪声与交轴耦合

IMU误差模型远比LiDAR复杂，核心参数包括：

• 零偏（Bias）：静态输出不为零，分为常值零偏（bias stability）和随机游走（bias instability）。陀螺零偏导致角度积分漂移，加速度计零偏导致速度/位置二次积分漂移。
• 尺度因子（Scale Factor）：实际输出与理想值的比例偏差，通常为0.1%~1%。
• 交轴耦合（Cross-axis）：三轴之间的非正交性，通常小于0.1°。
• 随机噪声（Noise）：包括角度随机游走（ARW）和速度随机游走（VRW），用Allan方差分析。

# 典型IMU误差参数示例（单位：SI）
gyro_bias_stability = 5.0e-3   # deg/s
gyro_arw = 0.2                 # deg/sqrt(hr)
accel_bias_stability = 0.05    # m/s^2
accel_vrw = 0.02               # m/s/sqrt(hr)
scale_factor = 0.001           # 1000 ppm

3.2.3 标定方法：六面法与转台法

实验室标定通常使用高精度转台，将IMU分别以六个面朝上静止，采集数据拟合bias和scale。对于无转台的场景，可采用多位置静态标定法：将IMU放置在至少6个不同姿态下，利用重力向量作为参考，通过最小二乘求解bias、scale和交轴参数。现场快速标定则利用车辆启动前的静止数据估计初始bias。

3.3 相机工作原理与误差模型

3.3.1 核心原理：针孔模型与畸变

相机通过镜头将三维世界投影到二维图像平面，理想模型为针孔模型：λ·p = K·[R|t]·P，其中 K 为内参矩阵（焦距 fx, fy，主点 cx, cy），R、t 为外参。实际镜头存在径向畸变（桶形/枕形）和切向畸变（镜头与传感器不平行），常用Brown-Conrady模型描述。

3.3.2 误差模型与标定流程

相机标定主要获取内参（K、畸变系数）和外参（相机相对IMU/LiDAR的位姿）。标准流程如下：

1. 使用棋盘格或AprilTag标定板，采集20~30张不同姿态的图像。
2. 使用OpenCV或Kalibr工具提取角点，通过重投影误差最小化求解内参。
3. 对于相机-IMU外参，使用Kalibr联合标定，同时估计时间延迟（time offset）。

3.3.3 实战场景：视觉退化与运动模糊

在高速运动或光照突变场景下，卷帘快门（Rolling Shutter）会导致图像行间曝光时间不同，产生果冻效应。此时若直接使用视觉特征点进行匹配，会产生系统性误差。解决方案包括：使用全局快门相机、在算法中补偿卷帘快门时间戳、或融合IMU数据对特征点位置进行运动补偿。

3.4 多传感器标定综合案例：LiDAR-IMU-相机联合标定

以某园区无人配送车为例，传感器配置为：顶部16线LiDAR、后轮毂处IMU（200Hz）、前视单目相机（30Hz）。初始目标是将三者外参标定精度控制在平移±2cm、旋转±0.1°以内，否则融合定位在50m距离处会产生超过10cm的横向偏差。

实施步骤：

1. 时间同步：通过硬件PPS信号同步各传感器时钟，软件层采用最近邻插值，确保时间戳误差小于1ms。
2. LiDAR-IMU标定：使用LiDAR里程计与IMU预积分进行联合优化，在园区内行驶5分钟，包含加速、减速、转弯等激励动作。
3. 相机-IMU标定：使用Kalibr工具，手持标定板在相机前做充分的三轴旋转和平移，采集2分钟数据。
4. LiDAR-相机标定：利用标定板上的反光标记，在点云中提取角点，与图像角点建立2D-3D对应，求解PnP问题。

结果与复盘：标定后重投影误差从初始的15像素降低到1.2像素。在后续融合定位测试中，车辆在园区闭环路线的终点误差从1.8m降低到0.3m。复盘发现，初始标定失败的主要原因是LiDAR与相机视野重叠区域过小，导致外参可观测性不足。改进措施是在标定板上增加大尺寸棋盘格，并确保LiDAR线束扫过标定板中心区域。

3.5 本章总结与常见误区复盘

本章从物理原理出发，梳理了LiDAR、IMU、相机的误差来源与标定方法。三者的误差特性差异巨大：LiDAR误差与距离和反射率相关，IMU误差随时间累积且受温度影响，相机误差与光照和运动状态相关。在融合算法设计时，必须为每种传感器建立合理的噪声模型，并在状态向量中显式估计IMU bias等时变参数。