2. 环境感知基础

各位同学，今天我们来聊聊环境感知。这是避障规划的第一步，也是整个系统的“眼睛”。

我个人习惯把环境感知比作“盲人摸象”——你摸到的每一块信息，都得拼起来才能知道大象长什么样。传感器就是你的手，而地图就是你对大象的理解。

传感器概览：三种主流方案

做避障规划，传感器选型是第一个坑。我见过不少团队，上来就堆一堆传感器，结果数据融合搞到崩溃。其实，搞清楚每种传感器的脾气，比盲目堆料重要得多。

1. 激光雷达（LiDAR）

激光雷达，说白了就是“用光来测距”。它发射激光束，打到物体上反射回来，通过时间差算出距离。

优点：

• 精度高，毫米级误差
• 不受光照影响，晚上也能用
• 直接输出3D点云，处理起来直观

缺点：

• 贵！好的机械式LiDAR动辄几万块
• 怕雨雪雾，恶劣天气性能下降明显
• 固态LiDAR虽然便宜，但视场角有限

2. 摄像头

摄像头是“最像人眼”的传感器。它不直接测距，但能提供丰富的语义信息——比如识别出前面是个行人，还是个纸箱。

优点：

• 便宜，一个工业相机几百块
• 信息量大，能识别颜色、纹理、文字
• 适合做目标检测、车道线识别

缺点：

• 受光照影响大，逆光、暗光下表现差
• 单目测距不准，需要双目或结构光辅助
• 计算量大，跑个YOLO就得占不少算力

3. 超声波

超声波传感器，原理跟蝙蝠一样——发射声波，听回声。它很便宜，但精度有限。

优点：

• 成本极低，几块钱一个
• 对透明物体（如玻璃）有效，激光雷达反而测不到
• 近距离（<2米）探测可靠

缺点：

• 精度差，有盲区（近处测不到）
• 容易受干扰，多个超声波同时工作会串扰
• 响应慢，不适合高速场景

环境表示方法：让机器人“看懂”世界

传感器拿到原始数据后，怎么让机器人理解？这就需要环境表示了。说白了，就是把现实世界“翻译”成机器人能算的数学模型。

我常用的两种方法：栅格地图和拓扑地图。它们各有各的脾气。

1. 栅格地图（Occupancy Grid Map）

栅格地图，就是把空间划分成一个个小格子。每个格子存一个值：0表示空闲，1表示占用，0.5表示未知。

优点：

• 直观，容易实现
• 适合做路径规划（A*、Dijkstra直接跑）
• 能处理动态障碍物（更新格子状态即可）

缺点：

• 存储量大——一个100m×100m的区域，分辨率0.1m，就是100万个格子
• 不适合大范围场景，内存会爆

下面是我画的一个栅格地图示意图，帮你理解它的结构：

你看，机器人从绿色区域出发，要绕过红色障碍物，到达金色目标点。灰色区域是还没探索过的。这就是栅格地图最朴素的样子。

2. 拓扑地图（Topological Map）

拓扑地图，不关心具体坐标，只关心“节点”和“连接关系”。就像地铁线路图——你不需要知道站台的具体经纬度，只要知道哪站能换乘就行。

优点：

• 存储量极小，适合大范围场景
• 路径规划快（图搜索算法直接跑）
• 容易做语义标注（比如“这个节点是门口”）

缺点：

• 精度低，无法处理精细避障
• 构建拓扑图本身需要先有栅格地图或SLAM结果

下面是我画的拓扑地图示意图，帮你理解节点和边的概念：

在这个拓扑图里，节点A是起点，B是走廊，C是房间，D是出口，E是障碍区域。机器人从A出发，可以走A→B→D，或者A→C→E→D。但E是障碍，所以最优路径是A→B→D。

传感器与地图的配合

你想想看，传感器和地图其实是“鸡生蛋、蛋生鸡”的关系。传感器数据用来构建地图，地图又反过来指导传感器该关注哪里。

我常用的流程是这样的：

1. 激光雷达/摄像头采集原始数据
2. 通过SLAM算法构建栅格地图
3. 从栅格地图中提取拓扑结构（比如用Voronoi图）
4. 全局规划用拓扑地图，局部避障用栅格地图

好了，环境感知的基础就聊到这里。记住：传感器选型要匹配场景，地图表示要兼顾精度和效率。这两点搞定了，后面的路径规划才能跑得稳。