📚 课程目录第4章传感器与数据采集

4. 传感器与数据采集

高精地图与高精定位的精度上限，往往在数据采集阶段就已经被决定。Robotaxi 的定位与地图运营工程中，采集车是“移动的测量基准”，它把 LiDAR、相机、GNSS/IMU、轮速计等多源传感器组合成一个可复现的观测系统。理解各传感器的物理特性、误差来源与互补关系，是后续建图、标定、时间同步和定位融合的基础。

一、核心原理：多源传感器的互补性

单一传感器无法同时满足高精度、高频率、全天候和低成本。LiDAR 提供厘米级三维几何，但受雨雾和反射率影响；相机提供丰富纹理与语义，但缺乏绝对深度且受光照影响；GNSS 提供全局绝对位置，但在城市峡谷中易多路径失锁；IMU 提供高频姿态与加速度，但存在零偏漂移；轮速计提供低频里程约束，但受打滑和轮胎半径变化影响。采集车平台的核心任务，就是让这些传感器在同一时空基准下协同工作。

二、方法流程：从传感器安装到数据可用

采集车平台的建设遵循“机械安装—电气连接—时间同步—标定—验证”的流程。机械安装要求传感器刚性固定，避免行驶振动导致外参变化；电气连接需保证供电稳定与数据带宽充足；时间同步是采集质量的关键，通常采用 GNSS 秒脉冲（PPS）配合 PTP 协议，将 LiDAR、相机、IMU 的采样时刻统一到同一时间基准；标定则分为内参和外参，内参修正传感器自身误差，外参确定传感器之间的相对位姿。

# 典型采集配置示例（YAML）
sensors:
  lidar:
    model: "128线机械式"
    rate_hz: 10
    timestamp_source: "PPS+PTP"
  camera:
    model: "全局快门"
    rate_hz: 30
    trigger: "hardware"
  gnss_imu:
    rate_hz: 200
    pps: true
  wheel_odom:
    rate_hz: 100
    scale_factor: 0.998
sync:
  protocol: "PTP"
  master: "GNSS"
  max_offset_ms: 0.5
calibration:
  extrinsic: "LiDAR-Camera-IMU"
  intrinsic: "camera_distortion, imu_bias"

三、案例/场景：城市峡谷中的采集挑战

以某 Robotaxi 在高楼密集区采集为例。车辆驶入峡谷路段后，GNSS 可见卫星数从 18 颗骤降至 6 颗，水平定位精度从 0.8 m 恶化到 8 m 以上，且出现多路径跳变。此时 IMU 和轮速计承担短时递推，LiDAR 通过点云配准维持局部几何一致性，相机提供车道线与标志语义。若时间同步存在 10 ms 偏差，在 60 km/h 车速下将产生约 0.17 m 的位置错位，足以导致点云与图像融合出现“重影”。因此，采集阶段必须记录同步偏差日志，并在后处理中做时间对齐补偿。

常见误区：认为“标定一次即可长期使用”。实际上，车辆颠簸、温度变化、支架松动都会导致外参漂移。建议每次长距离采集前后各做一次标定检查，并在数据后处理中监控重投影误差。

四、误区/复盘：采集质量决定地图上限

很多团队在定位算法上投入大量精力，却忽视了采集数据的时空一致性。复盘发现，以下问题最常导致建图失败：

时间戳不同源：LiDAR 使用内部时钟，相机使用系统时钟，导致融合时无法对齐。
外参标定误差过大：LiDAR 与相机外参旋转误差超过 0.5°，点云投影到图像后边缘错位明显。
轮速计尺度未修正：轮胎磨损后半径变化 2%，导致里程累计误差在 1 km 后超过 20 m。
IMU 零偏未估计：长时间采集后姿态漂移，影响点云去畸变效果。

传感器	典型频率	核心优势	主要误差源	采集关注点
LiDAR	10–20 Hz	三维几何精度高	雨雾、反射率、运动畸变	时间戳、外参、去畸变
相机	20–60 Hz	纹理与语义丰富	光照、曝光、畸变	硬件触发、内参标定
GNSS/IMU	100–200 Hz	绝对位姿与高频姿态	多路径、零偏漂移	PPS 授时、零偏估计
轮速计	50–100 Hz	低频里程约束	打滑、胎径变化	尺度因子、安装角度

实操建议：采集车出发前，用一段已知长度的直线路段验证轮速计尺度；用静态场景验证 LiDAR 与相机外参；用 GNSS 锁定状态检查 PPS 是否正常输出。只有采集数据“干净”，后续的建图与定位才有可靠基础。

总结来看，传感器与数据采集不是简单的“装上去、录下来”，而是一套涉及机械、电气、时间、标定和验证的系统工程。理解每个传感器的特性与局限，建立统一时空基准，才能让 Robotaxi 的高精定位与地图运营拥有可信的数据底座。