3、传感器选型与配置：激光雷达、深度相机、IMU、里程计
做机器人导航，传感器就是咱们的「眼睛」和「耳朵」。选错了，算法再牛也白搭。我这些年踩过的坑，十有八九都跟传感器选型有关。今天咱们就聊聊这四大金刚：激光雷达、深度相机、IMU、里程计。
3.1 激光雷达：SLAM的定海神针
激光雷达，说白了就是靠激光束扫描周围环境，直接给你返回距离数据。它不依赖光照，晚上也能干活，这是摄像头比不了的。
核心参数：
- 线数：单线（2D）还是多线（3D）。做室内导航，单线够用；室外复杂环境，至少16线起步。
- 测距范围：室内10-30米足够，室外建议50米以上。
- 角分辨率：0.1°以下算优秀，0.5°以上建图容易有锯齿。
- 扫描频率：10Hz是底线，20Hz以上动态场景更稳。
我个人习惯，室内场景首选思岚A1/A2系列，性价比高。室外的话，速腾16线或者禾赛的都不错。嗯，这里要注意：千万别买那种几十块钱的玩具雷达，数据噪声大到让你怀疑人生。
避坑指南：我曾经在项目里贪便宜买了某款低价雷达，结果建图时墙壁全是锯齿状，滤波参数调了三天都没救回来。最后换了思岚A2，一跑就稳了。
3.2 深度相机：视觉SLAM的利器
深度相机能同时给你RGB图像和深度图。它比激光雷达便宜，但受光照影响大。你想想看，大太阳底下，结构光相机基本就废了。
主流方案有三种：
| 类型 | 代表产品 | 优点 | 缺点 |
|---|---|---|---|
| 结构光 | Kinect v1、Intel RealSense D415 | 室内精度高，成本低 | 怕强光，室外基本不能用 |
| ToF | Kinect v2、Azure Kinect | 帧率高，抗干扰稍好 | 分辨率低，边缘噪声大 |
| 双目 | ZED、Intel RealSense D435i | 室内外都能用，无主动光 | 计算量大，弱纹理区域失效 |
我建议做室内导航，用RealSense D435i就够了。它带IMU，能跑VIO，性价比很高。但记住：深度相机的最佳工作距离是0.3-3米，太远太近都不行。
注意：深度相机和激光雷达不要装在同一水平面上，否则红外光会互相干扰。我见过有人把D435和A2叠在一起装，结果深度图全是条纹噪声。
3.3 IMU：短时精度高，长时飘成狗
IMU（惯性测量单元）测量加速度和角速度。它不依赖外部信号，更新频率高（200Hz以上），但积分误差会随时间累积。说白了，IMU适合做短时间内的姿态估计，长时间定位还得靠其他传感器。
选型时关注三点：
- 零偏稳定性：低于10°/h算及格，低于1°/h算优秀。
- 噪声密度：越小越好，直接影响滤波效果。
- 输出频率：至少100Hz，否则跟不上运动。
我在项目里常用的是ICM-20948，9轴IMU，价格便宜，性能够用。高端点的用ADIS16470，那玩意儿一个顶十个，但价格也感人。
小技巧：IMU一定要做标定！我曾经偷懒没标定，结果机器人原地转圈时，航向角误差每分钟漂了30度。用imu_utils包跑一遍标定，零偏值能降一个数量级。
3.4 里程计：轮式机器人的基本功
里程计就是靠轮子编码器推算位置。它简单可靠，但有两个硬伤：轮子打滑和地面不平。你想想看，在瓷砖地上洒点水，轮子一滑，里程计数据直接废了。
配置里程计要注意：
- 编码器分辨率：每转脉冲数（PPR）越高越好，建议1000以上。
- 轮距校准：左右轮实际距离和理论值往往有偏差，需要跑直线校准。
- 运动模型：差速轮用两轮模型，全向轮用三/四轮模型。
ROS2里里程计发布很简单，但要注意坐标系：odom是全局坐标系，base_footprint是机器人本体坐标系。别搞反了，否则定位会乱跳。
# 里程计发布示例（Python）
from nav_msgs.msg import Odometry
from geometry_msgs.msg import Twist
odom_msg = Odometry()
odom_msg.header.frame_id = 'odom'
odom_msg.child_frame_id = 'base_footprint'
# 填充位置和姿态
odom_msg.pose.pose.position.x = x
odom_msg.pose.pose.position.y = y
odom_msg.pose.pose.orientation.z = sin(yaw/2)
odom_msg.pose.pose.orientation.w = cos(yaw/2)
# 发布
odom_pub.publish(odom_msg)3.5 传感器融合：1+1>2
单个传感器都有短板，融合才是王道。最经典的组合是：
- 激光雷达 + 里程计：室内导航标配，里程计提供短时平滑，激光雷达修正累积误差。
- 激光雷达 + IMU：适合颠簸路面，IMU补偿运动畸变。
- 深度相机 + IMU：视觉惯性里程计（VIO），无激光雷达时的替代方案。
在Nav2里，传感器融合通常用robot_localization包。它支持扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）。我个人习惯用EKF，配置简单，效果够用。
核心配置：
- 设置
frequency为30Hz，和IMU输出频率匹配 - 开启
two_d_mode，只融合x、y、yaw - 给不同传感器设置合理的噪声协方差
嗯，这里要提醒一句：传感器融合不是越多越好。我见过有人把三个IMU、两个里程计、一个激光雷达全怼进去，结果滤波器发散得一塌糊涂。少而精，才是正道。
这张图把咱们今天聊的内容串起来了。四个传感器各有侧重，融合之后才能给Nav2提供稳定可靠的定位数据。选型时别贪多，根据你的场景和预算，挑两到三个核心传感器就够了。
最后说一句：传感器买回来别急着上车。先单独测试，看看数据质量。我习惯用rviz2实时查看激光点云和深度图，一眼就能看出有没有问题。数据干净了，后面的SLAM和导航才能顺风顺水。