传感器基础：激光雷达、相机与IMU
大家好，我是你们这门课的老朋友。今天我们来聊聊传感器的那些事儿。
做地图构建，说白了就是让机器人「看懂」周围的世界。那它靠什么看？就是靠这些传感器。我个人习惯把传感器比作机器人的眼睛和耳朵——没有它们，后面再牛的算法也是白搭。
核心观点：传感器选型决定了你整个系统的上限。算法再好，也救不了烂数据。
一、激光雷达（LiDAR）原理与数据格式
激光雷达这东西，名字听着高大上，原理其实不复杂。它朝外发射一束激光，打到物体上弹回来，接收器记录时间差。光速是已知的，时间差一算，距离就出来了。这就是最经典的 TOF（飞行时间） 原理。
还有一种叫 三角测距法，靠的是激光发射点和接收器之间的几何关系来算距离。这种方案成本低，但精度和距离都不如 TOF。我在项目中遇到过用三角测距雷达做室内建图，一到阳光直射的地方就崩了——环境光干扰太严重。所以室外场景，老老实实上 TOF。
个人经验：选激光雷达时，别光看线数。视场角、帧率、测距精度、强度值分辨率，这些参数在实际融合中往往更关键。我曾经为了省预算选了16线雷达，结果建图时地面点太多，滤波调到吐。
数据格式方面，最常见的输出是 点云（Point Cloud）。每个点包含：
- xyz 坐标：三维空间位置
- intensity（强度值）：反射回来的光强，可以用来区分路面和车道线
- ring（环号）：多线雷达中，这条激光属于第几圈
- timestamp（时间戳）：每个点的时间，用于去畸变
举个实际例子，Velodyne 的 VLP-16 输出的点云结构大概长这样：
// 伪代码示意
struct Point {
float x; // 单位：米
float y;
float z;
float intensity; // 0-255
uint16_t ring; // 0-15
double timestamp; // 微秒级
};嗯，这里要注意：不同厂家的雷达，强度值的含义可能不一样。有的归一化到 0-1，有的是 0-255，还有的是 0-65535。做算法前一定要先看 datasheet，不然你写出来的特征提取全是错的。
二、相机原理：单目、双目与深度相机
相机这东西，大家天天用手机拍照，但做 SLAM 用的相机和手机相机有本质区别吗？有，也没有。核心原理都是 针孔模型——光线通过一个小孔，在成像平面上倒立成像。
但问题来了：单目相机拍出来的是一张 2D 图片，它天生缺少深度信息。你想想看，一张照片里，远处的人和近处的杯子，在像素上怎么区分？分不出来。这就是单目 SLAM 的尺度不确定性——你建出来的地图，不知道真实大小。
双目相机 怎么解决这个问题？它模仿人的两只眼睛。左右两个相机同时拍，同一个物体在左右图像上的位置有差异，这个差异叫 视差。视差越大，物体越近。通过三角测量，就能算出深度。
核心公式：深度 Z = (基线长度 B × 焦距 f) / 视差 d
基线越长，深度精度越高，但相机体积也越大。这是个 trade-off。
我在项目中用过双目做室外建图，最头疼的是 立体匹配 这一步。纹理稀疏的区域（比如白墙），左右图根本匹配不上，深度图全是黑洞。后来我加了个先验——用 IMU 预测的深度做引导，才勉强搞定。
深度相机（RGB-D） 就粗暴多了。它直接给你输出每个像素的深度值。主流方案有两种：
- 结构光：投射红外光斑，通过光斑变形算深度。代表产品：Kinect v1、Intel RealSense D415
- ToF：发射红外光脉冲，测飞行时间。代表产品：Kinect v2、Azure Kinect
避坑指南：我曾经在户外用 RGB-D 相机做建图，结果大太阳底下深度值全是 NaN。深度相机对强环境光非常敏感，室内神器，室外基本废掉。如果你要做室外建图，老老实实上激光雷达或者双目。
相机还有一个绕不开的话题——畸变。镜头不是完美的针孔，拍出来的图像会有径向畸变（桶形/枕形）和切向畸变。做 SLAM 之前，必须先做相机标定，拿到内参和畸变系数。我建议用 OpenCV 的棋盘格标定法，拍个二三十张不同角度的图，跑一遍就出结果。
三、IMU 与里程计
IMU 全称是惯性测量单元，里面装了一个 加速度计 和一个 陀螺仪。加速度计测线加速度，陀螺仪测角速度。把这两个数据积分，理论上就能算出位置和姿态。
但理论很丰满，现实很骨感。IMU 有个致命问题——零偏 和 噪声。你想想看，加速度计哪怕有 0.01 m/s² 的零偏，积分 10 秒后位置误差就累积到 0.5 米了。再跑一分钟，位置都不知道飘到哪去了。
所以 IMU 不能单独用，它必须和其他传感器融合。最常见的做法是 IMU 预积分——把两帧图像之间的 IMU 数据提前积好，作为约束加入到优化方程里。这样既利用了 IMU 的高频信息，又避免了长时间积分漂移。
我的习惯：做 VIO（视觉惯性里程计）时，IMU 的初始化非常关键。我一般会让机器人先静止 2-3 秒，采集一组静态数据来估计零偏。这一步做不好，后面整个系统都是歪的。
轮式里程计 就简单多了。它靠轮子上的编码器，记录轮子转了多少圈，结合轮径算出移动距离。好处是短时间精度高，没有漂移。坏处是——轮子打滑就完蛋。我在项目中遇到过机器人在地砖上急转弯，轮子空转，里程计以为走了 1 米，实际才挪了 0.3 米。后来我加了 IMU 做辅助，检测到角速度异常时就降低轮式里程计的权重。
最后说一句，传感器融合不是简单的「取平均」。你得理解每个传感器的误差特性，用卡尔曼滤波或者因子图优化，把不同来源的信息按置信度加权融合。这才是地图构建的核心功底。
| 传感器 | 优点 | 缺点 | 典型应用场景 |
|---|---|---|---|
| 激光雷达 | 精度高、不受光照影响 | 成本高、无纹理信息 | 室外建图、自动驾驶 |
| 单目相机 | 成本低、信息丰富 | 尺度不确定、弱纹理失效 | AR、室内视觉SLAM |
| 双目相机 | 可测深度、户外可用 | 计算量大、基线限制 | 室外导航、无人机 |
| 深度相机 | 直接输出深度、帧率高 | 强光失效、距离有限 | 室内建图、机器人抓取 |
| IMU | 高频、不受环境干扰 | 积分漂移、零偏不稳定 | 多传感器融合、运动估计 |
| 轮式里程计 | 短时精度高、无漂移 | 打滑失效、只能测平面 | 轮式机器人、AGV |
好了，传感器这块我们就聊到这。每种传感器都有自己的脾气，摸透了它们，你才能搭出靠谱的建图系统。