传感器基础：激光雷达、IMU、轮式里程计与相机
各位同学，欢迎来到多传感器融合建图避障实战课的第二讲。今天咱们聊聊传感器的那些事儿。
做机器人也好，做自动驾驶也罢，传感器就是我们的眼睛和耳朵。选不对传感器，后面算法再牛也白搭。我见过太多项目，一开始图便宜选了不合适的传感器，最后调试到崩溃，只能返工重来。
这一章，我把四种核心传感器掰开揉碎了讲清楚。你想想看，搞懂它们各自的脾气秉性，融合起来才能得心应手。
核心观点：没有最好的传感器，只有最合适的组合。理解每个传感器的「能」与「不能」，是融合的第一步。
一、激光雷达：精度与成本的博弈
激光雷达，说白了就是通过发射激光束并测量回波时间来测距。原理不复杂，但门道很多。
我个人习惯把激光雷达分成两类：机械旋转式和固态式。机械式的典型代表就是Velodyne的16线、32线、64线，里面有个旋转机构，360度扫描。固态式呢，比如Livox的Horizon，没有旋转部件，靠电子扫描。
我的经验：做室内AGV导航，单线激光雷达就够了，成本低、算法成熟。但要做室外无人车，至少16线起步。我曾经在一个园区项目里用了8线雷达，结果地面点太多，滤都滤不干净，最后换了16线才搞定。
选型时重点关注这几个参数：
- 线数：决定垂直视场角的分辨率。16线够用，32线舒服，64线烧钱。
- 测距范围：室内30米足够，室外至少100米。
- 精度：一般±2cm到±5cm。别迷信标称精度，实际使用受环境光、目标材质影响很大。
- 帧率：10Hz是主流，20Hz更好。但帧率越高，点云越稀疏。
| 类型 | 代表产品 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|---|
| 机械旋转式 | Velodyne VLP-16 | 360°视场角，技术成熟 | 有机械磨损，成本高 | 自动驾驶、室外建图 |
| 固态式 | Livox Horizon | 体积小，寿命长 | 视场角有限，非重复扫描 | 机器人、无人机 |
| 单线 | RPLIDAR A1 | 极低成本，算法简单 | 只有二维信息 | 室内导航、扫地机 |
注意：激光雷达对玻璃、镜面、黑色物体几乎无效。我在一个仓库项目里，货架是金属反光的，雷达数据全是噪点，最后不得不加装反光条。选型前一定做现场测试。
二、IMU：短时精度高，长时必漂移
IMU，惯性测量单元，里面集成了加速度计和陀螺仪。加速度计测线加速度，陀螺仪测角速度。通过积分，可以得到位置和姿态。
但这里有个大坑——积分漂移。加速度计积分一次得速度，再积分得位置。每次积分都会放大噪声，几秒钟还行，几十秒后位置就不知道飘到哪去了。
为什么会这样？因为IMU的零偏误差一直在累积。你想想看，一个静止的IMU，理论上加速度应该是0，但实际输出可能有个0.01m/s²的偏置。积分10秒，位置误差就是0.5米。积分1分钟，误差能到18米。吓人不？
关键认知：IMU在短时间（1-2秒）内非常准，姿态精度可达0.1度。但长时间定位，必须靠其他传感器来修正。这就是为什么融合方案里，IMU通常做高频插值，激光或视觉做低频修正。
选型时看这几个指标：
- 加速度计量程：室内机器人±2g够用，无人机或车载需要±8g以上。
- 陀螺仪量程：一般±250°/s到±2000°/s。别选太小，急转弯时数据会饱和。
- 零偏稳定性：这个指标很关键。消费级IMU（如MPU6050）零偏稳定性在10°/h左右，工业级（如ADIS16470）能做到0.1°/h。价格差10倍，效果也差10倍。
我个人习惯，做融合算法时，IMU数据一定要做预处理：去零偏、低通滤波、时间戳对齐。这三步不做，后面融合效果直接打五折。
三、轮式里程计：简单可靠，但别太信它
轮式里程计，就是通过编码器测量轮子转动的圈数，再结合轮径和底盘运动模型，推算机器人的位移。
这东西的好处是简单、便宜、实时性好。坏处呢？打滑、轮径磨损、地面不平，都会导致误差累积。
我记得有一次做巡检机器人，在光滑地砖上跑，轮子打滑严重，里程计显示走了10米，实际才走了8米。幸亏有激光雷达做修正，不然定位早崩了。
常用的运动模型有两种：
- 差速模型：两轮独立驱动，通过左右轮速度差实现转向。计算简单，但转弯时容易打滑。
- 阿克曼模型：前轮转向，后轮驱动。适合车式底盘，转弯半径大，但更稳定。
避坑指南：我曾经在代码里直接用轮径标称值，结果跑了半小时，位置误差超过5%。后来老老实实做了轮径校准——让机器人走一段已知距离，反算实际轮径。这个校准步骤，建议每次换场地都做一遍。
四、相机：视觉信息的宝库
相机能提供最丰富的环境信息——纹理、颜色、形状。但相机也有致命弱点：对光照敏感，缺乏深度信息。
单目相机没有深度，只能通过运动恢复结构（SFM）来估计。双目相机通过视差计算深度，但基线长度限制了有效测距范围。RGB-D相机（如Kinect、RealSense）直接输出深度图，但容易受环境光干扰，室外基本不能用。
选型建议：
- 室内SLAM：RGB-D相机最方便，直接出深度，省去立体匹配的计算量。
- 室外场景：双目相机更靠谱，但需要GPU做立体匹配，算力要求高。
- 视觉里程计：单目+IMU的组合（VIO）现在很成熟，比如VINS-Mono，精度不错。
注意：相机和激光雷达的时间同步是个大坑。激光雷达是机械扫描，每个点的时间戳都不一样。相机是全局曝光或卷帘曝光，时间戳模型也不同。我见过有人直接把两个传感器的时间戳硬对齐，结果融合出来的地图全是重影。正确的做法是做硬件同步，或者至少做插值对齐。
五、传感器融合的核心逻辑
讲完单个传感器，咱们聊聊怎么把它们捏在一起。
说白了，融合就是取长补短。IMU提供高频姿态，但会漂移。激光雷达提供精确测距，但帧率低。轮式里程计提供连续位移，但会打滑。相机提供丰富特征，但缺深度。
经典的融合框架是卡尔曼滤波或其变种（EKF、UKF、ESKF）。核心思想是：用IMU做状态预测（高频），用激光/视觉做观测更新（低频）。这样既保证了实时性，又保证了精度。
我个人的建议是，初学者先从松耦合开始——把每个传感器的输出当成独立观测，用EKF融合。等理解了状态估计的本质，再尝试紧耦合——在原始数据层面做融合，精度更高，但复杂度也翻倍。
一句话总结：激光雷达给精度，IMU给频率，轮式里程计给连续性，相机给语义。四者合一，才是可靠的定位与建图方案。
好了，这一章的内容就到这里。传感器是融合的基础，理解透了，后面学算法才能事半功倍。