2、传感器基础与特性：常见传感器类型与误差模型

各位同学，今天我们来聊聊传感器。做机器人或者自动驾驶的朋友都知道，传感器就是系统的「眼睛」和「耳朵」。但说实话，这些眼睛耳朵都不完美。我做了十几年传感器融合，踩过的坑比走过的路还多。今天就把这些经验掰开揉碎了讲给你听。

2.1 常见传感器类型概览

先列个清单。我们常用的传感器就那么几种：IMU、GPS、摄像头、激光雷达、超声波。每种都有自己的脾气。

嗯，这张表你最好记在心里。选型的时候，频率和弱点是最先要考虑的。

2.2 IMU：惯性测量单元

IMU 这东西，说白了就是加速度计加陀螺仪。加速度计测线加速度，陀螺仪测角速度。我习惯把 IMU 叫做「短跑冠军」——短时间内精度极高，但时间一长就飘。

为什么会飘？因为积分。你想想看，加速度积分一次得速度，再积分一次得位置。每次积分都会放大噪声。我在项目中遇到过，一个消费级 IMU 跑 10 秒，位置误差就能到几十米。所以 IMU 必须和其他传感器配合使用。

位置 = ∫(∫(加速度 dt)) dt
姿态 = ∫(角速度 dt)

2.3 GPS：全球定位系统

GPS 是「长跑冠军」。它不会漂移，但更新慢，而且容易受环境影响。我记得有一次在市区做测试，高楼把卫星信号挡得死死的，定位直接跳了 50 米。

GPS 的误差模型通常用高斯分布近似。但实际中，多路径效应会导致非高斯误差。你想想看，信号从楼面反射过来，路径变长了，算出来的位置自然就偏了。

2.4 摄像头：视觉传感器

摄像头的信息量最大，但也是最难处理的。它给你的是像素，不是直接的距离。你需要通过三角测量或者深度学习才能得到三维信息。

摄像头的误差模型很复杂。光照变化、运动模糊、纹理缺失都会引入误差。我个人习惯把视觉误差分为两类：

• 特征提取误差：角点检测不准，通常 0.5-2 像素
• 匹配误差：特征点匹配错误，可能差几十个像素

嗯，这里要注意。视觉 SLAM 里最怕的就是「误匹配」。一个错误的匹配点，能把整个位姿估计带偏。

2.5 激光雷达：LiDAR

激光雷达直接给你距离信息，精度高，但受天气影响大。我做过一个项目，大雾天 LiDAR 的点云直接少了一半。

LiDAR 的误差模型通常包括：

• 测距误差：一般 ±2-5 cm，与距离成正比
• 角度误差：取决于编码器精度，通常 0.1° 左右
• 反射率误差：黑色物体吸收激光，测距会偏大

σ_range = a + b * range
σ_angle = c

2.6 超声波传感器

超声波便宜、简单，但精度有限。它适合做近距离避障，比如倒车雷达。但要注意，超声波的波束角很大，大概 30-60 度。你测到的距离可能是锥形区域内最近的物体。

我在项目中遇到过一个问题：两个超声波同时发射，互相串扰，测距全乱了。后来加了时分复用，才解决。

2.7 传感器误差模型与噪声特性

好了，重点来了。做融合之前，你必须理解每种传感器的噪声特性。我习惯把噪声分为三类：

1. 白噪声：高斯分布，均值零。比如 IMU 的高频噪声。
2. 有色噪声：时间相关。比如 GPS 的多路径误差。
3. 偏置误差：恒定偏移。比如 IMU 的零偏。

你想想看，如果只用白噪声模型去处理有色噪声，卡尔曼滤波会发散。这就是为什么很多初学者做融合，跑着跑着就炸了。

2.8 知识体系图

下面这张图，是我自己总结的传感器融合知识框架。你把它存下来，后面每节课都会用到。

这张图你看懂了吗？从传感器原始数据，到误差建模，再到融合算法，最后到应用。每一层都依赖上一层。如果传感器层没选好，后面再怎么调算法也没用。

2.9 本章小结

今天的内容就到这里。总结一下：

• 每种传感器都有自己的优势和弱点，没有万能方案
• IMU 短时准、长时飘；GPS 长时稳、短时跳
• 摄像头信息丰富但处理复杂；LiDAR 精度高但怕天气
• 误差模型是融合的基础，别跳过 Allan 方差

下一节课，我们会深入讲卡尔曼滤波。但今天这些基础，你一定要吃透。我在项目里见过太多人，算法写得飞起，结果传感器选型就错了，白忙活三个月。嗯，别做那种人。