传感器基础：常见传感器类型与工作原理

做仿真迁移，说白了就是要把真实世界的传感器数据，搬到虚拟环境里去。你想想看，如果连传感器怎么工作、输出什么数据都不清楚，那迁移个啥？

我个人习惯，每次开始一个新项目，第一件事就是搞清楚：车上到底装了哪些传感器？它们各自输出什么格式的数据？频率是多少？精度怎么样？这些信息，直接决定了你的仿真模型该怎么搭。

激光雷达（LiDAR）

激光雷达这东西，我最早接触是在2016年做无人车项目的时候。当时用的还是16线的机械式雷达，转起来嗡嗡响，像个摇头风扇。

工作原理：发射激光束，打到物体上反射回来，通过测量飞行时间（ToF）计算距离。说白了就是「我打一束光，等它回来，就知道前面有多远」。

输出数据类型：点云数据（Point Cloud）。每个点包含 (x, y, z) 坐标，有的还带反射强度值。

// 点云数据示例（PCD格式）
# .PCD v0.7 - Point Cloud Data file format
VERSION 0.7
FIELDS x y z intensity
SIZE 4 4 4 4
TYPE F F F F
COUNT 1 1 1 1
WIDTH 1000
HEIGHT 1
VIEWPOINT 0 0 0 1 0 0 0
POINTS 1000
DATA ascii
0.123 0.456 0.789 85
0.234 0.567 0.890 92
...

我的经验：激光雷达最怕雨雪天气。雾天的时候，点云会变得稀疏，远距离物体基本测不到。做仿真迁移时，一定要考虑天气模型，不然仿真里跑得欢，实车一上路就抓瞎。

摄像头

摄像头是传感器里的「老大哥」。便宜、信息量大，但也是最难仿真的——你想想看，要模拟光照变化、运动模糊、镜头畸变，多麻烦。

工作原理：CMOS或CCD感光元件把光信号转成电信号，再经过ISP（图像信号处理器）输出数字图像。嗯，这里要注意，不同摄像头的ISP参数差异很大，直接影响到图像质量。

输出数据类型：图像帧。常见格式有：

RAW格式：未经过处理的原始数据，每个像素只有一种颜色（Bayer阵列）
YUV格式：亮度+色度分离，压缩效率高
RGB格式：最常用，每个像素三个通道

// 使用OpenCV读取摄像头数据
cv::Mat frame;
cv::VideoCapture cap(0);  // 打开默认摄像头

while (true) {
    cap >> frame;  // 读取一帧
    if (frame.empty()) break;
    
    // frame.data 就是图像数据，格式为 BGR（OpenCV默认）
    // frame.cols 宽度，frame.rows 高度
    // frame.channels() 通道数，通常是3
    
    cv::imshow("Camera Feed", frame);
    if (cv::waitKey(30) >= 0) break;
}

避坑指南：我曾经在仿真里用完美光照下的图像训练模型，结果实车测试时，下午四点的夕阳直接让模型崩溃。后来我学乖了，仿真里一定要加光照变化、镜头光晕、甚至飞虫遮挡的模拟。

IMU（惯性测量单元）

IMU这东西，看着简单，其实坑最多。它由加速度计和陀螺仪组成，有的还带磁力计。

工作原理：加速度计测的是「比力」——说白了就是除了重力以外的加速度。陀螺仪测的是角速度。两者一结合，理论上能算出位置和姿态。

输出数据类型：6轴或9轴数据。

数据项	单位	说明
ax, ay, az	m/s²	三轴加速度
gx, gy, gz	rad/s	三轴角速度
mx, my, mz	μT	三轴磁场强度（可选）

// IMU数据读取示例（I2C接口）
uint8_t accel_data[6];
uint8_t gyro_data[6];

// 读取加速度计
i2c_read(0x68, 0x3B, accel_data, 6);
int16_t ax = (accel_data[0] << 8) | accel_data[1];
int16_t ay = (accel_data[2] << 8) | accel_data[3];
int16_t az = (accel_data[4] << 8) | accel_data[5];

// 转换为实际值（假设量程±2g，灵敏度16384 LSB/g）
float ax_g = ax / 16384.0f;
float ay_g = ay / 16384.0f;
float az_g = az / 16384.0f;

核心要点：IMU有三大硬伤——零偏、温漂、积分漂移。你想想看，加速度积分一次得速度，再积分一次得位置，每次积分都会放大误差。这就是为什么纯IMU定位几分钟就飘到天边去了。

超声波传感器

超声波传感器，便宜又皮实。倒车雷达用的就是它。但精度嘛...也就那样。

工作原理：发射40kHz左右的超声波，碰到物体反射回来，测量回波时间。声速在空气中约340m/s，所以距离 = 时间 × 声速 / 2。

输出数据类型：单个距离值（毫米或厘米级精度）。

// 超声波测距示例（HC-SR04）
// 触发引脚拉高10us
digitalWrite(TRIG_PIN, HIGH);
delayMicroseconds(10);
digitalWrite(TRIG_PIN, LOW);

// 测量回波脉冲宽度
unsigned long duration = pulseIn(ECHO_PIN, HIGH);

// 计算距离（单位：厘米）
float distance = duration * 0.034 / 2;

// 输出：distance = 45.2 cm

我的经验：超声波有个「盲区」——发射后的一小段时间内，接收器是关闭的，所以太近的物体测不到。另外，软质物体（比如海绵、布料）会吸收超声波，导致测距失败。做仿真时，这些细节都得考虑进去。

编码器

编码器是轮式机器人的「眼睛」——它告诉你轮子转了多少圈。但注意，它测的是轮子转速，不是机器人速度。打滑的时候，编码器数据就完全不准了。

工作原理：光电或磁编码器，通过检测码盘上的条纹或磁极变化，输出脉冲信号。每转一圈输出固定数量的脉冲（PPR，Pulse Per Revolution）。

输出数据类型：脉冲计数（增量式）或位置值（式）。

类型	输出信号	特点
增量式	A相、B相脉冲	可判断方向，断电丢失位置
式	格雷码或SSI协议	断电保留位置，成本高

// 增量式编码器数据处理
volatile long encoder_count = 0;

void encoderISR_A() {
    // A相上升沿触发
    if (digitalRead(PIN_B)) {
        encoder_count++;  // 正转
    } else {
        encoder_count--;  // 反转
    }
}

// 计算转速（RPM）
float getRPM() {
    static long last_count = 0;
    static unsigned long last_time = 0;
    
    unsigned long now = millis();
    long delta_count = encoder_count - last_count;
    float delta_time = (now - last_time) / 1000.0;  // 秒
    
    last_count = encoder_count;
    last_time = now;
    
    // 假设编码器每转1000个脉冲
    return (delta_count / 1000.0) / delta_time * 60.0;
}

避坑指南：我曾经在AGV项目里，编码器数据看起来一切正常，但机器人就是走不直。查了两天才发现，是轮子打滑导致的。从那以后，我坚持编码器+IMU融合，用卡尔曼滤波互相校正。仿真里也得这么搭，不然迁移过去全是坑。

知识体系总览

下面这张图，是我自己总结的传感器知识框架。做仿真迁移时，你就照着这个思路来：先搞清楚传感器类型，再理解工作原理，最后确定输出数据格式。每一步都对应着仿真模型里的一个模块。

这张图把整个知识体系串起来了。从上到下，先选传感器类型，再理解工作原理，然后搞清楚输出数据格式，最后映射到仿真环境里。每一步都环环相扣。

我个人觉得，做仿真迁移最忌讳的就是「拿来主义」——直接把传感器数据格式套进仿真，不考虑物理特性差异。你想想看，真实激光雷达有噪声、有遮挡、有反射率变化，仿真里如果只输出完美点云，那迁移过去肯定出问题。

好了，传感器基础就讲这么多。记住一句话：仿真迁移的成败，90%取决于你对真实传感器的理解深度。剩下的10%，才是算法和代码的事。

可可精品资料库

📚 课程目录

传感器基础：常见传感器类型与工作原理

激光雷达（LiDAR）

摄像头

IMU（惯性测量单元）

超声波传感器

编码器

知识体系总览