3、环境感知基础：传感器分类与障碍物检测原理

大家好，我是老张。今天咱们聊聊环境感知这块。

做机器人运动规划，说白了就是让机器人知道「我在哪，周围有什么，接下来怎么走」。而「周围有什么」这一步，全靠传感器。我刚开始做项目时，总觉得传感器越多越好，结果数据打架，处理不过来。后来才明白——选对传感器，比堆数量重要得多。

目前工业界和学术界常用的传感器，主要分三类。我按自己的使用经验，给你排个序：

传感器类型	核心原理	典型产品	我的评价
激光雷达（LiDAR）	发射激光束，测量反射时间	Velodyne、Hesai、Ouster	精度高，但贵。我一般用在室外无人车上
深度相机	双目视觉或结构光，计算视差	Intel RealSense、Kinect	便宜，但受光照影响大。室内用得多
超声波传感器	发射声波，测量回波时间	HC-SR04、MaxBotix	成本极低，但精度差。适合近距离防撞

你想想看，这三种传感器各有各的脾气。激光雷达像是个「固执的工程师」——数据准，但视野窄。深度相机像「艺术家」——信息丰富，但容易受光线干扰。超声波嘛，就是个「老实人」——简单可靠，但别指望它干精细活。

激光雷达的工作原理，其实不复杂。它发射一束激光，打到物体表面后反射回来。通过计算发射和接收的时间差，就能知道距离。嗯，这里要注意——激光雷达测的是「点到点的距离」，不是「面到面的距离」。

我在项目中遇到过一个问题：用16线激光雷达扫描一个玻璃门，结果点云里完全看不到门。为什么？因为玻璃透光了，激光直接穿过去了。后来我加了超声波做互补，才解决这个问题。

核心知识点：激光雷达输出的数据叫「点云」。每个点包含 (x, y, z) 坐标，有的还带反射强度信息。点云密度越高，环境细节越丰富，但计算量也越大。

深度相机，说白了就是给普通相机加了个「测距功能」。它有两种主流方案：

我记得有一次做室内巡检机器人，用了Intel RealSense D435。结果在走廊拐角处，深度图出现大片黑洞。查了半天才发现——白色墙面反射太强，结构光图案被淹没了。后来我调整了曝光参数，才勉强能用。

避坑指南：深度相机对纹理敏感。纯色墙面、光滑地面、玻璃表面，都是它的「死穴」。我曾经因为没注意这点，让机器人在一个白色走廊里撞了三次墙。

超声波传感器，原理更简单。发射声波，等它弹回来，算时间。声速在空气中约340m/s，所以距离 = 时间 × 声速 / 2。

但这里有个坑——超声波有「波束角」。什么意思？它发射的声波不是一条线，而是一个锥形区域。所以测出来的距离，可能是锥形范围内最近物体的距离。我刚开始用HC-SR04时，总纳闷为什么明明前面没东西，却测到障碍物。后来才发现，是旁边的墙壁反射回来了。

注意事项：超声波传感器不适合远距离测量（一般有效距离2-5米）。而且两个超声波同时工作会互相干扰。我建议：要么分时触发，要么用不同频率的型号。

传感器拿到数据后，怎么判断有没有障碍物？其实就三步：

我个人的习惯是：先用激光雷达做粗检测，再用深度相机做精识别。比如，激光雷达发现前方3米有个障碍物，深度相机再确认它是个箱子还是个人。这样既快又准。

点云，就是一堆三维点的集合。每个点通常包含：

点云数据量很大。一个16线激光雷达，每秒能产生30万个点。你想想看，如果直接处理，CPU肯定扛不住。所以一般会先做「降采样」——比如用体素滤波器，把空间分成小格子，每个格子只保留一个点。

实用技巧：处理点云时，我建议先用PCL库（Point Cloud Library）。它提供了现成的滤波、分割、配准算法。别自己从头写，除非你想重新发明轮子。

下面这张图，是我自己画的。它把本章的核心逻辑串起来了：

这张图你看懂了吗？从左到右，就是传感器采集数据，然后经过预处理、提取、判断，最终输出障碍物信息。这个流程，我做了不下50次。每次遇到新场景，我都会回到这张图，重新审视哪个环节出了问题。

我的建议：刚开始做环境感知时，别急着上多传感器融合。先拿一种传感器（比如激光雷达）跑通整个流程。等流程稳了，再加其他传感器做互补。这样出问题好排查。

好了，这一章就到这里。环境感知是运动规划的基础，基础不牢，后面全是坑。下一章咱们聊聊「地图构建」，到时候我会分享一个让我熬夜三天的建图翻车经历。