2、传感器选型：编码器、IMU、激光雷达、视觉传感器的特点与适用场景
做轨迹纠偏这么多年，我最大的感触就是：传感器选对了，项目就成功了一半。选错了？后面调参调到怀疑人生。
今天咱们就聊聊四种最常见的传感器——编码器、IMU、激光雷达、视觉传感器。它们各自有什么脾气，适合干什么活，又有什么坑。我会结合我踩过的坑来讲，希望能帮你少走弯路。
2.1 编码器：最朴实的“轮子转了多少圈”
编码器这东西，说白了就是个计数器。它装在电机或者轮子上，告诉你“我转了多少度”。
特点：
- 精度高：增量式编码器能做到几千甚至上万线/圈，式编码器直接告诉你位置。
- 响应快：微秒级响应，实时性极好。
- 成本低：几十块钱就能买到不错的。
- 缺点：只能测相对位移，而且会累积误差。轮子打滑？那数据就废了。
适用场景：
- AGV/AMR的里程计（配合轮式编码器）
- 机械臂关节角度反馈
- 传送带速度控制
我的经验： 有一次做AGV，轮子在地砖上打滑，编码器读数跑了半米，实际才走了20厘米。后来我加了IMU做融合，才把这个问题压下去。编码器单独用，一定要考虑打滑和空转。
2.2 IMU：惯性测量单元，专治“我晕了”
IMU包含加速度计和陀螺仪。加速度计测线性加速度，陀螺仪测角速度。组合起来，理论上可以推算姿态和位置。
特点：
- 不受外界干扰：不依赖GPS、视觉、激光，纯靠自己。
- 高频输出：通常100Hz-1000Hz，适合做快速姿态估计。
- 缺点：漂移严重。加速度计积分一次得速度，再积分得位置，误差会像滚雪球一样越来越大。
- 温度敏感：零偏会随温度变化，需要校准。
适用场景：
- 无人机/机器人的姿态估计（俯仰、横滚、偏航）
- 短时定位（比如过隧道时GPS失效）
- 与视觉/激光雷达做紧耦合融合
注意： 我曾经在一个项目中只用IMU做位置推算，结果10秒后位置误差就超过了1米。IMU不能单独用于长时间定位，必须融合其他传感器。
2.3 激光雷达：精度之王，但贵
激光雷达（LiDAR）通过发射激光束并测量反射时间，来获取周围环境的3D点云。精度非常高，毫米级。
特点：
- 精度极高：测距误差通常在±2cm以内。
- 不受光照影响：白天黑夜都能用。
- 缺点：贵。机械式激光雷达动辄几万块，固态的便宜些但视场角小。
- 怕雨雾：激光会被雨滴、雾气散射，导致数据稀疏甚至失效。
适用场景：
- 自动驾驶汽车的主传感器
- 高精度地图构建（SLAM）
- 工业AGV的精确导航
核心观点： 激光雷达是“精度优先”场景的首选。如果你预算充足，且环境可控（室内、无雨雾），闭眼选它。
2.4 视觉传感器：便宜又全能，但怕暗
视觉传感器（摄像头）通过图像来感知世界。单目、双目、RGB-D，各有千秋。
特点：
- 信息丰富：能识别物体、车道线、行人、交通标志。
- 成本低：一个工业相机几百到几千块。
- 缺点：依赖光照。太暗、太亮、逆光都会影响效果。
- 计算量大：图像处理需要GPU或者NPU。
适用场景：
- 自动驾驶的辅助感知（车道保持、交通标志识别）
- 服务机器人的视觉导航
- 视觉SLAM（如ORB-SLAM、VINS）
我的建议： 视觉传感器适合做“语义理解”，比如“前面是个红绿灯”。但做精确测距，还是得靠激光雷达或者双目视觉。单目视觉的深度估计，说白了就是猜，误差很大。
2.5 四种传感器对比一览
| 传感器 | 精度 | 成本 | 环境适应性 | 主要缺点 | 典型应用 |
|---|---|---|---|---|---|
| 编码器 | 高（相对） | 低 | 好（室内） | 累积误差、打滑 | 轮式里程计、关节反馈 |
| IMU | 中（短时） | 中 | 极好（不受外界影响） | 漂移严重 | 姿态估计、短时定位 |
| 激光雷达 | 极高 | 高 | 好（怕雨雾） | 贵、怕雨雾 | 自动驾驶、高精度SLAM |
| 视觉传感器 | 中（依赖算法） | 低 | 差（依赖光照） | 计算量大、怕暗 | 语义感知、视觉SLAM |
2.6 传感器融合：1+1 > 2
你想想看，没有哪个传感器是完美的。编码器会打滑，IMU会漂移，激光雷达怕雨雾，视觉怕暗。所以，融合才是王道。
我个人习惯的做法是：
- 室内AGV：编码器 + IMU + 激光雷达。编码器做高频里程计，IMU修正姿态，激光雷达做闭环检测和地图匹配。
- 室外无人车：IMU + 视觉 + 激光雷达。视觉做车道线检测，激光雷达做障碍物测距，IMU做姿态平滑。
- 无人机：IMU + 视觉（或激光雷达）。IMU做姿态控制，视觉/激光做位置估计。
核心原则： 用互补的传感器覆盖彼此的弱点。比如，IMU补编码器的打滑，激光雷达补视觉的深度不确定性。
2.7 知识体系图：传感器选型决策流程
下面这张图是我自己总结的选型决策流程，帮你快速判断该用什么传感器。
这张图的核心逻辑是：先看精度要求，再看成本，最后看环境。每一步都帮你缩小选择范围。当然，实际项目中往往需要多种传感器组合，但至少能帮你快速锁定主传感器。
2.8 避坑指南
最后，分享几个我踩过的坑：
- 别迷信单一传感器：我曾经在一个项目中只用激光雷达做定位，结果遇到一面玻璃墙，激光直接穿透了，机器人一头撞上去。后来加了超声波才解决。
- IMU一定要做温补：零偏随温度变化很大。不做温补，冬天和夏天的数据完全不一样。
- 视觉传感器别用太便宜的：几十块钱的USB摄像头，畸变严重、帧率不稳，做SLAM基本是噩梦。至少用工业级或者车规级的。
- 编码器安装要牢固：松动会导致读数跳变，融合算法根本扛不住。
重要提醒： 传感器选型不是一锤子买卖。项目初期可以先用通用方案，后期根据实际数据再优化。我见过太多人一开始就追求“完美传感器”，结果预算超了、周期长了，最后效果还不一定好。
好了，关于传感器选型就聊这么多。下一章咱们会深入讲传感器标定——怎么把IMU、相机、激光雷达对齐到同一个坐标系里。那是融合的基础，也是很多新手容易翻车的地方。