3. 传感器仿真“失真”问题：激光雷达、IMU、相机、里程计

传感器仿真，说白了就是“骗”机器人。你给它一个虚拟世界，它得信以为真。但很多新手做仿真，数据漂亮得像假的一样——放到真机上直接翻车。我见过太多这样的案例了。

为什么会这样？因为真实传感器是有“脾气”的。激光雷达会跳点，IMU会飘，相机有延迟，里程计会打滑。仿真里如果不把这些“失真”加进去，那你训练出来的算法就是个“温室里的花朵”。

今天咱们就聊聊，四种常见传感器的失真模式，以及怎么在仿真里把它们“做旧”。

3.1 激光雷达：点云里的“雪花点”

激光雷达的失真，我总结为三类：跳点、混叠、丢包。

跳点：明明前面是墙，突然冒出一个飞在天上的点。这通常是多路径反射或者阳光干扰造成的。
混叠：两个物体靠太近，雷达分不清谁是谁。比如栏杆和后面的墙粘在一起。
丢包：某些角度就是扫不到，尤其是黑色吸光物体或者玻璃。

避坑指南：我曾经在仿真里把激光雷达噪声设成均匀分布，结果算法在真机上疯狂误检。后来才明白，真实噪声是高斯分布+偶尔的离群点。

仿真里怎么加？我建议这样搞：

# 激光雷达噪声模型示例
import numpy as np

def add_lidar_noise(points, sigma=0.02, dropout_rate=0.01):
    # 高斯噪声：模拟测距误差
    noise = np.random.normal(0, sigma, points.shape)
    noisy_points = points + noise
    
    # 随机丢点：模拟吸收/反射失败
    mask = np.random.random(points.shape[0]) > dropout_rate
    return noisy_points[mask]

个人习惯：我一般把sigma设在0.01-0.05米之间，丢包率不超过2%。太干净了不真实，太脏了算法学不到东西。

3.2 IMU：飘得你怀疑人生

IMU的失真，核心就一个字——漂。加速度计有偏置，陀螺仪有温漂，积分之后位置能飞到天上去。

常见的失真模式：

零偏稳定性：静止时输出不为零，而且随时间缓慢变化
随机游走：噪声积分后产生的低频漂移
温度漂移：开机前几分钟尤其明显

仿真里怎么模拟？我习惯用Allan方差来生成噪声参数：

def add_imu_noise(accel, gyro, dt):
    # 加速度计噪声
    accel_bias = np.random.normal(0, 0.01)  # 零偏
    accel_noise = np.random.normal(0, 0.05, 3)  # 白噪声
    
    # 陀螺仪噪声
    gyro_bias = np.random.normal(0, 0.001)
    gyro_noise = np.random.normal(0, 0.01, 3)
    
    noisy_accel = accel + accel_bias + accel_noise
    noisy_gyro = gyro + gyro_bias + gyro_noise
    return noisy_accel, noisy_gyro

注意：IMU的延迟比激光雷达大得多。我记得有一次仿真里没加延迟，结果真机上的EKF直接发散。IMU的延迟通常在5-20ms之间，别小看它。

3.3 相机：图像不是“实时”的

相机的失真，很多人只想到畸变和噪声。其实延迟和运动模糊才是大坑。

常见失真模式：

滚动快门效应：快速运动时图像扭曲
运动模糊：曝光时间内物体移动了
自动曝光/白平衡：光照变化时参数会跳变
传输延迟：从曝光到数据到达CPU，通常有1-3帧的延迟

仿真里怎么处理？我建议至少加两个东西：

def add_camera_delay(image, timestamp, delay_ms=30):
    # 模拟相机传输延迟
    # 实际应用中需要维护一个延迟队列
    buffer.append((timestamp, image))
    # 返回 delay_ms 之前的图像
    return get_delayed_frame(buffer, delay_ms)

避坑指南：我曾经在仿真里用完美同步的图像训练视觉SLAM，结果真机上因为延迟导致特征匹配全错。后来我强制在仿真里加了30ms的随机延迟，效果好了很多。

3.4 里程计：轮子会打滑

里程计的失真，说白了就是打滑和磨损。轮子直径会变，地面摩擦系数会变，这些在仿真里很容易被忽略。

常见失真模式：

打滑：急加速或急转弯时，轮子转但车不动
轮径误差：轮胎气压变化、磨损导致周长变化
量化误差：编码器分辨率有限

仿真模型可以这样写：

def add_odometry_noise(velocity, slip_ratio=0.05):
    # 打滑模型：速度越大，打滑越严重
    slip = np.random.uniform(0, slip_ratio * abs(velocity))
    return velocity * (1 - slip)

个人经验：我一般把打滑率设成速度的5%-10%，并且加一个随机项。这样仿真出来的轨迹和真机非常接近。

3.5 知识体系总览

下面这张图，是我自己总结的传感器失真建模框架。你照着这个思路走，基本不会漏掉关键点：

你想想看，这四个传感器各有各的“脾气”。激光雷达怕反射，IMU怕漂移，相机怕延迟，里程计怕打滑。仿真里如果不把这些失真加进去，那你训练出来的算法就是个“温室里的花朵”。

核心建议：做传感器仿真时，先加噪声模型，再加延迟模型。噪声决定数据的“粗糙度”，延迟决定数据的“时效性”。两者缺一不可。

嗯，这里要注意一点——噪声参数不是拍脑袋定的。我建议你从真机采集一段数据，然后反推噪声参数。比如激光雷达的sigma，你可以用静止时的点云方差来估计。IMU的零偏，你可以用静止时的输出均值来算。

说白了，仿真失真建模这件事，没有标准答案。每个传感器都有自己的“性格”，你得去摸透它。我在项目中遇到过太多次“仿真跑得好好的，真机就翻车”的情况，十有八九都是失真模型没做好。

最后送大家一句话：仿真里加噪声，不是为了让数据变差，而是为了让算法变强。

可可精品资料库

📚 课程目录

3. 传感器仿真“失真”问题：激光雷达、IMU、相机、里程计

3.1 激光雷达：点云里的“雪花点”

3.2 IMU：飘得你怀疑人生

3.3 相机：图像不是“实时”的

3.4 里程计：轮子会打滑

3.5 知识体系总览