一、传感器在机器人系统中的角色
大家好，我是你们这门课的老朋友。咱们直接开门见山——传感器在机器人系统里到底扮演什么角色？
说白了，传感器就是机器人的「五官」。没有传感器，机器人就是个盲人，还是个聋哑人。你想想看，一个盲人怎么抓杯子？怎么避开路上的坑？
我刚开始做机器人那会儿，总觉得算法牛逼就行。直到有一次，我让一个机械臂去抓一个矿泉水瓶，结果它直接怼上去，把瓶子压扁了。为什么？因为没装力传感器，它不知道「碰到东西了」。从那以后，我对传感器的敬畏心就上来了。
1.1 为什么需要传感器
机器人要完成一个任务，比如「把桌上的杯子拿起来」，它需要知道三件事：
- 我在哪？——自身状态感知（关节角度、位姿）
- 杯子在哪？——环境感知（物体位置、形状）
- 我碰到杯子了吗？——交互感知（接触力、力矩）
这三件事，没有传感器，一件都办不到。你可能会说：「那我用纯运动学算不行吗？」嗯，理论上可以，但实际中误差会累积。我记得有个项目，我们用编码器算末端位置，跑了半小时，误差已经漂了5厘米。这就是为什么我们需要传感器来「闭环」。
核心观点：传感器是机器人从「开环控制」走向「闭环控制」的关键。没有传感器，机器人只能按预设轨迹走，遇到任何偏差都会失败。
1.2 传感器数据如何影响运动规划
运动规划，说白了就是「怎么从A点到B点」。但现实世界不是真空，路上有障碍物、地面不平、目标会动。传感器数据就是用来告诉规划器这些「现实情况」的。
我习惯把传感器对运动规划的影响分成三个层次：
| 层次 | 传感器类型 | 对运动规划的影响 |
|---|---|---|
| 底层 | 关节编码器、IMU | 提供当前状态，用于轨迹跟踪和反馈控制 |
| 中层 | 激光雷达、深度相机 | 构建环境地图，用于避障和路径规划 |
| 高层 | 力传感器、视觉 | 感知交互状态，用于自适应控制和任务调整 |
举个例子，你让机械臂去抓一个鸡蛋。底层传感器告诉它「我现在关节角度是多少」，中层传感器告诉它「鸡蛋在桌面上，坐标是(0.3, 0.2, 0.1)」，高层传感器告诉它「我已经碰到鸡蛋了，力度要控制在2牛顿以内」。缺一个，鸡蛋就碎了。
我的经验：在MoveIt里做运动规划时，很多人只关注路径规划算法，忽略了传感器数据的实时更新。我曾经踩过一个坑：用静态地图做避障，结果场景里多了把椅子，机器人直接撞上去了。后来我养成了习惯——每次规划前，先检查传感器数据是否更新。
1.3 传感器与运动规划的典型流程
下面这张图，是我自己总结的传感器数据如何流入运动规划管线的流程。你看一遍，基本就明白整个体系了。
这张图里，我特别想强调那个「反馈回路」。很多人以为运动规划是一次性的——规划完就执行。但实际中，传感器数据是持续更新的。比如你规划了一条路径，走到一半发现障碍物移动了，这时候就需要重新规划。这就是所谓的「闭环运动规划」。
注意：传感器数据不是越快越好。我曾经在一个项目里把激光雷达的采样率调到最高，结果数据量太大，规划器处理不过来，反而导致运动卡顿。合适的采样率需要根据你的硬件和任务来权衡。
1.4 传感器接入的常见挑战
说了这么多好处，也得聊聊实际中会遇到的问题。我总结了几点：
- 数据同步问题——不同传感器的采样频率不一样，怎么对齐时间戳？
- 坐标系转换——激光雷达在机器人坐标系里，相机在另一个坐标系里，怎么统一？
- 数据噪声——传感器不是完美的，怎么滤波？
- 延迟问题——从传感器采集到规划器拿到数据，中间有延迟，怎么补偿？
这些问题，咱们后面的章节会一个一个解决。今天先把概念理清楚。
一个小建议：刚开始接触传感器接入时，别贪多。先搞定一个传感器（比如深度相机），把数据流跑通，再慢慢加其他的。我见过太多人一上来就想搞多传感器融合，结果被各种问题搞得焦头烂额。
好了，第一章的内容就到这里。记住一句话：传感器是机器人的眼睛和耳朵，没有它们，运动规划就是盲人摸象。