第1章 传感器选型与数据采集基础

做SLAM这么多年，我越来越觉得——传感器选型才是整个系统的基石。你想想看，算法再牛，如果传感器数据本身就有硬伤，后面再怎么优化也是白搭。这一章咱们就聊聊激光雷达、IMU、相机和轮式里程计，它们各自是什么脾气，选型时该盯住哪些参数。

1.1 激光雷达 —— 点云世界的眼睛

激光雷达，说白了就是通过发射激光束并测量往返时间来感知周围物体。机械式、固态、混合固态…… 市面上种类不少。我个人习惯先看两个硬指标：线数和测距精度。

• 线数：16线、32线、64线甚至128线。线数越多，点云越密，但价格也翻着跟头涨。做室内低速机器人，16线其实够用；做自动驾驶，至少32线起步。
• 测距精度：一般标称 ±2cm ~ ±5cm。但注意，这是针对高反射率目标。我在项目中遇到过，黑色车辆在10米外测距误差直接飙到10cm以上。
• 视场角 (FOV)：水平360°是机械雷达的标配，垂直视场角则差异很大，从30°到90°都有。

1.2 IMU —— 藏在身体里的惯性导航

IMU（惯性测量单元）包含加速度计和陀螺仪。它不依赖外部信号，但有个致命缺点——漂移。你想想看，加速度积分一次得速度，再积分得位移，误差随时间疯狂累积。

选型时我主要关注：

• 零偏稳定性：消费级IMU（如MPU6050）零偏稳定性在 10°/h 左右，工业级（如ADIS16470）能做到 0.1°/h。做SLAM后端优化，IMU预积分对零偏很敏感。
• 输出频率：至少 100Hz 以上，200Hz 更理想。低频IMU在快速旋转时容易丢信息。
• 量程：加速度计 ±8g 够用，陀螺仪 ±500°/s 覆盖大部分场景。

1.3 相机 —— 视觉SLAM的灵魂

相机分为单目、双目、RGB-D。单目便宜但有尺度不确定性；双目通过基线计算深度，但基线越长，近距离盲区越大；RGB-D直接输出深度图，但容易受环境光干扰。

选型要点：

• 分辨率与帧率：640×480 @ 30fps 是底线。做特征点提取，分辨率太高反而拖慢速度。我一般用 1280×720 @ 30fps 平衡效果和性能。
• 全局快门 vs 卷帘快门：运动场景下，卷帘快门会产生果冻效应。做SLAM，全局快门是首选。
• 同步触发：支持硬件触发（如PPS信号）的相机，能极大简化多传感器时间同步。

1.4 轮式里程计 —— 被低估的定位源

轮式里程计通过编码器测量车轮转速，再结合运动模型推算位移。它不依赖外部信号，但打滑是硬伤。选型时注意：

• 编码器分辨率：每转脉冲数（PPR）越高，角度分辨率越细。一般 500~2000 PPR 比较常见。
• 轮距与车轮直径：这两个参数必须精确标定。我见过一个项目，轮距标定误差1cm，转弯半径偏差导致地图扭曲。
• 采样频率：至少 50Hz，否则高速运动时容易丢步。

轮式里程计在室内平地上表现不错，但遇到地毯、斜坡或光滑地面，误差会迅速增大。这时候就需要融合IMU或激光雷达来修正。

1.5 选型对比速查表

传感器	优势	劣势	典型频率	成本范围
激光雷达	直接测距，精度高	受天气影响，价格高	10~20 Hz	¥2000~¥50000+
IMU	完全自主，高频	漂移严重	100~400 Hz	¥50~¥10000
相机	纹理丰富，成本低	光照敏感，尺度模糊	30~60 Hz	¥100~¥5000
轮式里程计	简单可靠，无漂移（短时）	打滑，依赖地面	50~200 Hz	¥200~¥2000

1.6 数据采集的硬性门槛

传感器选好了，采集环节也不能马虎。我总结了几条铁律：

• 时间同步：所有传感器使用同一时钟源（如GPS的PPS或ROS的time）。没有硬件同步，后期软件对齐会非常痛苦。
• 数据记录格式：推荐使用rosbag（ROS环境）或自定义二进制格式。别用文本存点云，文件大得离谱。
• 标定先行：内参、外参、时间延迟，必须在采集前完成粗标定。我曾经因为忘记标定相机-IMU外参，导致整个数据集作废。

嗯，这一章的内容差不多就是这些。传感器选型没有的最好，只有最适合你的场景。