第2章 · 传感器基础
激光雷达、IMU、轮式里程计 —— 这三样东西，是SLAM的“眼睛”和“小脑”。
我做了这么多年机器人，发现很多调参问题其实都出在对传感器原理的理解上。今天咱们就把它们彻底聊透。
🔦 激光雷达：单线 / 多线 / 固态
激光雷达，说白了就是“用光测距”。发射一束激光，等它反射回来，算时间差或者相位差，就知道前方障碍物有多远。我最早接触激光雷达是在2016年，那时候一个单线雷达要好几千，现在国产的已经卷到几百块了。
单线激光雷达：只扫描一个平面，常用于室内扫地机、AGV。优点是便宜、数据量小；缺点嘛，只能知道一个高度上的障碍物。你想想看，如果桌子腿很细，单线雷达可能扫不到，机器人就直接撞上去了。
多线激光雷达：比如16线、32线、64线。它同时发射多束激光，覆盖一个垂直视场角。我在做园区无人车时用过Velodyne 16线，点云密度大，能识别出路沿、行人轮廓。但价格和算力消耗也上去了。
固态激光雷达：没有旋转部件，靠光学相控阵或微振镜扫描。体积小、寿命长，是未来的趋势。不过目前视场角还偏窄，我测试过一款固态雷达，水平FOV只有90°，做SLAM时需要多颗组合。
家用机器人：单线（成本敏感）
园区物流：16线（性价比高）
自动驾驶：32线以上或固态+补盲
注意：帧率和角分辨率直接影响SLAM精度。我习惯先看角分辨率，再看测距噪声。
我曾经在项目里选了一款号称30米测距的雷达，结果在室外强光下只能测15米。后来才明白，标称测距通常是在室内无干扰下测的。选型时一定要看“抗环境光”参数。
🧭 IMU：加速度计 + 陀螺仪
IMU就是惯性测量单元。加速度计测“比力”，陀螺仪测角速度。两者融合可以得到姿态和位置。但IMU有个毛病——零偏和噪声会随时间累积。你想想看，手机里的IMU放桌上不动，积分出来的速度却越来越大，这就是漂移。
在SLAM里，IMU主要用来做两件事：
- 短时间位姿推算（激光或视觉帧间匹配的初始值）
- 预积分（多传感器融合中的关键技巧）
我习惯在ROS里用 imu_tools 包先做静态标定，把零偏去掉。否则你后面做LIO-SAM会发现地图都是歪的。
消费级IMU（如MPU6050）温漂很大，开机前几分钟数据不可用。工业级（如ADIS16470）就好很多。如果你做高精度建图，别省IMU的钱。
下面是一个简单的IMU数据读取示例（ROS节点）：
// 伪代码 —— 实际开发中常用
void imuCallback(const sensor_msgs::Imu::ConstPtr& msg) {
// 获取加速度 (m/s^2)
double ax = msg->linear_acceleration.x;
double ay = msg->linear_acceleration.y;
double az = msg->linear_acceleration.z;
// 获取角速度 (rad/s)
double gx = msg->angular_velocity.x;
double gy = msg->angular_velocity.y;
double gz = msg->angular_velocity.z;
// 记得先减去零偏！
ax -= bias_ax;
// ...
}⚙️ 轮式里程计（编码器）
轮式里程计靠编码器脉冲数推算位移。增量式编码器输出AB相脉冲，通过计数和方向判断，就能算出轮子转了多少圈。再结合轮距、轮径，就能得到机器人的位移和转角。
公式很简单：
- 左轮位移 = 左轮脉冲数 / 分辨率 × π × 轮径
- 右轮位移 = 右轮脉冲数 / 分辨率 × π × 轮径
- 机器人转角 = (右轮位移 - 左轮位移) / 轮距
但实际中坑很多。比如轮子打滑、地面不平、轮胎磨损，都会导致里程计误差。我在做仓储机器人时，发现地毯上里程计误差能到20%。后来加了IMU辅助，才压到5%以内。
| 类型 | 分辨率 (PPR) | 接口 | 适用场景 |
|---|---|---|---|
| 增量式光电 | 500~5000 | ABZ | 室内轮式机器人 |
| 磁性编码器 | 256~2048 | SPI/I2C | 低成本、小型底盘 |
| 值编码器 | 12~18位 | SSI/CAN | 高精度、关节模组 |
我曾经用“直线往返+旋转90°”的方法标定轮距和轮径。写一个简单的ROS节点，让机器人走2米直线，然后原地转360°，对比实际角度和编码器角度，迭代修正参数。效果立竿见影。
最后说一句，传感器融合才是王道。激光雷达提供观测，IMU提供高频姿态，轮式里程计提供短时位移。三者互补，SLAM才能又稳又准。