4、传感器仿真：IMU、摄像头、激光雷达、力/力矩传感器的仿真配置
传感器仿真，说白了就是给虚拟人形机器人装上「眼睛」「耳朵」和「触觉」。没有这些，你的算法在仿真里跑得再欢，一到真机上也还是抓瞎。
我个人习惯把传感器仿真分成两类：一类是本体感知（IMU、力传感器），另一类是环境感知（摄像头、激光雷达）。配置思路完全不同，咱们一个一个来。
核心原则：传感器仿真不是越真越好，而是「够用就好」。仿真精度每提升一个数量级，计算开销可能翻十倍。你要做的是找到那个平衡点。
4.1 IMU 仿真：别小看这个「小盒子」
IMU 是机器人最基础的传感器。加速度计+陀螺仪，6 轴数据。仿真里怎么配？
我在项目中遇到过最坑的事：仿真里 IMU 数据完美无瑕，一上真机就飘得离谱。为什么？因为仿真默认给了理想模型，而真实 IMU 有零偏、噪声、温漂。
所以我的建议是——从一开始就给 IMU 加噪声模型。别等到迁移时再补。
Gazebo 中的 IMU 配置示例
<sensor name="imu_link" type="imu">
<always_on>1</always_on>
<update_rate>400</update_rate>
<imu>
<noise>
<type>gaussian</type>
<mean>0.0</mean>
<stddev>0.001</stddev>
<bias_mean>0.0001</bias_mean>
<bias_stddev>0.00001</bias_stddev>
</noise>
</imu>
</sensor>注意那个 update_rate。真机 IMU 通常是 200-1000Hz，仿真里我一般设 400Hz，够用又不至于把 CPU 跑满。
小技巧：如果你用 Isaac Sim，IMU 的噪声参数可以在 IsaacSensorDefinition 里调。我习惯先录一段真机 IMU 数据，算一下 Allan 方差，再把参数反哺到仿真里。这样迁移时几乎不用调参。
4.2 摄像头仿真：渲染管线才是关键
摄像头仿真，很多人以为就是「拍张图」。其实远不止这些。你要考虑：
- 内参：焦距、主点、畸变系数
- 外参：安装位置、朝向
- 渲染：光照、材质、抗锯齿
- 噪声：暗电流、散粒噪声、量化误差
说白了，摄像头仿真的核心是渲染管线。你用的引擎决定了仿真逼真度的上限。
| 引擎 | 渲染方式 | 逼真度 | 速度 | 我推荐场景 |
|---|---|---|---|---|
| Gazebo (OGRE) | 光栅化 | 中 | 快 | 快速验证、低配机器 |
| Isaac Sim (RTX) | 光线追踪 | 高 | 慢 | 视觉算法训练、域随机化 |
| MuJoCo | 软件渲染 | 低 | 极快 | 强化学习、大规模并行 |
嗯，这里要注意：如果你做的是视觉 SLAM 或 目标检测，千万别用 MuJoCo 的摄像头。它的渲染太「干净」了，迁移时你会哭的。
我曾经在 Isaac Sim 里配过一个双目摄像头，折腾了整整两天。最后发现是 horizontalFov 和真机差了 2 度，导致深度估计一直偏。所以我的建议是——先把真机标定结果写死到仿真里，别用默认参数。
Isaac Sim 摄像头配置片段
camera = CameraPrim(path="/World/robot/head_camera")
camera.set_focal_length(4.0) # 单位 mm
camera.set_horizontal_aperture(6.0)
camera.set_focus_distance(1.0)
camera.set_lens_model("equidistant") # 鱼眼用这个
camera.set_clipping_range(0.05, 50.0)避坑：仿真里的「完美图像」会骗人。我建议你从一开始就加上：运动模糊、镜头眩光、传感器噪声。别怕影响训练效果——你的模型迟早要面对这些。
4.3 激光雷达仿真：点云不是越多越好
激光雷达仿真，核心参数就几个：线数、视场角、角分辨率、最大距离、噪声模型。
你想想看，一个 64 线激光雷达，每秒产生 130 万个点。仿真里如果全量生成，CPU 直接冒烟。所以我的做法是——按需降采样。
- 做导航：16 线就够了，重点保证水平视场角
- 做建图：32 线起步，角分辨率要小于 0.4°
- 做感知：64 线，但可以降帧率到 5Hz
Gazebo 激光雷达配置
<sensor name="lidar" type="ray">
<ray>
<scan>
<horizontal>
<samples>720</samples>
<resolution>1.0</resolution>
<min_angle>-2.094</min_angle>
<max_angle>2.094</max_angle>
</horizontal>
<vertical>
<samples>32</samples>
<resolution>1.0</resolution>
<min_angle>-0.436</min_angle>
<max_angle>0.436</max_angle>
</vertical>
</scan>
<range>
<min>0.1</min>
<max>30.0</max>
<resolution>0.01</resolution>
</range>
<noise>
<type>gaussian</type>
<mean>0.0</mean>
<stddev>0.02</stddev>
</noise>
</ray>
</sensor>注意那个 resolution 参数。我见过有人设成 0.1，结果点云全是锯齿。真机激光雷达的角分辨率一般在 0.1°-0.4°，仿真里我建议设到 0.01-0.02，既保证平滑又不至于太密。
个人经验：激光雷达的「丢点」现象在仿真里经常被忽略。真实场景下，玻璃、镜面、黑色物体都会导致丢点。我习惯在仿真里随机丢 1%-3% 的点，模拟这种效果。迁移时你会发现——模型鲁棒性好了不少。
4.4 力/力矩传感器仿真：最容易被低估的传感器
力传感器，在人形机器人里太重要了。行走时的足底力、抓取时的末端力，全靠它。但仿真里，很多人直接忽略。
为什么？因为力传感器仿真计算量不小。你要实时解算关节力矩、接触力、惯性力，然后叠加噪声。
我的做法是：在仿真里用 Joint Torque Sensor + Contact Sensor 组合。
- Joint Torque Sensor：测量关节输出力矩，用于力控
- Contact Sensor：测量足底/指尖接触力，用于平衡和抓取
MuJoCo 力传感器配置
<sensor name="foot_force" type="force" site="foot_site"/>
<sensor name="foot_torque" type="torque" site="foot_site"/>
<sensor name="joint_torque" type="jointpos" joint="knee_joint"/>这里有个坑：site 的位置必须精确对应真机传感器的安装位置。差 1 厘米，力矩读数可能差 20%。
我曾经在仿真里配足底力传感器，怎么调都跟真机对不上。后来发现是 site 的朝向反了。嗯，这种低级错误，犯一次就记住了。
重要提醒：力传感器仿真最怕「刚体碰撞」——仿真里的接触力是瞬间产生的，而真机有缓冲和形变。我建议你给接触模型加一个低通滤波器，时间常数设 0.01-0.02 秒，模拟真实传感器的响应延迟。
4.5 传感器融合与时间同步
单个传感器配好了，接下来就是融合。人形机器人上，IMU、摄像头、激光雷达、力传感器通常以不同频率运行。你想想看，IMU 400Hz，摄像头 30Hz，激光雷达 10Hz——怎么对齐？
我的方案是：
- 所有传感器打上时间戳（仿真时间，不是 wall clock）
- 用 硬件同步 机制（仿真里用 trigger 信号）
- 在算法层做 插值对齐
说白了，仿真里最容易做到「完美同步」，但你要故意制造一些时间偏移，模拟真机的异步特性。我一般加 1-5ms 的随机延迟。
核心观点：传感器仿真配置的终极目标，不是让仿真数据「完美」，而是让仿真数据「像真机一样不完美」。噪声、延迟、丢点、畸变——这些「缺陷」才是迁移成功的关键。
4.6 域随机化：让传感器仿真「百毒不侵」
最后聊一个高阶话题——域随机化。说白了，就是让传感器参数在合理范围内随机变化，迫使算法学会适应。
我常用的随机化参数：
| 传感器 | 随机化参数 | 典型范围 |
|---|---|---|
| IMU | 噪声标准差、零偏 | ±50% 基准值 |
| 摄像头 | 亮度、对比度、模糊、畸变 | ±20% 基准值 |
| 激光雷达 | 丢点率、距离噪声、角度偏移 | 0-5% 丢点率 |
| 力传感器 | 零偏、噪声、延迟 | ±10% 基准值 |
我在项目中试过，加了域随机化之后，仿真到真机的迁移成功率从 30% 直接飙到 85%。你想想看，这个投入产出比，值不值？
最后一句：传感器仿真配置，没有「标准答案」。每个项目、每个机器人、每个算法都不一样。我的建议是——先跑通，再调优，最后域随机化。别一上来就想做到完美，那只会让你卡在配置阶段出不来。