4. 传感器选型与配置：激光雷达、深度相机、IMU、里程计、足底力传感器

人形机器人导航，说白了就是让两条腿的机器知道自己在哪、要去哪、路上有没有坑。但这事比轮式机器人难多了——轮子不会打滑到原地劈叉，人形机器人会。所以传感器选型就成了第一个大坑。

我个人习惯，先把传感器分成两类：感知外部环境的和感知自身状态的。激光雷达和深度相机管外面，IMU、里程计和足底力传感器管里面。缺一个，导航就容易翻车。

4.1 激光雷达：2D还是3D？这是个问题

人形机器人上半身晃来晃去，2D激光雷达扫出来的平面经常对不上真实地面。我在项目里吃过这个亏——机器人走着走着突然认为前方有障碍，其实只是身体前倾扫到了地板。

我的建议：预算够直接上3D激光雷达。如果只能用2D，必须加装俯仰补偿，或者把雷达装在腰部而非头部。

4.2 深度相机：RGB-D的坑与填坑

深度相机能提供彩色图和深度图，对人形机器人避障和地形识别很有用。但有个问题——室外强光下深度数据直接报废。我记得有一次在下午三点测试，深度图全是黑洞，机器人差点踩空台阶。

选型要点：

• 室内首选：Intel RealSense D435/D455，近距离精度好，ROS2支持完善
• 室外可选：OAK-D Pro，带红外激光点阵投影器，抗强光能力稍强
• 避坑：Kinect v1/v2已经停产，别买二手货，驱动维护基本停了

4.3 IMU：别只看参数，要看实际表现

IMU是人形机器人的「内耳」，负责感知姿态和角速度。但IMU有个天生毛病——积分漂移。你想想看，加速度积分一次得速度，再积分一次得位移，误差像滚雪球一样。

我选IMU的标准：

1. 陀螺仪零偏稳定性 < 10°/h（低于这个值，走路5分钟就偏了）
2. 加速度计量程 ±8g以上（人形机器人落地冲击轻松超过4g）
3. 输出频率 ≥200Hz（低于100Hz，控制周期跟不上）

市面上常见的IMU，比如BMI088、ICM-20948，我都用过。说实话，BMI088在抗振动方面表现更好，人形机器人走路时步态冲击大，BMI088的数据更稳。

<node pkg="imu_driver" type="imu_node" name="imu_node">
  <param name="port" value="/dev/ttyUSB0"/>
  <param name="frame_id" value="imu_link"/>
  <param name="gyro_offset_x" value="0.002"/>
  <param name="gyro_offset_y" value="-0.001"/>
  <param name="accel_scale" value="9.80665"/>
</node>

4.4 里程计：关节编码器的真相

轮式机器人的里程计很准，因为轮子不打滑。人形机器人呢？脚底和地面是点接触，每一步都有滑动。关节编码器算出来的里程，走10米误差能到30厘米。

我的做法：把关节编码器里程计当成「短时参考」，不信任它的长期积分。在ROS里，我通常把odom话题的协方差矩阵设得比较大，让融合算法（比如robot_localization）更依赖激光雷达和视觉。

4.5 足底力传感器：被忽视的关键

这个传感器很多人会忽略，但我觉得它是人形机器人导航的「隐形王牌」。为什么？因为只有知道脚底受力分布，才能判断地面是否平整、是否踩到障碍物、是否要打滑。

常见方案：

• FSR（力敏电阻）：便宜，但只能测压力有无，精度差。适合简单触地检测
• 六维力传感器：贵，但能测Fx/Fy/Fz和Mx/My/Mz六个分量。适合步态规划和地形估计

我曾经在一个项目里只用FSR，结果机器人踩到小石子没检测出来，直接摔倒。后来换成六维力传感器，配合卡尔曼滤波做地面反力估计，稳定性提升了一大截。

4.6 传感器时间同步：最容易翻车的环节

传感器选好了，配置好了，但时间戳对不上——这是我在课程答疑里遇到最多的问题。激光雷达的时间戳是硬件触发，IMU是软件时间，深度相机又用自己的时钟。三个时间戳差个几十毫秒，融合出来的位姿就乱跳。

解决方案：

1. 硬件上：用STM32或FPGA做硬件触发同步，所有传感器共用PPS信号
2. 软件上：ROS2的time_synchronizer做近似同步，设置slop参数（一般0.05秒）
3. 实在不行：用tf2的BufferCore::canTransform做插值，但精度会下降