传感器与数据采集：机器人的“感官世界”

做机器人这行，我经常跟学生说一句话：地图建得准不准，七成看传感器。你算法写得再漂亮，传感器数据一塌糊涂，后面全是白搭。今天咱们就来聊聊机器人最常用的三种“感官”——激光雷达、深度相机和惯性测量单元。

我个人习惯把传感器分成两类：外部传感器（看世界的）和内部传感器（感受自己的）。激光雷达和深度相机属于前者，IMU属于后者。它们各有各的脾气，你得摸透了才能用好。

2.1 激光雷达（LiDAR）：精确的距离“尺子”

激光雷达的原理其实不复杂——发射激光束，测量反射回来的时间，算出距离。这就是所谓的ToF（Time of Flight）原理。你想想看，光速是恒定的，只要计时够准，距离就能算得够精确。

我在项目中遇到过最头疼的问题，就是激光雷达在玻璃墙面前的表现。激光直接穿透玻璃，打到后面的物体再反射回来，或者干脆被镜面反射到别处去。嗯，这里要注意：LiDAR在透明、镜面、吸光材质面前会“失明”。

2.1.1 数据格式：点云与激光扫描

激光雷达输出的数据，常见有两种格式：

• 单线激光雷达：输出一维距离数组，每个角度对应一个距离值。比如RPLIDAR A1，每圈采集360个点，角度分辨率1°。
• 多线激光雷达：输出三维点云，每个点包含(x, y, z)坐标和反射强度。比如Velodyne VLP-16，16根激光束同时扫描。

下面是一个典型的单线激光雷达数据片段（ROS的LaserScan消息格式）：

# LaserScan消息示例
header:
  seq: 1234
  stamp: 1623456789.123
  frame_id: "laser_frame"
angle_min: -3.14159        # 起始角度（弧度）
angle_max: 3.14159         # 终止角度
angle_increment: 0.0174533 # 角度分辨率（约1°）
time_increment: 0.0
scan_time: 0.1             # 扫描周期（10Hz）
range_min: 0.15            # 最小有效距离
range_max: 12.0            # 最大有效距离
ranges: [0.5, 0.52, 0.48, ...]  # 距离数组（360个值）
intensities: [15, 12, 18, ...]   # 反射强度数组

2.2 深度相机（RGB-D）：看得见，摸得着

深度相机，说白了就是给普通相机加了个“测距”功能。它输出的每个像素不仅有颜色（RGB），还有深度值（D），所以叫RGB-D相机。

主流的深度相机有三种技术路线：

2.2.1 从深度图到点云

深度相机输出的原始数据是一张深度图——每个像素值代表该点到相机的距离。要生成三维点云，需要做一步坐标变换：

# 从深度图生成点云（伪代码）
def depth_to_pointcloud(depth_image, camera_intrinsics):
    fx = camera_intrinsics.fx  # 焦距x
    fy = camera_intrinsics.fy  # 焦距y
    cx = camera_intrinsics.cx  # 光心x
    cy = camera_intrinsics.cy  # 光心y
    
    points = []
    for v in range(height):
        for u in range(width):
            z = depth_image[v, u]  # 深度值
            if z == 0 or z > max_range:
                continue  # 无效点跳过
            x = (u - cx) * z / fx
            y = (v - cy) * z / fy
            points.append([x, y, z])
    return points

你可能会问：为什么深度图里会有0值？嗯，这是因为深度相机在某些区域测不到距离——比如太远的物体、吸光表面、或者边缘遮挡处。我建议在生成点云时，一定要做无效点过滤，否则后面建图会多出一堆“幽灵点”。

2.3 惯性测量单元（IMU）：机器人的“内耳”

IMU就像人的内耳前庭系统，感知自身的加速度和角速度。它由加速度计和陀螺仪组成，有些还带磁力计。

我个人觉得，IMU是SLAM系统里最“狡猾”的传感器。为什么？因为它有漂移。加速度计积分得到速度，速度积分得到位置——每次积分都会累积误差。你想想看，一个静止的IMU，理论上加速度应该是0，但实际上它会输出一个微小的噪声。积分10秒后，位置误差可能已经漂了好几米。

2.3.1 IMU数据与里程计

IMU的原始数据长这样：

# IMU消息示例（ROS的Imu消息格式）
header:
  seq: 5678
  stamp: 1623456790.456
  frame_id: "imu_link"
orientation:                # 姿态（四元数）
  x: 0.0
  y: 0.0
  z: 0.0
  w: 1.0
angular_velocity:           # 角速度（rad/s）
  x: 0.01
  y: -0.02
  z: 0.005
linear_acceleration:        # 线加速度（m/s²）
  x: 0.12
  y: -0.08
  z: 9.81                   # 重力加速度

注意看，z轴的加速度是9.81——这是重力。做IMU里程计时，第一步就是去除重力分量，否则你算出来的位置会一直往天上飘。

IMU里程计的计算流程大致如下：

1. 姿态更新：对角速度积分，得到当前姿态（四元数或欧拉角）
2. 重力补偿：用姿态将加速度从机体坐标系转换到世界坐标系，减去重力
3. 速度积分：对补偿后的加速度积分，得到速度
4. 位置积分：对速度积分，得到位置

2.4 传感器数据融合：1+1 > 2

单独用LiDAR，建图精度高但帧率低（10Hz）；单独用IMU，帧率高（200Hz）但漂移严重。把它们结合起来，就能取长补短。

下面这张图展示了多传感器融合的典型架构：

在实际项目中，我常用的融合策略是：LiDAR做前端匹配，IMU做运动预测，RGB-D提供纹理信息辅助回环检测。这样即使LiDAR在快速旋转时丢帧，IMU也能顶上去，保证位姿估计不中断。