第三章 传感器选型与标定：让机器人“看得准”的第一步
做机器人导航这些年，我踩过最大的坑，就是传感器没选对、标定没做准。你想想看，算法再牛，如果传感器数据本身就是歪的，那后面所有工作都是白费。这一章，我就把激光雷达、深度相机的选型要点，以及内参、外参标定的实战流程，掰开了讲给你听。
核心观点：传感器选型决定系统上限，标定精度决定实际下限。选错传感器，后面调参调破天也没用；标定差1度，地图可能就歪10厘米。
3.1 激光雷达选型：2D 还是 3D？
激光雷达是导航系统的眼睛。选型时，我一般先问三个问题：室内还是室外？要建2D地图还是3D地图？预算多少？
2D 激光雷达
说白了就是单线扫描，在一个平面上测距。适合室内平地场景，比如仓储AGV、扫地机器人。优点是便宜、成熟、算力要求低。缺点是只能感知一个平面，遇到坡道或悬空障碍物就抓瞎。
我记得有一次给一个工厂做AGV，客户图便宜买了某品牌的2D雷达。结果车间地面有个3厘米的坡，雷达直接扫到地面当成障碍物，车原地打转。后来换了3D雷达才解决。
| 参数 | 2D 激光雷达 | 3D 激光雷达 |
|---|---|---|
| 扫描维度 | 单线（一个平面） | 多线 / 固态（立体空间） |
| 典型场景 | 室内平地导航 | 室外、复杂地形、3D建图 |
| 价格范围 | 几百 ~ 几千元 | 几千 ~ 数万元 |
| 算力需求 | 低 | 高 |
| 代表型号 | RPLIDAR A1/A2, YDLIDAR | Velodyne VLP-16, Livox Mid-40 |
我的选型建议：如果只做室内2D导航，用2D雷达就够了，别浪费钱。但如果你要做3D建图、室外导航，或者机器人会上下坡，直接上3D雷达。我个人的经验是——宁可多花点钱买3D，也别后期发现2D不够用再换，那成本更高。
3D 激光雷达
3D雷达分两类：机械旋转式和固态式。机械式（比如Velodyne）靠电机旋转多组激光收发器，视野360°，但体积大、有机械磨损。固态式（比如Livox）没有旋转部件，寿命长，但视场角通常小于120°。
你想想看，如果做园区无人车，机械式360°视野是刚需。但如果是室内移动底盘，固态式完全够用，还便宜不少。
3.2 深度相机选型：RGB-D 怎么挑？
深度相机（RGB-D）能同时输出彩色图和深度图。常见技术路线有两种：结构光和ToF（飞行时间）。
- 结构光（如Intel RealSense D435）：投射红外散斑，通过三角测量算深度。室内精度高，但室外强光下容易失效。
- ToF（如Microsoft Kinect v2/Azure Kinect）：直接测量光飞行时间。室外抗干扰能力强一些，但分辨率通常不如结构光。
我做过一个项目，需要在半室外环境用RGB-D做避障。一开始选了结构光，结果大晴天直接废了——红外散斑被太阳光淹没。后来换成ToF方案，虽然分辨率低一点，但至少能用。
注意：深度相机的有效测距范围通常只有3-10米，远不如激光雷达。如果你需要远距离感知，别指望RGB-D，老老实实上激光雷达。
3.3 传感器内参标定流程
内参标定，就是让传感器知道“自己长什么样”。激光雷达要标定测距偏移和角度偏差，相机要标定焦距、畸变系数。
激光雷达内参标定
2D雷达的内参一般出厂就标好了，但3D雷达的每个激光发射器角度和距离偏移可能不一样。我习惯用官方工具（比如Velodyne的VeloView、Livox的标定工具）做一次出厂校准。如果雷达受过撞击，一定要重新标。
步骤很简单：
- 把雷达固定好，前方放一个已知距离的平面（比如墙面）。
- 采集点云数据，提取平面点。
- 用最小二乘法拟合平面，计算每个激光点的角度和距离残差。
- 把残差写入雷达的校准文件。
相机内参标定
相机内参标定，我用的是张正友标定法。ROS里直接跑camera_calibration包就行。
# 启动相机驱动
roslaunch usb_cam usb_cam-test.launch
# 启动标定节点（棋盘格 8x6，格子边长 0.025m）
rosrun camera_calibration cameracalibrator.py \
--size 8x6 --square 0.025 \
image:=/usb_cam/image_raw camera:=/usb_cam标定的时候，拿着棋盘格在相机前上下左右晃动，让棋盘格覆盖画面各个区域。等CALIBRATE按钮亮了，点一下，系统会自动计算内参和畸变系数。
避坑指南：棋盘格一定要打印平整，贴在硬纸板上。我曾经用普通A4纸贴墙上，结果纸面不平，标定出来的畸变系数全是错的，折腾了两天才发现是棋盘格的问题。
3.4 外参标定：激光雷达与IMU/里程计联合标定
外参标定，就是确定两个传感器之间的相对位姿（旋转和平移）。这一步做不好，多传感器融合就是空中楼阁。
为什么需要外参标定？
激光雷达和IMU装在机器人上，位置和朝向不可能完全重合。如果不标定，激光点云投影到IMU坐标系时就会歪掉。我见过一个团队，外参差了5度，建出来的地图直接扭曲成麻花。
常用标定方法
- 手动测量法：用尺子量安装位置，估算旋转角度。精度低，只适合粗标。
- 基于特征匹配：在场景中放置标定物（如棋盘格、立方体），同时被激光雷达和相机/IMU观测到，通过特征匹配解算外参。
- 基于运动约束：让机器人做特定运动（如旋转、加速），利用IMU和激光雷达的轨迹一致性来优化外参。推荐工具：
lidar_align、kalibr。
实战：使用 lidar_align 做激光雷达与IMU联合标定
lidar_align是一个开源工具，通过优化激光雷达点云与IMU预积分轨迹的一致性来标定外参。我自己的项目里用过很多次，效果不错。
# 1. 录制数据包（让机器人做8字形运动，持续2-3分钟）
rosbag record /velodyne_points /imu/data -O calibration.bag
# 2. 运行 lidar_align
roslaunch lidar_align lidar_align.launch \
bag_file:=/path/to/calibration.bag \
imu_topic:=/imu/data \
lidar_topic:=/velodyne_points标定完成后，会输出一个变换矩阵（4x4齐次矩阵），直接写到你的ROS参数服务器里。
重要提醒：标定过程中，机器人运动要包含足够的旋转和加速激励。如果只是直线运动，IMU的偏置和尺度无法被充分观测，标定结果会不准确。我一般会让机器人走8字形，再加几个急停和旋转。
标定结果验证
标定完怎么知道准不准？我的做法是：把激光点云投影到IMU坐标系下，看静止时点云是否稳定、运动时点云是否与IMU轨迹对齐。如果点云在静止时还在漂移，说明外参没标好。
| 验证方法 | 操作 | 合格标准 |
|---|---|---|
| 静态对齐 | 机器人静止，观察点云 | 点云无明显漂移 |
| 动态对齐 | 机器人运动，对比点云与IMU轨迹 | 点云与轨迹偏差 < 5cm |
| 回环检测 | 机器人走一圈回到起点 | 点云闭合误差 < 10cm |
总结一下：传感器选型和标定，是导航系统的基础设施。选型时想清楚场景需求，别盲目追求高参数；标定时耐心细致，别图快。我见过太多项目，后面调参调得死去活来，最后发现是传感器没标好。嗯，希望你别走这些弯路。