传感器原理：激光雷达、IMU、轮式编码器与视觉传感器

做机器人导航，说白了就是回答三个问题：我在哪？我要去哪？怎么去？而传感器，就是回答第一个问题的眼睛和耳朵。这一章，我把最常用的四种传感器掰开揉碎讲清楚。

我个人习惯把传感器分成两类：外部传感器（感知环境）和内部传感器（感知自身状态）。激光雷达和视觉属于前者，IMU和轮式编码器属于后者。你想想看，如果只有眼睛没有平衡感，走路肯定摔跤；反过来只有平衡感没有眼睛，那就是盲人摸象。

激光雷达工作原理

激光雷达，简称LiDAR。它的核心原理其实很简单：发射激光，测量反射回来的时间。光速是已知的，时间差一算，距离就出来了。

我在项目中遇到过最坑的事——激光雷达在强阳光下直接罢工。为什么？因为太阳光里也有红外成分，会淹没激光信号。所以室外选型时，一定要看抗环境光能力这个参数。

市面上常见的激光雷达分两种：

类型	测距方式	典型距离	适用场景
三角测距	激光照射，CMOS接收偏移量	0.1m - 8m	室内扫地机、服务机器人
TOF（飞行时间）	直接测量脉冲往返时间	0.5m - 100m+	室外AGV、自动驾驶

激光雷达输出的数据叫点云。一帧点云包含几百到几十万个点，每个点有(x, y, z)坐标和反射强度。做SLAM时，我们就是靠这些点来匹配环境特征的。

// 激光雷达数据解析示例（伪代码）
struct LaserPoint {
    float angle;    // 角度（弧度）
    float distance; // 距离（米）
    float intensity; // 反射强度（0-255）
};

// 一帧数据通常包含 360° 或 270° 的扫描点
std::vector<LaserPoint> scan = lidar.getScan();

IMU惯性测量单元

IMU这东西，说白了就是机器人的内耳前庭。它告诉你：我现在是倾斜的、我在加速、我在旋转。

一个典型的IMU包含三个传感器：

• 加速度计：测量三轴加速度（包含重力分量）
• 陀螺仪：测量三轴角速度
• 磁力计（可选）：测量地磁场方向，辅助航向

嗯，这里要注意——IMU有个天生的毛病叫漂移。加速度计积分得到速度，速度积分得到位置，每一步都有误差，积分几次以后位置就飞到天边去了。

那IMU到底有什么用？两个核心场景：

1. 短时高精度推算：激光雷达或视觉失效时（比如快速旋转、进入白墙区域），IMU能顶住1-2秒
2. 姿态估计：机器人爬坡时，IMU能实时输出俯仰角和横滚角，这对导航决策至关重要

// IMU数据融合示例（互补滤波）
float complementaryFilter(float accAngle, float gyroRate, float dt) {
    const float alpha = 0.98;  // 权重系数
    static float angle = 0;
    angle = alpha * (angle + gyroRate * dt) + (1 - alpha) * accAngle;
    return angle;
}

轮式编码器

轮式编码器，我愿称之为最被低估的传感器。它装在电机轴上，每转一圈输出固定数量的脉冲。通过数脉冲，就能知道轮子转了多少圈，结合轮径就能算出走了多远。

编码器分两种：

类型	输出信号	精度	成本
增量式编码器	A/B两相脉冲（可判方向）	取决于线数	低
式编码器	直接输出角度值	高	高

但轮式编码器有个致命缺陷——打滑。轮子空转的时候，编码器以为你走了1米，实际上你还在原地。我在做仓储AGV时就吃过这个亏，地面有点水渍，编码器里程计直接崩了，机器人以为自己到了货架前，实际上还差半米。

视觉传感器

视觉传感器，就是摄像头。但机器人用的摄像头和手机摄像头不太一样。我们更关心的是：能不能在弱光下工作？帧率够不够？有没有全局快门？

视觉传感器在导航中的典型用法：

• 单目视觉：一个摄像头，通过运动恢复结构（SFM）估算深度
• 双目视觉：两个摄像头，利用视差直接计算深度
• RGB-D相机：直接输出深度图，比如Kinect、RealSense

我个人最常用的是双目视觉。为什么？单目需要运动才能算深度，静止时就是个瞎子；RGB-D在室外强光下基本废掉。双目虽然计算量大，但胜在稳定。

// 视觉特征提取示例（使用ORB特征）
cv::Ptr<cv::ORB> orb = cv::ORB::create(500);  // 提取500个特征点
std::vector<cv::KeyPoint> keypoints;
cv::Mat descriptors;
orb->detectAndCompute(image, cv::noArray(), keypoints, descriptors);

传感器融合：为什么需要组合使用？

看到这里你应该明白了——没有完美的传感器。激光雷达怕强光、怕镜面反射；IMU会漂移；编码器会打滑；视觉怕光照变化。

所以实际工程中，我们做的是传感器融合。最常见的组合是：

• 激光雷达 + IMU：室内导航标配，激光提供观测，IMU填补激光帧间的运动估计
• 视觉 + IMU：VIO（视觉惯性里程计），手机AR和无人机常用
• 激光 + 视觉 + IMU + 编码器：全冗余方案，用于自动驾驶等安全关键场景

下面这张图展示了多传感器融合的典型数据流：