4. 传感器选型与数据读取：激光雷达、深度相机、IMU的选型要点，ROS2驱动节点读取数据

做机械臂导航，传感器就是机器人的眼睛和耳朵。选错了，后面算法调得再好也白搭。我这些年踩过的坑，十有八九都出在传感器选型上。今天咱们就聊聊激光雷达、深度相机和IMU这三样东西怎么选，怎么在ROS2里把数据读出来。

核心观点：传感器选型不是越贵越好，而是匹配你的应用场景。室内桌面级机械臂和户外移动机器人，对传感器的要求天差地别。

4.1 激光雷达选型要点

激光雷达，说白了就是靠激光束测量距离。机械臂上用的，主要分两种：单线雷达和多线雷达。

参数 单线雷达 多线雷达
扫描维度 2D（平面） 3D（立体）
典型型号 RPLIDAR A1/A2, YDLIDAR X4 Velodyne VLP-16, Ouster OS1
适用场景 室内建图、避障 室外大场景、SLAM
成本 几百到一千元 几千到几万元

我个人习惯，做桌面级机械臂导航，首选单线雷达。为什么？因为机械臂工作范围有限，2D平面信息足够用。我曾经在一个项目里用了16线雷达，结果大部分点云数据都是天花板和地面，白白浪费算力。

选型时重点看这几个指标：

  • 测距半径：机械臂工作半径的1.5倍以上。比如臂长1米，雷达至少选12米。
  • 扫描频率：至少10Hz，否则运动畸变严重。
  • 角度分辨率：0.5°以内，太粗了建图边缘锯齿感明显。
  • 抗环境光能力：室内选940nm波长，室外要加滤光片。

小技巧：买雷达时注意接口。现在主流是USB转串口，ROS2里直接用serial驱动就能读。别买那种需要专用采集卡的，调试起来麻烦得要命。

4.2 深度相机选型要点

深度相机给机械臂提供了三维感知能力。它能告诉你物体离你多远，长什么样。市面上主流方案有三种：

技术方案 代表产品 优点 缺点
结构光 Intel RealSense D415 室内精度高，近距离效果好 怕强光，室外基本废了
双目视觉 ZED 2, 大疆妙算 室外可用，成本低 弱光下精度差，计算量大
ToF Microsoft Kinect v2, 奥比中光 帧率高，远距离表现好 分辨率低，多机干扰

嗯，这里要注意。如果你做的是抓取任务，结构光相机是首选。我在做零件分拣项目时，一开始用了双目相机，结果在光照不均匀的车间里，深度图全是黑洞。后来换成RealSense D415，问题就解决了。

深度相机选型清单：

  • 深度分辨率：至少640×480，低于这个数，抓取小零件时根本看不清。
  • 帧率：30fps是底线，机械臂运动快的话，15fps会产生严重运动模糊。
  • 视场角：水平至少60°，否则机械臂末端稍微偏一点就出视野了。
  • USB带宽：深度相机数据量大，建议用USB 3.0接口。

避坑指南：我曾经买过一款廉价ToF相机，标称10米测距，结果在阳光下3米就失效了。选型时一定要看「抗环境光能力」这个参数，单位是klux。室内一般选10klux以上，室外至少100klux。

4.3 IMU选型要点

IMU（惯性测量单元）是机器人的平衡感。它告诉你机器人转了多少度，加速度多大。机械臂上主要用六轴IMU（三轴陀螺仪+三轴加速度计）。

你想想看，机械臂在运动时，激光雷达和相机都可能被遮挡。这时候IMU就是最后的救命稻草。它能提供高频的姿态信息，帮助算法做状态估计。

参数 消费级（MPU6050） 工业级（ADIS16470） 战术级（Honeywell HG4930）
陀螺仪零偏稳定性 ±5°/s ±0.1°/s ±0.01°/s
加速度计噪声 300 μg/√Hz 25 μg/√Hz 5 μg/√Hz
输出频率 100 Hz 1 kHz 2 kHz
价格 几十元 几千元 几万元

我个人建议，做教学或原型验证，用MPU6050就够了。但如果你要做高精度建图，至少得上工业级。为什么？消费级IMU的零偏漂移太严重，跑几分钟就偏到姥姥家去了。

选型口诀：看零偏，看噪声，看带宽。零偏决定长时间稳定性，噪声决定短时间精度，带宽决定能不能跟上机械臂的快速运动。

4.4 ROS2驱动节点读取数据

传感器选好了，怎么在ROS2里把数据读出来？说白了就是写一个驱动节点，把硬件数据转成ROS2的消息类型。

我以激光雷达为例，展示一个最简单的驱动节点框架：

// laser_driver_node.cpp
#include "rclcpp/rclcpp.hpp"
#include "sensor_msgs/msg/laser_scan.hpp"
#include "serial/serial.h"

class LaserDriver : public rclcpp::Node
{
public:
  LaserDriver() : Node("laser_driver")
  {
    // 声明参数
    this->declare_parameter<std::string>("port", "/dev/ttyUSB0");
    this->declare_parameter<int>("baudrate", 115200);
    
    // 创建发布者
    publisher_ = this->create_publisher<sensor_msgs::msg::LaserScan>("scan", 10);
    
    // 打开串口
    try {
      serial_.setPort(this->get_parameter("port").as_string());
      serial_.setBaudrate(this->get_parameter("baudrate").as_int());
      serial::Timeout timeout = serial::Timeout::simpleTimeout(100);
      serial_.setTimeout(timeout);
      serial_.open();
    } catch (serial::IOException& e) {
      RCLCPP_ERROR(this->get_logger(), "无法打开串口: %s", e.what());
    }
    
    // 定时读取
    timer_ = this->create_wall_timer(
      std::chrono::milliseconds(100),
      std::bind(&LaserDriver::read_data, this));
  }

private:
  void read_data()
  {
    if (!serial_.isOpen()) return;
    
    // 读取原始数据并解析
    // ... 这里根据雷达协议解析数据 ...
    
    // 填充LaserScan消息
    sensor_msgs::msg::LaserScan scan_msg;
    scan_msg.header.stamp = this->now();
    scan_msg.header.frame_id = "laser_frame";
    scan_msg.angle_min = -M_PI;
    scan_msg.angle_max = M_PI;
    scan_msg.angle_increment = 2 * M_PI / 360;
    scan_msg.time_increment = 1.0 / 360 / 10;
    scan_msg.scan_time = 0.1;
    scan_msg.range_min = 0.15;
    scan_msg.range_max = 12.0;
    // scan_msg.ranges = ... 填充距离数据 ...
    
    publisher_->publish(scan_msg);
  }
  
  rclcpp::Publisher<sensor_msgs::msg::LaserScan>::SharedPtr publisher_;
  rclcpp::TimerBase::SharedPtr timer_;
  serial::Serial serial_;
};

int main(int argc, char** argv)
{
  rclcpp::init(argc, argv);
  rclcpp::spin(std::make_shared<LaserDriver>());
  rclcpp::shutdown();
  return 0;
}

深度相机和IMU的驱动原理类似，只是消息类型不同。深度相机用 sensor_msgs/msg/Image 和 sensor_msgs/msg/PointCloud2，IMU用 sensor_msgs/msg/Imu。

关键点：ROS2驱动节点要做三件事：打开硬件、解析协议、发布消息。其中解析协议是最容易出错的，建议先用 ros2 topic echo 验证数据是否正确。

4.5 传感器数据融合框架

单个传感器都有短板。激光雷达测距准但没颜色信息，深度相机有颜色但怕强光，IMU高频但会漂移。所以实际项目中，需要把它们融合起来。

下面这张图展示了典型的传感器数据融合框架：

传感器数据融合框架 激光雷达 LaserScan 深度相机 PointCloud2 IMU Imu 数据预处理（时间戳同步、坐标变换、滤波） 传感器融合（EKF / 粒子滤波） robot_localization / cartographer 输出：odom / map 位姿估计 时间戳对齐是关键 否则融合结果会发散

你看，三个传感器各自采集数据，经过预处理后送入融合算法。我常用的工具是 robot_localization 包，它实现了扩展卡尔曼滤波（EKF），能把激光雷达、IMU和里程计数据融合成一个稳定的位姿估计。

注意：时间戳同步是融合的前提。ROS2里每个消息都带时间戳，但不同传感器的时钟可能不同步。我建议用 message_filters 做近似时间同步，或者用硬件触发信号来对齐。

好了，传感器选型和数据读取就聊到这儿。记住一句话：选型看场景，驱动看协议，融合看同步。把这三点吃透了，机械臂导航的传感器部分就稳了。

← 上一章 📖 返回目录 下一章 →