第1章 激光雷达基础：从原理到ROS实战
各位同学，欢迎来到《激光雷达路径规划与避障实战》的第一章。我是你们这门课的老朋友，一个在机器人导航领域摸爬滚打了十来年的工程师。今天咱们不聊虚的，直接切入正题——激光雷达。
你可能会问，为什么第一课就要讲激光雷达？说白了，激光雷达就是机器人的“眼睛”。没有它，路径规划和避障就是盲人摸象。我刚开始做机器人那会儿，用的还是超声波，那体验，啧啧……后来换了激光雷达，整个世界都清晰了。
1.1 激光雷达工作原理：TOF vs 三角测距
激光雷达怎么测距的？其实就两大流派：TOF（飞行时间法）和三角测距法。咱们一个一个说。
1.1.1 TOF（飞行时间法）
TOF的原理特别简单：激光发射器发出一束光，打到物体上反射回来，接收器收到。记下这段时间差，乘以光速，再除以2，就是距离。
公式长这样：
距离 = (光速 × 飞行时间) / 2嗯，这里要注意：光速是3×10⁸ m/s，时间差通常以纳秒计。所以TOF雷达对计时电路要求极高。我当年调试一个TOF雷达，因为PCB走线长了那么几毫米，测距就偏了十几厘米……后来老老实实重新画板子。
TOF核心特点：
- 测量范围远：室内外都能用，几十米到上百米
- 精度高：厘米级甚至毫米级
- 抗干扰强：不受环境光影响太大
- 成本高：因为需要高精度计时芯片
1.1.2 三角测距法
三角测距就有点意思了。它利用激光发射点和接收摄像头之间的固定基线，通过几何三角关系算距离。激光打到物体上，在摄像头成像平面上的位置会变化——物体越近，光斑偏移越大。
公式也不复杂：
距离 = (基线长度 × 焦距) / 成像偏移量你想想看，这个方法的精度跟基线长度和成像分辨率直接挂钩。所以三角测距雷达通常短小精悍，适合室内近距离使用。
我的经验之谈：如果你做室内扫地机器人、服务机器人，三角测距完全够用，性价比高。但要做自动驾驶、户外巡检，老老实实上TOF。我曾经在一个户外项目中硬用三角测距，结果大太阳底下直接“瞎”了——环境光太强，成像点都找不到了。
两种方法对比一下：
| 对比项 | TOF | 三角测距 |
|---|---|---|
| 测距原理 | 光飞行时间 | 几何三角 |
| 测量范围 | 远（10-100m+） | 近（0.1-10m） |
| 精度 | 高（cm级） | 中等（cm-dm级） |
| 环境光影响 | 小 | 大 |
| 成本 | 高 | 低 |
| 典型代表 | Velodyne、Hesai | RPLIDAR、Slamtec |
1.2 单线与多线雷达区别
聊完原理，咱们说说线数。单线雷达和多线雷达，名字听着像，但完全是两个物种。
1.2.1 单线激光雷达
单线雷达，就是只有一个激光发射器和一个接收器。它旋转一圈，只能扫出一个平面的点云。说白了，就是在一个二维平面上画轮廓。
- 优点：结构简单、成本低、数据处理快
- 缺点：只能感知一个平面，无法获取三维信息
- 典型应用：室内导航、SLAM建图、避障
我记得刚入行时，用单线雷达做室内SLAM，效果出奇的好。但一遇到斜坡、台阶，它就傻了——因为它只能看到同一高度上的东西。
1.2.2 多线激光雷达
多线雷达，顾名思义，有多个激光发射器（16线、32线、64线甚至128线）。每个发射器对应一个不同的垂直角度，旋转一圈就能扫出一个三维点云。
- 优点：三维感知、目标识别、地形建模
- 缺点：贵、数据量大、处理复杂
- 典型应用：自动驾驶、无人机、户外机器人
避坑指南：我曾经帮一个学生选型，他非要用16线雷达做室内小机器人。结果数据量太大，树莓派直接卡死。后来换成单线雷达，跑得飞起。记住：杀鸡不要用牛刀，选型要匹配场景。
再给个直观对比：
| 维度 | 单线雷达 | 多线雷达 |
|---|---|---|
| 线数 | 1 | 16/32/64/128 |
| 输出数据 | 2D点云 | 3D点云 |
| 数据量 | 小（~10KB/s） | 大（~MB/s） |
| 价格 | 几百~几千 | 几千~几十万 |
| 适用场景 | 室内导航、SLAM | 自动驾驶、3D感知 |
1.3 ROS驱动安装与点云可视化
理论讲完了，咱们来点实操。这部分我建议你跟着我一步步来，别跳步。
1.3.1 安装ROS驱动
以最常见的RPLIDAR A1为例（单线三角测距雷达），驱动安装其实就几条命令：
# 创建ROS工作空间
mkdir -p ~/lidar_ws/src
cd ~/lidar_ws/src
# 克隆驱动包
git clone https://github.com/Slamtec/rplidar_ros.git
# 编译
cd ~/lidar_ws
catkin_make
# 设置环境变量
echo "source ~/lidar_ws/devel/setup.bash" >> ~/.bashrc
source ~/.bashrc嗯，这里要注意：不同雷达的驱动包不一样。比如思岚的A系列用rplidar_ros，镭神的用lslidar_ros，Velodyne的用velodyne_driver。我建议你先查清楚自己雷达的型号，再找对应的驱动。
我的习惯：每次装新驱动前，我都会先跑一下 ls /dev/ttyUSB* 看看雷达有没有被系统识别。如果没识别，八成是USB转串口驱动没装。别问我怎么知道的……
1.3.2 启动雷达并可视化
驱动装好了，启动雷达：
# 启动RPLIDAR节点
roslaunch rplidar_ros rplidar.launch
# 新开终端，查看话题
rostopic list
# 你应该能看到 /scan 话题
# 可视化点云
rosrun rviz rviz在RViz中，添加一个LaserScan显示，选择话题为/scan。如果一切正常，你就能看到雷达扫描出来的点云了——一圈一圈的，像雷达屏幕一样。
我第一次在RViz里看到点云时，说实话，挺激动的。那些小点就是机器人眼中的世界。
1.3.3 点云数据解读
点云数据长什么样？咱们看看话题消息结构：
rostopic echo /scan | head -20输出大概是这样：
header:
seq: 1234
stamp:
secs: 1695000000
nsecs: 123456789
frame_id: "laser"
angle_min: -3.14159
angle_max: 3.14159
angle_increment: 0.0174533
time_increment: 0.0001
scan_time: 0.1
range_min: 0.15
range_max: 12.0
ranges: [0.5, 0.52, 0.55, ...]
intensities: [10, 12, 15, ...]关键字段解释：
- angle_min/angle_max：扫描角度范围，这里是-π到π（360度）
- angle_increment：角度分辨率，约1度
- range_min/range_max：有效测距范围
- ranges：每个角度对应的距离值
- intensities：反射强度，可以用来区分不同材质
实战小技巧：如果你发现点云有大量NaN或Inf值，别慌。这通常是雷达没打到物体（超出量程）或者反射太弱。在代码里记得做滤波处理，不然路径规划会出问题。
本章知识体系总览
为了让你对本章内容有个整体把握，我画了一张结构图。你可以把它当作本章的“地图”。
这张图把本章的三个核心模块串起来了。你可以看到，从工作原理到选型对比，再到ROS实战，是一条完整的知识链。后面的章节，我们会在这个基础上，一步步深入路径规划和避障算法。