1. 传感器基础与选型
做机器人轨迹控制，第一件事不是调算法，而是选对传感器。我见过太多项目，算法写得漂漂亮亮，结果传感器噪声大得离谱，最后全白费。说白了，传感器就是机器人的眼睛和耳朵——你给它什么数据，它就做什么决策。
这一章，咱们把常见的传感器类型、选型原则和关键性能指标捋一遍。都是我在项目里踩过坑之后总结出来的东西。
1.1 常见传感器类型
机器人领域常用的传感器，我按功能分了四大类。每一类都有它的脾气，你得摸清楚。
1.1.1 激光雷达（LiDAR）
激光雷达，说白了就是靠发射激光束并测量反射时间来感知周围环境。它精度高、抗干扰能力强，是建图和定位的主力。
- 工作原理：发射激光脉冲，测量飞行时间（ToF），计算距离。
- 常见类型：单线（2D）、多线（3D）、固态（Flash / MEMS）。
- 典型应用：SLAM建图、障碍物检测、AGV导航。
我的经验： 室内AGV项目，我习惯用单线激光雷达做2D SLAM，成本低、数据量小。但室外场景千万别省这个钱——多线雷达才能扛住光照变化和地面不平。
1.1.2 惯性测量单元（IMU）
IMU 测量加速度和角速度，用来推算姿态和短时位移。它不怕遮挡，但有个致命缺点——漂移。
- 核心器件：三轴加速度计 + 三轴陀螺仪（部分带磁力计）。
- 输出数据：加速度（m/s²）、角速度（rad/s）、姿态角（roll/pitch/yaw）。
- 典型应用：姿态稳定、航位推算、与激光/视觉融合。
注意： 我曾经在一个巡检机器人项目里只靠IMU做定位，结果跑了10分钟就偏了半米。记住，IMU不能单独用——必须配合其他传感器做融合。
1.1.3 编码器
编码器装在电机轴上，测量轮子转了多少圈。它是机器人最基础的里程计来源。
- 工作原理：通过光电或磁电方式，将机械转动转换为脉冲信号。
- 常见类型：增量式（测相对位置）、式（测位置）。
- 典型应用：轮式里程计、速度闭环控制、位置反馈。
关键点： 编码器数据在光滑地面或打滑时会严重失真。我做过一个测试——在瓷砖地面上急加速，编码器算出的位移比实际多了15%。所以编码器只能做短时参考，不能完全信任。
1.1.4 摄像头
摄像头提供最丰富的环境信息——颜色、纹理、形状。但它对光照敏感，计算量也大。
- 工作原理：通过CMOS/CCD感光元件采集图像，再通过算法提取特征。
- 常见类型：单目、双目（立体）、RGB-D（深度相机）。
- 典型应用：视觉SLAM、目标识别、语义分割、避障。
你想想看，如果让机器人走一条有纹理的地毯，摄像头能认出花纹来辅助定位。但要是纯白墙壁，它就抓瞎了——这时候就得靠激光雷达补位。
1.2 传感器选型原则
选传感器不是越贵越好，也不是参数越高越好。我总结了一套选型流程，你可以照着走一遍。
- 明确任务需求：你要测什么？距离？姿态？速度？图像？
- 确定环境约束：室内/室外？光照？温度？灰尘？振动？
- 匹配性能指标：精度、量程、采样率、功耗、成本。
- 考虑融合方案：单一传感器总有短板，多传感器融合是常态。
- 做实物测试：别只看datasheet——我吃过这个亏，买回来发现噪声比标称大两倍。
避坑指南： 我曾经选了一款高精度激光雷达，参数漂亮，结果在户外阳光下直接饱和——因为没考虑环境光抑制能力。所以选型时一定要看「抗环境光干扰」这个指标。
1.3 关键性能指标
选传感器时，这几个指标你必须看懂。我列了个表，方便你对比。
| 指标 | 含义 | 对轨迹控制的影响 |
|---|---|---|
| 精度 | 测量值与真实值的偏差 | 精度低 → 轨迹抖动、定位偏差 |
| 分辨率 | 能检测到的最小变化量 | 分辨率低 → 小位移无法感知 |
| 采样率 | 每秒输出数据的次数（Hz） | 采样率低 → 控制滞后、响应慢 |
| 噪声 | 输出信号中的随机波动 | 噪声大 → 滤波后延迟增加 |
| 量程 | 能测量的最大/最小值范围 | 量程不足 → 超出范围后数据无效 |
| 功耗 | 传感器工作时的功率 | 功耗高 → 电池续航缩短 |
我的建议： 做轨迹控制时，采样率和精度是优先级最高的两个指标。采样率至少要比控制频率高2倍（奈奎斯特定理），精度则取决于你的控制容差。比如你要走一条±1cm的直线，那传感器的精度至少得在3mm以内。
1.4 传感器选型流程（SVG图）
下面这张图是我自己画的一个选型流程，帮你理清思路。
这张图的核心逻辑是：从任务出发，一步步往下走，每一步都做决策。如果测试不通过，就回退到前面的步骤重新选。我每次做新项目都走一遍这个流程，基本不会出大问题。
1.5 多传感器融合的常见组合
单一传感器总有短板。我整理了几种常见的融合组合，供你参考。
| 组合 | 优势 | 劣势 | 典型场景 |
|---|---|---|---|
| 激光雷达 + IMU | 高精度建图、抗漂移 | 成本高、室外受干扰 | 室内AGV、仓储机器人 |
| 摄像头 + IMU | 信息丰富、成本低 | 光照敏感、计算量大 | 无人机、手机AR |
| 激光雷达 + 摄像头 | 几何+语义互补 | 标定复杂、数据量大 | 自动驾驶、服务机器人 |
| 编码器 + IMU | 低成本、低功耗 | 漂移累积、精度有限 | 玩具机器人、简单巡线 |
注意： 多传感器融合不是简单地把数据加起来。我见过有人把激光和视觉的数据直接平均，结果两个传感器打架，轨迹反而更差。融合的核心是「置信度加权」——哪个传感器在当前场景下更可靠，就多信它一点。
1.6 选型实战案例
最后分享一个我实际做过的案例。去年帮一家工厂做AGV，要求是：在仓库里自动搬运货物，路径误差不超过±2cm。
- 任务需求：室内、平坦地面、有货架和行人、需要实时避障。
- 传感器选型：单线激光雷达（2D SLAM建图）+ IMU（姿态辅助）+ 编码器（短时里程计）。
- 为什么这么选？ 仓库环境结构规整，激光雷达建图效率高；IMU补足激光在空旷区域的姿态丢失；编码器做短时插值，降低控制延迟。
- 测试结果：路径误差控制在±1.5cm以内，满足要求。
我的心得： 选型时别贪多。传感器越多，标定和融合的复杂度就越高。能用两个解决的问题，别用三个。我那个AGV项目本来想加摄像头，后来发现激光+IMU已经够了——省了成本，也省了调试时间。