传感器选型：激光雷达、深度相机、超声波、IMU的优缺点对比

做机器人地形感知，第一步不是写代码，而是选传感器。选错了，后面算法再牛也白搭。我见过太多团队，上来就堆最贵的传感器，结果数据融合搞到崩溃。今天咱们就把四种主流传感器掰开揉碎讲清楚。

为什么选型这么重要？

说白了，传感器就是机器人的眼睛和耳朵。你想想看，一个在室内光滑地板上跑的机器人，跟一个在野外碎石坡上爬的机器人，需要的感知能力能一样吗？

我个人习惯，选型前先问三个问题：

• 环境条件：室内还是室外？光照如何？有没有灰尘或烟雾？
• 任务需求：需要建图？避障？还是定位？精度要求多高？
• 计算资源：板载算力够不够？功耗预算有多少？

嗯，这三个问题想清楚了，选型就成功了一半。

四种传感器核心对比

先给一张总表，后面咱们逐个细聊。

传感器类型	核心原理	主要优势	主要劣势	典型应用场景
激光雷达	激光束飞行时间测距	精度高、抗干扰强、全天候	成本高、无颜色信息、怕反光	SLAM建图、自动驾驶、高精度定位
深度相机	结构光/ToF/双目立体	信息丰富、成本低、体积小	受光照影响大、测距短、噪声多	室内避障、物体识别、人机交互
超声波	声波反射测距	成本极低、不受光学干扰、防水	分辨率低、有盲区、受温度影响	近距离避障、液位检测、停车辅助
IMU	加速度计+陀螺仪+磁力计	高频、无漂移累积（短期）、体积小	长期漂移、无位置、噪声大	姿态估计、里程计辅助、运动检测

激光雷达：精度之王，但钱包疼

激光雷达，业内叫LiDAR。它的原理很简单——发射激光束，测量反射回来的时间，算出距离。听起来不复杂，但做到厘米级精度，技术门槛就上来了。

优点：

• 精度极高，典型误差在±2cm以内
• 不受光照影响，白天黑夜都能用
• 抗电磁干扰能力强
• 直接输出三维点云，建图方便

缺点：

• 贵！一个16线机械式LiDAR就要上万
• 没有颜色信息，分不清红绿灯和路牌
• 遇到玻璃、镜面会出问题
• 机械式有运动部件，寿命有限

深度相机：信息丰富，但娇气

深度相机这几年火得不行，因为便宜、小巧、还能同时输出RGB图像和深度图。主流技术有三种：结构光、ToF（飞行时间）、双目立体。

优点：

• 同时获得颜色和深度信息
• 成本低，几百到两千元就能买到不错的
• 体积小，适合小型机器人
• 帧率高，通常30fps以上

缺点：

• 室外强光下基本废掉
• 测距短，一般不超过10米
• 深度噪声大，边缘尤其明显
• 对纹理敏感，白墙面前双目会失效

超声波：便宜皮实，但别指望它看清世界

超声波传感器，原理跟蝙蝠一样——发射声波，听回波。这东西在工业里用了好几十年了，成熟得不能再成熟。

优点：

• 成本极低，一个模块几块钱
• 不受光学干扰，透明物体也能检测
• 防水防尘，适合恶劣环境
• 功耗低，可以一直开着

缺点：

• 分辨率低，只能知道大概距离
• 有盲区，太近测不到
• 受温度、湿度影响大
• 多个超声波同时工作会互相干扰

我个人习惯，超声波只用来做近距离避障的补充。比如机器人离墙还有30厘米的时候，激光雷达可能因为角度问题扫不到，超声波就能补上这个盲区。

IMU：机器人的小脑，但会骗人

IMU（惯性测量单元）包含加速度计和陀螺仪，有的还带磁力计。它测量的是自身的加速度和角速度，不依赖外部信号。

优点：

• 更新频率极高，可达1kHz以上
• 短期精度好，能捕捉快速运动
• 体积小，可以集成到主板上
• 不受外部环境干扰

缺点：

• 长期漂移严重，积分后位置误差会无限累积
• 噪声大，原始数据需要滤波
• 没有位置信息
• 磁力计容易受电磁干扰

四种传感器协同关系

下面这张图展示了四种传感器在机器人地形感知中的协同关系：

选型决策流程

说了这么多，到底怎么选？我一般按这个流程走：

1. 先定环境：室外还是室内？光照条件如何？
2. 再定任务：需要建图？避障？还是姿态估计？
3. 算预算：传感器成本不能超过整机成本的30%
4. 看算力：深度相机和激光雷达的数据量很大，算力不够别硬上
5. 做测试：拿样机在真实场景跑一跑，别光看参数

常见选型误区

最后说几个我踩过的坑：

• 误区一：传感器越多越好——数据融合的复杂度会指数级上升，有时候两个传感器就够了
• 误区二：只看精度不看帧率——高速运动时，低帧率的传感器会丢数据
• 误区三：忽略同步问题——不同传感器的时钟不同步，融合时会出现时间错位
• 误区四：不测试极端情况——大太阳、大雾、强电磁环境，传感器性能会大打折扣

嗯，选型这事，说到底就是权衡。没有完美的传感器，只有最适合你任务的组合。多测试、多对比，慢慢就有感觉了。