4. 常用传感器选型：激光雷达、摄像头、IMU、超声波、红外等性能对比与选型

4.1 核心原理：从物理量到ROS2消息的映射

传感器选型的本质，是找到一种能将机器人所处环境的物理量（距离、光强、角速度、声波回波等）可靠转换为ROS2标准消息的设备。不同传感器的工作原理决定了其数据特性、适用场景与固有限制，理解这些原理是选型的第一步。

• 激光雷达（LiDAR）：通过发射激光束并测量反射光飞行时间（ToF）或相位差来计算距离。输出为点云（PointCloud2）或激光扫描（LaserScan），具有高精度、高角分辨率，但成本高、对透明物体和镜面反射敏感。
• 摄像头（Camera）：被动接收环境光，输出二维像素矩阵（Image）。通过视觉SLAM或AI算法可提取语义信息，但缺乏直接深度，受光照影响大，计算开销高。
• IMU（惯性测量单元）：内部集成加速度计和陀螺仪，测量自身线加速度与角速度，输出IMU消息（sensor_msgs/Imu）。更新频率极高（100~1000Hz），但存在积分漂移，不能单独用于长期定位。
• 超声波传感器：发射声波脉冲并等待回波，根据声速计算近距离障碍物距离。适合低速、近距离（2cm~4m）检测，对透明物体、黑色物体不敏感，但波束角大、方向性差。
• 红外传感器（IR）：利用红外光反射或热辐射测距。常见为Sharp型三角测距或热释电型人体检测。成本极低，但易受环境红外干扰，测量范围窄（通常<1.5m）。

4.2 选型方法流程：需求驱动的五步决策法

面对琳琅满目的传感器型号，建议遵循以下五步流程进行系统化选型，避免拍脑袋决策：

1. 明确任务需求：机器人要完成什么任务？是室内导航、室外巡检、避障、还是目标识别？任务决定了核心传感器类型。例如，室内SLAM优先考虑激光雷达，而人脸识别必须依赖摄像头。
2. 量化性能指标：将任务需求转化为可测量的参数：最大检测距离、最小分辨率、视场角（FOV）、更新频率、精度（标准差）、工作温度范围、防护等级（IP）。例如，AGV防撞需要0.1~3m的可靠检测，而室外无人车需要30m以上的感知距离。
3. 评估环境约束：分析机器人工作环境的光照条件（室内/室外/强光/黑暗）、粉尘湿度、电磁干扰、振动水平。室外强光下摄像头性能骤降，雨雾天气激光雷达衰减严重，此时超声波或毫米波雷达可能更可靠。
4. 计算资源与功耗预算：摄像头点云数据量大，需要GPU或高性能CPU处理；IMU数据量小但频率高。检查ROS2节点的CPU占用率、内存带宽和功耗预算，避免传感器数据淹没计算平台。
5. 原型验证与标定：在ROS2中编写测试节点，订阅传感器话题，录制bag包分析数据质量。重点检查：数据时间戳是否稳定、帧率是否达标、是否存在异常跳变、标定参数是否准确。

# 查看激光雷达话题发布频率
ros2 topic hz /scan

# 查看IMU数据内容
ros2 topic echo /imu/data --once

# 录制传感器数据用于离线分析
ros2 bag record /scan /camera/image_raw /imu/data

4.3 典型应用场景与传感器组合策略

单一传感器往往难以满足复杂任务需求，多传感器融合是ROS2机器人设计的常态。以下为三种典型场景的推荐组合：

4.4 常见误区与复盘：选型中的“坑”

在实际项目中，传感器选型常出现以下问题，值得复盘警惕：

• 误区一：盲目追求高参数。购买了100m测距的激光雷达，但实际应用场景只有5m，造成成本浪费和点云数据冗余。复盘：应基于任务需求反推参数下限，留出20%~30%余量即可。
• 误区二：忽略传感器同步。多个传感器各自独立发布话题，时间戳不一致导致融合算法发散。复盘：在ROS2中应使用 message_filters 的时间同步器（ApproximateTimeSynchronizer），或使用硬件同步触发线。
• 误区三：未考虑标定难度。摄像头与激光雷达的外参标定需要特定标定板（如棋盘格或ArUco码），现场实施困难。复盘：选型时优先选择出厂已标定或支持自动标定的传感器组合。
• 误区四：忽视环境干扰。在强红外环境下使用红外传感器，或在高粉尘车间使用激光雷达，导致数据大量丢失。复盘：应查阅传感器数据手册中的抗干扰指标，必要时增加遮光罩或防护外壳。
• 误区五：数据带宽超限。高分辨率摄像头（如1080p@30fps）在USB 2.0总线上传输，导致丢帧严重。复盘：计算带宽需求（分辨率×帧率×像素深度），选择USB 3.0或GigE接口，并考虑在ROS2中启用图像压缩传输。