3、避障传感器选型：激光雷达、毫米波雷达、双目相机、超声波、红外等传感器的原理、优缺点及适用场景

在ArduPilot避障系统中，传感器选型直接决定了感知距离、角度分辨率、数据更新率、抗环境干扰能力以及整体成本。不同传感器在物理原理上存在本质差异，导致其在无人机、无人车、水面艇等不同载体上的适配性截然不同。本章将围绕激光雷达、毫米波雷达、双目相机、超声波和红外传感器，从工作原理、关键参数、优缺点、适用场景以及ArduPilot集成要点五个维度展开系统分析，帮助学习者在实际项目中建立科学的选型决策路径。

3.1 激光雷达：高精度三维感知的核心

核心原理与关键参数

激光雷达（LiDAR）通过发射激光束并测量反射光的时间差（TOF）或相位差来计算目标距离。机械式LiDAR通过旋转镜面实现360°扫描，固态LiDAR则采用光学相控阵或MEMS微镜实现电子扫描。在ArduPilot生态中，常用的低成本方案包括单线激光雷达（如RPLidar A1/A2）、三线雷达（如Livox Mid-40）以及用于室内避障的短距TOF模块（如TFmini Plus）。关键选型参数包括：测距范围（0.1-100m）、测距精度（±2-5cm）、扫描频率（5-20Hz）、角分辨率（0.1°-1°）以及点云密度。

优缺点与适用场景

激光雷达的最大优势在于测量精度高、不受环境光照影响、可直接输出距离信息，非常适合需要精确距离控制的场景，如无人机在树林中的穿行、室内走廊避障、农业植保机的仿地飞行。其缺点是：在雨雾天气下激光衰减严重，对黑色或高反射表面（如黑色哑光塑料、镜面）测量不稳定，且机械式雷达存在运动部件导致可靠性下降。在ArduPilot中，激光雷达通常通过PROXIMITY接口接入，可配置为水平避障或向下定高。

常见误区

初学者常误以为激光雷达可以完全替代其他传感器。实际上，LiDAR在纯白色墙面、强反射地面、透明玻璃等场景下会出现“穿透”或“丢失”现象。此外，单线LiDAR只能提供二维平面信息，无法检测低于或高于扫描平面的障碍物，在坡地或楼梯场景中必须配合其他传感器使用。

3.2 毫米波雷达：全天候感知的可靠选择

核心原理与信号特征

毫米波雷达（MMWave Radar）工作在24GHz或77GHz频段，采用FMCW（调频连续波）体制，通过发射线性调频信号并混频接收回波，得到差频信号，进而解算出目标的距离、速度和角度。与激光雷达不同，毫米波能够穿透塑料、衣物、雨雾和灰尘，对光照变化完全不敏感。在ArduPilot中，常见的毫米波模块包括TI的IWR1443/AWR1843以及Conti的ARS408，通过CAN或UART接口输出目标列表（目标距离、速度、RCS值）。

优缺点与适用场景

毫米波雷达的核心优势是全天候工作能力，在雨雪、扬尘、夜间等恶劣环境下依然稳定，且能直接测量目标径向速度，非常适合高速移动平台（如穿越机、高速无人车）的前向防撞。其缺点在于：角分辨率较低（典型3°-10°），无法识别障碍物形状；对静止目标的检测能力弱于运动目标（部分雷达通过多帧积累可改善）；金属表面会产生多径反射导致虚假目标。在ArduPilot中，毫米波雷达通常用于前向避障和速度保持，与视觉传感器形成互补。

案例拆解：高速无人车前向防撞

某无人配送车项目选用AWR1843毫米波雷达作为主避障传感器，要求实现0.5-50m范围内、最高时速30km/h的可靠制动。初始测试发现，雷达在隧道内出现大量虚假目标，原因是隧道壁的多次反射。通过调整CFAR检测阈值和启用多普勒速度门限（仅保留速度在-5m/s至+5m/s的目标），虚警率从每帧12个降至0.3个。同时，将雷达数据与车辆IMU进行松耦合融合，利用车辆自身速度消除静止目标检测盲区，最终实现了在雨夜环境下安全行驶2000km无碰撞的记录。

3.3 双目相机：被动视觉的深度感知方案

核心原理与标定要求

双目相机通过两个水平放置的摄像头同步采集图像，利用视差原理计算像素点的深度信息。其核心是立体匹配算法，即在同一时刻的两幅图像中找到对应像素点，通过三角测量计算距离。在ArduPilot中，双目相机通常与PX4或ArduPilot的Optical Flow协同工作，也可通过MAVLink输出深度图。关键参数包括基线长度（越大测距越远但盲区越大）、分辨率（影响计算量）、帧率（影响动态响应）以及计算平台（需要GPU或FPGA加速）。

优缺点与适用场景

双目相机的最大优势是成本低（仅需两个普通摄像头）、功耗低、可提供丰富的纹理和颜色信息，适合室内结构化环境、视觉SLAM以及需要识别物体类别的场景（如区分行人和树木）。其缺点非常明显：严重依赖环境纹理，在纯色墙面、夜间或逆光环境下深度估计失效；计算量大，需要高性能嵌入式平台（如Jetson Nano）；测距精度随距离增加而急剧下降（误差与距离平方成正比）。

常见误区与优化策略

许多开发者误以为双目相机的基线越长越好。实际上，基线长度受限于机械结构，且过长的基线会导致近处物体视差过大而失配。对于无人机避障，建议基线在6-12cm之间，配合广角镜头（FOV>100°）以获得较好的近距覆盖。此外，双目相机的深度图需要经过中值滤波和空洞填充后才能用于避障，否则会产生大量“椒盐”噪声。

3.4 超声波与红外：近距离补盲的辅助手段

超声波传感器原理与局限

超声波传感器（如HC-SR04、US-100）通过发射40kHz声波并测量回波时间计算距离。其优点是成本极低（<¥20）、不受光照和电磁干扰影响、对透明物体和黑色物体均能检测。缺点是：波束角宽（典型60°），无法分辨方向；响应速度慢（声速340m/s，测量3m距离需约18ms）；受温度、风速影响大；对柔软物体（如海绵、布料）吸收声波导致漏检。在ArduPilot中，超声波通常用于低速无人车的近距离防撞（<2m）或无人机的地面高度辅助。

红外TOF传感器原理与特点

红外TOF传感器（如VL53L0X、VL53L1X）采用940nm VCSEL激光器发射红外光，通过SPAD阵列检测光子飞行时间。其优势是体积小（4.4×2.4mm）、测距速度快（<30ms）、精度高（±3%），适合手机、机器人等紧凑设备。缺点是：有效距离短（VL53L0X最大2m，VL53L1X最大4m）；视场角窄（25°-27°）；在强阳光下性能下降；对深色物体（反射率<5%）测距失败。

实战场景：室内无人机壁障

某室内巡检无人机采用“超声波+红外TOF”组合实现360°近距离避障。在机身四个方向各安装一个US-100超声波（探测0.2-4m）和一个VL53L1X红外（探测0.05-1.2m）。超声波负责中距离检测，红外负责近距离精确停靠。通过ArduPilot的PRX_TYPE配置为多个传感器融合模式，并设置不同方向的PRX_ORIENT参数。实测中，该组合在0.5m/s速度下成功实现了走廊居中飞行和门框穿越，总成本不足¥200。