2、传感器基础：激光雷达、相机、IMU、GPS/RTK、轮式编码器的工作原理、特性与在室外SLAM中的选型
室外无人驾驶系统的感知层是SLAM与路径规划的物理基础。与室内场景不同，室外环境存在光照剧烈变化、动态障碍物密集、GPS信号遮挡、路面颠簸振动等复杂因素，单一传感器几乎无法满足鲁棒性要求。本章围绕激光雷达、相机、IMU、GPS/RTK和轮式编码器五类核心传感器，深入剖析其物理原理、关键参数、误差特性及在室外SLAM中的选型逻辑，并给出多传感器融合的工程判断框架。
2.1 激光雷达：三维空间感知的核心
核心原理
激光雷达（LiDAR）通过发射近红外激光束并测量反射光的时间差或相位差来计算目标距离。机械旋转式LiDAR内部有多个激光发射器/接收器对，以10-20Hz的转速完成360°水平扫描，形成包含数十万点的三维点云。固态LiDAR则采用MEMS微振镜或光学相控阵技术，无机械旋转部件，更适合车载前装。在室外SLAM中，LiDAR点云直接提供几何约束，通过ICP（迭代最近点）或NDT（正态分布变换）算法进行帧间配准，可得到高精度的相对位姿估计。
| 参数维度 | 典型值 | 对SLAM的影响 |
|---|---|---|
| 测距精度 | ±2cm（30m内） | 决定地图点云质量与回环检测精度 |
| 扫描频率 | 10-20Hz | 影响运动畸变校正难度与实时性 |
| 视场角（垂直） | 15°-45° | 决定地面与低矮障碍物的感知能力 |
| 点云密度 | 0.1°-0.4°角分辨率 | 影响特征提取与匹配鲁棒性 |
选型判断方法
室外SLAM选型需综合测程、精度、成本与可靠性。对于园区无人配送车，16线LiDAR（如速腾RS-LiDAR-16）即可满足基本建图需求；对于高速自动驾驶，需64线或128线LiDAR以保证远距离小物体检测。同时需关注LiDAR的防护等级（IP67以上）与抗振动能力，避免在颠簸路面出现点云畸变。
案例拆解：园区无人车LiDAR选型
某园区无人配送车项目，要求最高车速8m/s，需检测30m外的行人。初始选用16线LiDAR，实测发现点云在20m处行人仅约5个点，聚类困难。后改用32线LiDAR（垂直视场角从15°提升至30°），行人点云增至15个点，检测置信度显著提升。代价是成本增加约1.2万元，但换来了更低的漏检率。复盘结论：选型不能只看线数，需结合目标物尺寸、检测距离与点云密度综合计算。
常见误区
- 误区一：认为线数越高越好，忽略功耗与散热对车辆续航的影响。
- 误区二：只关注水平视场角，忽略垂直视场角对地面点云覆盖的影响。
- 误区三：未考虑LiDAR的反射率差异，深色物体（如黑色轮胎）在点云中易缺失。
2.2 相机：纹理与语义的补充
核心原理
相机通过CMOS/CCD感光元件将环境光信号转换为数字图像。在SLAM中，单目相机通过多视角几何恢复深度（尺度不确定），双目相机通过视差计算深度（基线约束），RGB-D相机则直接输出深度图（受室外光照限制）。室外场景中，相机主要提供视觉特征（ORB、SIFT等）用于视觉里程计（VO）和回环检测，同时为语义地图提供纹理信息。
选型判断方法
室外SLAM相机选型需关注动态范围（HDR）、帧率、曝光控制与抗眩光能力。推荐选用全局快门相机以避免卷帘快门在高速运动时产生的果冻效应。分辨率建议不低于1280×720，帧率不低于30fps。镜头视场角选择90°-120°为宜，过窄会减少特征观测，过宽则边缘畸变严重。
实战场景：视觉与LiDAR融合的互补性
在校园道路场景中，LiDAR点云在树木密集区域易产生噪点，而相机图像能提供丰富的纹理信息辅助特征匹配。某项目采用视觉-激光雷达紧耦合方案：LiDAR负责几何结构建模，相机负责纹理贴图与回环验证。实测在光照良好路段，融合定位精度比纯LiDAR提升约15%；但在强逆光下，视觉权重需自动降低，否则会引入错误约束。
总结复盘
- 相机是SLAM中成本最低、信息最丰富的传感器，但鲁棒性最差。
- 选型时优先考虑HDR能力与全局快门，其次才是分辨率。
- 视觉与LiDAR融合时，需设计动态权重机制，根据光照与纹理质量调整信任度。
2.3 IMU：高频运动补偿与姿态基准
核心原理
IMU（惯性测量单元）包含三轴加速度计与三轴陀螺仪，以200-1000Hz的高频输出比力与角速度。在SLAM中，IMU通过预积分（Pre-integration）将高频测量值转换为帧间相对运动约束，用于：①LiDAR/视觉帧间运动畸变校正；②短时定位丢失时的航位推算；③提供重力方向参考，辅助地面平面拟合。
关键特性与选型指标
| 指标 | 消费级 | 工业级 | 战术级 |
|---|---|---|---|
| 陀螺零偏稳定性 | 10-50°/h | 1-10°/h | <0.5°/h |
| 加速度计零偏 | 5-20mg | 1-5mg | <0.5mg |
| 典型应用 | 手机/玩具 | 室外SLAM | 航空/导弹 |
选型判断方法
室外SLAM推荐选用工业级IMU，重点关注零偏稳定性与噪声密度。安装时需确保IMU与车体刚性连接，并记录外参（安装位置与姿态）。标定流程包括：静止采集（估计零偏）、六面法（估计尺度因子）、温度补偿（若工作温度范围大）。
案例：IMU辅助LiDAR去畸变
某清扫机器人以3m/s速度行驶，LiDAR扫描周期100ms，单帧内车辆位移0.3m，导致点云边缘畸变约5cm。加入IMU后，利用高频角速度与加速度对每个激光点进行运动补偿，畸变降至1cm以内。实施步骤：①读取IMU时间戳与LiDAR点时间戳；②线性插值得到每个点的位姿增量；③将点云变换到扫描起始坐标系。结果：建图精度提升明显，回环检测成功率从82%升至96%。
常见误区
- 误区一：认为IMU越贵越好，忽略与SLAM算法的匹配度。
- 误区二：未做温度补偿，导致冬季室外零偏漂移严重。
- 误区三：将IMU安装在减震支架上，引入额外振动噪声。
2.4 GPS/RTK：全局定位的基准
核心原理
GPS通过接收多颗卫星信号计算接收机位置，普通GPS精度约2-5m，无法满足车道级SLAM需求。RTK（实时动态差分）利用基准站与移动站之间的载波相位差分，消除卫星钟差、电离层延迟等公共误差，可实现厘米级定位（1-2cm）。在室外SLAM中，RTK提供全局坐标，用于消除长时间累积漂移，并为地图提供地理参考。
选型与使用条件
- 必须支持RTK差分信号（通过4G/5G网络或电台接收）。
- 需关注初始化时间（冷启动<30s，热启动<5s）与失锁重收敛能力。
- 在城市峡谷、隧道、高架桥下，RTK信号会中断，需与IMU/轮速融合进行盲区补偿。
实战场景：RTK与LiDAR建图融合
某封闭园区高精地图采集项目，使用RTK+LiDAR融合建图。初始仅用LiDAR建图，累计漂移约0.8m/km；加入RTK后，将GPS位置作为因子图约束，漂移降至0.1m/km。但发现RTK在靠近金属围栏时出现周期性跳变，通过设置GPS置信度阈值（当HDOP>2.5时降低权重）有效抑制了异常影响。
总结复盘
- RTK是室外SLAM的“定海神针”，但不可单独依赖。
- 选型时需确认RTK模块的更新率（10-20Hz）与输出协议（NMEA-0183或二进制）。
- 融合策略：在因子图中将GPS作为先验约束，而非直接覆盖SLAM位姿。
2.5 轮式编码器：低成本航位推算
核心原理
轮式编码器安装在车轮电机或轮轴上，通过光电或磁电原理输出脉冲信号，换算得到车轮转速与转角。基于阿克曼或差速运动学模型，可积分得到车辆相对位移。编码器在短距离内精度较高（累计误差约1%-2%），但存在打滑、轮胎磨损、气压变化等误差源。
选型与标定
推荐选用增量式编码器（分辨率500-2000线），配合霍尔传感器或光电开关。标定需测量轮距、轮径，并考虑轮胎形变系数。在SLAM中，编码器通常作为IMU的补充，提供低频但稳定的位移约束，尤其在GPS失效时维持短时定位。
案例：地下车库定位补充
某无人车在进入地下车库后GPS信号完全丢失，LiDAR因墙面特征重复而匹配困难。此时编码器+IMU航位推算维持了约200m的定位，误差约1.5m。当车辆重新驶出车库后，RTK信号恢复，SLAM系统通过回环检测将轨迹拉回真实位置。复盘：编码器虽精度有限，但在短时盲区中是不可或缺的“最后防线”。
常见误区
- 误区一：忽略轮胎气压变化对轮径的影响，导致里程比例因子漂移。
- 误区二：未考虑差速转向时内外轮转速差异，需按运动学模型分别积分。
- 误区三：将编码器数据直接作为硬约束，未设置噪声协方差。
2.6 多传感器融合选型策略与时间同步
核心原理
室外SLAM的鲁棒性来源于传感器冗余与互补。典型融合架构为：LiDAR+IMU提供高频几何里程计，相机提供视觉回环与语义信息，GPS/RTK提供全局约束，编码器提供短时盲区推算。融合算法常采用因子图优化（如GTSAM、Ceres），将各传感器观测建模为因子节点，通过最大后验估计求解最优轨迹。
选型决策流程
- 明确应用场景：车速、环境复杂度、成本预算、可靠性等级。
- 确定核心传感器：LiDAR（几何）或相机（视觉）作为主传感器。
- 补充IMU：必须配置，用于高频运动补偿与姿态基准。
- 增加GPS/RTK：若室外开阔区域为主，强烈建议配置。
- 评估编码器：若存在GPS盲区或需要低成本冗余，可加入。
时间同步与标定
多传感器融合的前提是精确的时间同步与空间外参标定。时间同步可采用硬件同步（PPS+GPIO）或软件同步（ROS时间戳对齐）。外参标定包括LiDAR-相机、LiDAR-IMU、相机-IMU等，常用工具如lidar_camera_calib、Kalibr。标定误差会直接导致融合精度下降，建议每季度或更换安装后重新标定。
| 传感器对 | 标定参数 | 常用方法 |
|---|---|---|
| LiDAR-IMU | 6DOF外参 + 时间延迟 | 连续时间批量优化 |
| LiDAR-相机 | 旋转+平移+内参 | 棋盘格/圆形标定板 |
| 相机-IMU | 旋转+平移+时间偏移 | Kalibr工具 |
案例：完整传感器套件配置
某自动驾驶小巴项目，要求在城市开放道路运行，最高车速40km/h。最终配置为：1×32线LiDAR（主传感器）+ 1×前视双目相机（红绿灯/行人检测）+ 1×工业级IMU（BMI088）+ 1×RTK（千寻位置）+ 4×轮式编码器（四轮独立）。融合方案采用LIO-SAM框架，LiDAR-IMU紧耦合里程计，RTK作为全局因子，相机仅用于回环检测。实测定位精度：横向误差<0.15m，纵向误差<0.3m，满足车道级导航需求。
总结复盘
- 选型不是堆料，而是根据场景需求做“减法”与“冗余”平衡。
- 时间同步与外参标定的精度，往往比传感器本身精度更影响融合效果。
- 建议建立传感器健康监测机制，实时检测数据异常（如IMU饱和、GPS跳变）。