环境感知基础：传感器类型与数据预处理

大家好，我是你们的老朋友。今天我们来聊聊避障决策的“眼睛”——环境感知。说白了，机器人要避开障碍物，首先得知道周围有什么。我刚开始做这个方向时，总觉得算法才是核心，后来被现实狠狠教育了一顿——传感器数据都搞不定，再牛的决策算法也是白搭。

这一章，我们聚焦三个核心问题：用什么传感器看世界？怎么看？看完之后数据怎么处理才能用？

传感器类型：三种主流方案

我个人习惯把传感器分成三类：激光雷达、摄像头、超声波。它们各有脾气，也各有绝活。

1. 激光雷达（LiDAR）

激光雷达，说白了就是“用激光测距”。它发射激光束，碰到物体反射回来，通过时间差算出距离。我最早接触的是单线激光雷达，那时候觉得它像个“扫描仪”，一圈一圈地画地图。

优点：

• 精度高，毫米级误差
• 不受光照影响，晚上也能用
• 直接输出点云数据，距离信息天然就有

缺点：

• 贵！多线雷达动辄几万块
• 怕灰尘、雨雾，反射率低的物体（比如黑色轮胎）容易丢数据
• 无法识别颜色和纹理

2. 摄像头

摄像头就像机器人的眼睛。它能看到颜色、纹理、形状，甚至能识别出“那是个水杯”还是“那是个灭火器”。

优点：

• 信息丰富，能识别物体类别
• 便宜，一个工业相机几百块
• 可以做人脸识别、交通标志识别

缺点：

• 受光照影响大，逆光、暗光下表现差
• 没有直接的深度信息，需要双目或结构光
• 计算量大，处理一帧图像可能需要几十毫秒

3. 超声波

超声波传感器，原理和蝙蝠一样。它发射超声波，碰到物体反射回来，通过时间差算距离。你想想看，它是不是很像“声纳”？

优点：

• 便宜，一个几块钱
• 不怕透明物体（比如玻璃门），激光雷达反而会穿透
• 近距离（0.1-3米）精度不错

缺点：

• 远距离精度差，发散角大（像个喇叭）
• 容易受干扰（比如两个超声波同时发射会串扰）
• 无法区分物体形状

传感器对比：一张表说清楚

数据预处理：让传感器“说人话”

传感器拿到的原始数据，说白了就是一堆“噪音”。我见过很多新手，拿到激光雷达数据直接丢给算法，结果定位飘得妈都不认识。数据预处理，就是把这些原始数据变成干净、可用的信息。

1. 滤波去噪

激光雷达的点云里，经常有“飞点”——就是突然冒出来的孤立点。摄像头图像里，有椒盐噪声、高斯噪声。怎么办？

• 激光雷达： 用半径滤波或统计滤波。比如，一个点周围3厘米内没有其他点，就认为是噪声，删掉。
• 摄像头： 用中值滤波或高斯滤波。中值滤波对付椒盐噪声特别好，高斯滤波适合平滑图像。

// C++ PCL 半径滤波示例
pcl::RadiusOutlierRemoval<pcl::PointXYZ> ror;
ror.setInputCloud(cloud);
ror.setRadiusSearch(0.03);  // 3厘米半径
ror.setMinNeighborsInRadius(2);  // 至少2个邻居
ror.filter(*cloud_filtered);

2. 时间同步

多传感器融合时，时间不同步是个大坑。摄像头是30帧/秒，激光雷达是10Hz，超声波可能只有5Hz。你想想看，如果激光雷达看到障碍物时，摄像头还在看上一帧的画面，那融合出来的位置就是错的。

我习惯的做法是：用一个统一的时钟源（比如ROS的Time），给每个数据打上时间戳。然后做插值或最近邻匹配。

3. 数据裁剪与降采样

激光雷达一帧可能有几十万个点，全部处理太慢了。摄像头一帧图像几百万像素，也没必要全分析。所以，我们要做裁剪和降采样。

• 激光雷达： 只保留感兴趣区域（比如前方5米、左右2米），然后用体素滤波降采样（比如每个1厘米立方体只保留一个点）。
• 摄像头： 裁剪掉天空和地面，只保留障碍物可能出现的区域。然后缩小分辨率（比如从1920x1080降到640x480）。

坐标变换：把数据对齐到同一个世界

每个传感器都有自己的坐标系。激光雷达的坐标系是“以雷达为中心”，摄像头是“以镜头为中心”，超声波是“以探头为中心”。要让它们的数据能一起用，必须统一到一个坐标系下。

说白了，就是做矩阵乘法。每个传感器都有一个“外参”——相对于机器人基座的旋转和平移矩阵。

P_base = R * P_sensor + T

我刚开始做标定时，总觉得手动测量外参就够了。后来发现，哪怕差1度，10米外的障碍物就偏了17厘米。所以，我建议用自动标定工具（比如ROS的camera_calibration、lidar_camera_calibration）。

知识体系总览

下面这张图，是我自己总结的环境感知知识结构。你可以把它当作本章的“地图”。

好了，这一章的内容就到这里。环境感知是决策算法的基础，传感器选型、数据预处理、坐标变换，每一步都马虎不得。我个人觉得，与其追求昂贵的传感器，不如把现有传感器的数据用好。下一章我们会聊到“障碍物检测与跟踪”，到时候这些预处理的数据就能派上用场了。