第二章：传感器数据处理——让机器人真正“看见”世界
大家好，我是老周。在机器人领域摸爬滚打了十几年，我最大的感触就是：算法再牛，传感器数据不准也是白搭。今天咱们就来聊聊传感器数据处理这个“地基工程”。
你想想看，一个机器人要在复杂环境里避障，它靠什么感知世界？无非就是激光雷达、深度相机这些“眼睛”。但问题是，这些眼睛看到的原始数据，说白了就是一堆噪声和冗余信息。我当年刚入行时，就吃过这个亏——明明算法写得挺好，机器人就是撞墙，后来一查，原来是激光雷达数据没做滤波。
2.1 激光雷达数据解析——从点云到可理解的信息
激光雷达（LiDAR）是避障的“主力军”。它发射激光束，测量反射时间，从而得到周围物体的距离信息。常见的激光雷达有单线、多线（如16线、32线、64线）和固态激光雷达。
数据格式：激光雷达输出的通常是极坐标数据（角度θ，距离r），或者直接是三维点云（x, y, z）。在ROS中，单线激光雷达常用sensor_msgs/LaserScan消息，多线激光雷达用sensor_msgs/PointCloud2。
核心要点：LaserScan消息包含角度范围、角度分辨率、距离数组等。每个距离值对应一个角度，形成一个扇形扫描区域。
举个例子，一个典型的LaserScan消息结构如下：
# ROS LaserScan 消息结构
std_msgs/Header header # 时间戳和坐标系
float32 angle_min # 起始角度 (rad)
float32 angle_max # 结束角度 (rad)
float32 angle_increment # 角度分辨率 (rad)
float32 time_increment # 每帧时间间隔
float32 scan_time # 扫描周期
float32 range_min # 最小有效距离
float32 range_max # 最大有效距离
float32[] ranges # 距离数组 (长度 = (angle_max - angle_min) / angle_increment)
float32[] intensities # 反射强度数组 (可选)
我在项目中遇到过一个问题：某款激光雷达在强光下会出现大量“飞点”（即异常远距离点）。后来我加了一个简单的距离阈值滤波，把超出物理范围的点直接丢弃，问题就解决了。
个人习惯：我一般会在解析LaserScan时，先检查ranges数组的长度是否与预期一致。如果不一致，说明数据帧可能损坏，直接丢弃。
2.2 深度相机点云处理——RGB-D数据的“降维打击”
深度相机（如Intel RealSense、Microsoft Kinect、奥比中光）能同时提供RGB图像和深度图。深度图每个像素值代表该点到相机的距离。通过相机内参，我们可以将深度图转换为三维点云。
转换公式：对于深度图上的像素(u, v)，深度值为d，相机内参为(fx, fy, cx, cy)，则三维点坐标为：
x = (u - cx) * d / fx
y = (v - cy) * d / fy
z = d
但这里有个坑：深度相机的有效距离通常只有3-10米，超出范围的数据全是噪声。我建议你直接设置一个距离阈值，比如只保留0.3米到5米之间的点。
我曾经踩过的坑：有一次在室内用深度相机做避障，结果机器人老是对着玻璃墙发呆。后来才发现，玻璃对红外光几乎是透明的，深度相机根本测不到距离。所以，深度相机不适合纯透明或高反光物体。
点云处理常用的库是PCL（Point Cloud Library）。在ROS中，我们可以用pcl_ros包来订阅和发布点云。下面是一个简单的点云滤波示例：
# Python 示例：使用PCL进行体素滤波
import pcl
import pcl_ros
from sensor_msgs.msg import PointCloud2
def cloud_callback(cloud_msg):
# 将ROS消息转换为PCL点云
cloud = pcl.PointCloud()
pcl_ros.fromROSMsg(cloud_msg, cloud)
# 体素滤波：降低点云密度，减少计算量
voxel_filter = cloud.make_voxel_grid_filter()
voxel_filter.set_leaf_size(0.05, 0.05, 0.05) # 5cm体素
cloud_filtered = voxel_filter.filter()
# 发布滤波后的点云
pub.publish(pcl_ros.toROSMsg(cloud_filtered))
你想想看，原始点云可能有几十万个点，经过体素滤波后，可能只剩几千个点，但几何结构基本不变。这对实时避障来说，太重要了。
2.3 多传感器融合基础——1+1 > 2
单一传感器总有局限性。激光雷达精度高但缺乏纹理信息，深度相机有颜色但易受光照影响。所以，多传感器融合是必经之路。
常见的融合方式有两种：
- 松耦合：各传感器独立处理，最后在决策层融合。比如激光雷达做局部避障，深度相机做全局地图更新。
- 紧耦合：在数据层或特征层融合，比如将激光雷达点云和深度相机点云对齐到同一坐标系，然后一起处理。
我个人习惯用松耦合，因为实现简单，调试方便。但如果你追求极致精度，紧耦合是更好的选择。
多传感器融合的核心是时间同步和空间同步：
| 同步类型 | 说明 | 常用方法 |
|---|---|---|
| 时间同步 | 确保不同传感器的数据对应同一时刻 | ROS的message_filters::sync、硬件触发 |
| 空间同步 | 将不同传感器的坐标系对齐到同一参考系 | 手眼标定、ICP点云配准 |
避坑指南：我曾经在时间同步上栽过跟头。激光雷达和深度相机的帧率不同（比如10Hz vs 30Hz），如果直接用最近时间戳的数据，会导致位置偏差。后来我用了ROS的ApproximateTime策略，允许一定的时间误差（比如50ms），效果就好多了。
2.4 数据预处理与滤波——去伪存真
原始传感器数据就像一块璞玉，需要打磨才能用。常见的预处理操作包括：
- 离群点移除：删除明显偏离的点（比如距离突变点）。
- 直通滤波：只保留指定范围内的点（比如x方向0-10米）。
- 体素滤波：降低点云密度，减少计算量。
- 统计滤波：基于邻域统计信息，去除稀疏的噪声点。
- 半径滤波：如果一个点周围指定半径内点数太少，则视为噪声。
嗯，这里要注意：滤波不是越强越好。过度滤波会丢失有用信息，比如把障碍物的边缘点也删掉了。我一般会先做直通滤波，再做体素滤波，最后根据场景决定是否做统计滤波。
下面是一个完整的预处理流程示意图：
说白了，数据预处理就是“去粗取精”的过程。我见过不少新手，拿到数据就直接丢给算法，结果效果一塌糊涂。记住：好的数据预处理，能顶半个算法。
核心总结：
- 激光雷达数据：关注角度范围、分辨率、有效距离，做好飞点过滤
- 深度相机点云：注意有效距离限制，避免玻璃/反光物体
- 多传感器融合：时间同步和空间同步是基础，松耦合更实用
- 数据预处理：直通滤波+体素滤波是标配，统计滤波按需使用
好了，这一章的内容就到这里。传感器数据处理是避障系统的“眼睛”，眼睛擦亮了，后面的路径规划才能跑得稳。下一章我们会聊聊如何用这些处理好的数据构建环境地图，敬请期待。