第一讲：课程导论与硬件选型

一、为什么我们需要多传感器融合？

先问大家一个问题：单靠一个传感器，能搞定复杂环境下的感知吗？

我个人习惯把传感器比作人的感官。你想想看，光靠眼睛，在浓雾里就抓瞎了；光靠耳朵，你分不清声音来自左边还是右边。机器人也是一样。

我在项目里遇到过这样的场景：一辆自动驾驶小车，只用激光雷达跑得好好的。结果一下雨，地面反光，点云数据直接炸了。换成纯视觉方案呢？晚上光线一差，摄像头也歇菜。说白了，单一传感器总有它的“死穴”。

多传感器融合的核心逻辑就四个字：取长补短。

• 激光雷达：精度高，但怕雨雪、怕反光。
• 摄像头：纹理丰富，但怕暗、怕逆光。
• IMU：不怕遮挡，但会漂移。
• 毫米波雷达：穿透力强，但分辨率低。

把它们组合起来，才能做到“全天候、全场景”的稳定感知。嗯，这就是我们这门课要解决的核心问题。

二、主流传感器特性对比

下面这张表，是我多年选型经验的总结。各位可以收藏一下，以后做项目直接拿来参考。

传感器类型	核心优势	致命短板	典型应用场景	成本参考
激光雷达	3D点云，厘米级精度	雨雪衰减，镜面反射	建图、定位、障碍物检测	高（数千~数万）
摄像头	纹理、颜色、语义信息	光照敏感，无深度	目标识别、车道线检测	低（数百）
IMU	高频、无遮挡、不受天气影响	积分漂移，无绝对位置	位姿估计、短时定位	低（数十~数百）
毫米波雷达	穿透雨雪、测速准	角度分辨率低，无高度信息	自适应巡航、盲区检测	中（数百~数千）

三、选型指南：我踩过的坑

选传感器这件事，我吃过不少亏。这里分享几个避坑指南：

1. 激光雷达：别只看线数

我曾经选了一款16线激光雷达，觉得够用了。结果在室外强光下，探测距离直接缩水一半。后来才发现，激光雷达的“抗环境光干扰能力”比线数更重要。建议选带“多回波”技术的型号。

2. 摄像头：帧率不是越高越好

很多人觉得摄像头帧率越高越好。其实不然。我做过一个项目，用了120fps的摄像头，结果CPU被图像处理占满了，IMU数据都来不及处理。嗯，这里要注意：帧率要和你的算力匹配。一般30fps就够用。

3. IMU：别买太便宜的

便宜的IMU，温漂大得离谱。我试过一款几十块的IMU，开机十分钟，角度就偏了5度。做融合定位时，这误差根本没法补偿。建议至少用工业级的IMU，比如BMI088或ICM-20948。

4. 毫米波雷达：注意“多径效应”

毫米波雷达在隧道或高楼密集区，容易产生多径反射。我遇到过雷达突然报前方有障碍物，结果啥也没有。后来加了“置信度过滤”才解决。选型时，优先选带“多径抑制”算法的型号。

四、知识体系总览

下面这张图，是我们这门课的核心知识结构。你可以把它当作一张“作战地图”。

从这张图你可以看到，整个知识体系分为四层：

1. 传感器层：选对硬件是基础。
2. 数据预处理：时间同步和空间标定，这是融合的前提。我见过太多人跳过这步，结果后面全白干。
3. 融合算法层：松耦合、紧耦合、深度耦合，各有适用场景。后面我们会逐一实战。
4. 输出层：最终要解决的实际问题。

五、课程实战路线

这门课，我会带着大家从零开始，搭建一个完整的多传感器融合系统。具体来说：

• 第1-5章：硬件选型与ROS2环境搭建。我会手把手教你配置传感器驱动。
• 第6-15章：单传感器数据处理。先搞定激光雷达SLAM、视觉里程计、IMU预积分。
• 第16-25章：多传感器融合实战。从松耦合的EKF，到紧耦合的因子图优化。
• 第26-30章：工程落地与优化。包括性能调优、故障诊断、实车测试。

好了，第一讲就到这里。下一讲，我们开始搭建ROS2开发环境，把传感器驱动跑起来。