传感器基础（上）：3D激光雷达与IMU的工作原理

各位同学，欢迎来到《点云与IMU融合定位实战教程》的第一章。我是你们的老朋友，一个在SLAM和机器人定位领域摸爬滚打了十来年的工程师。今天咱们不聊虚的，直接切入正题——传感器。

做融合定位，说白了就是让机器人知道“我在哪”。而“我在哪”这个问题的答案，全靠传感器喂数据。你想想看，如果传感器数据都是错的，后面算法再牛也白搭。所以，这一章我们得把激光雷达和IMU这两个核心传感器的底裤扒干净。

1. 3D激光雷达工作原理

激光雷达，英文叫LiDAR，全称是Light Detection And Ranging。说白了，它就是通过发射激光束，测量激光从发射到反射回来的时间差，从而算出目标物体的距离。这个原理跟雷达一样，只不过雷达用电磁波，激光雷达用光波。

我个人习惯把激光雷达分成两大类：机械式和固态。这两种在工程实践中差异巨大，选型时一定要搞清楚。

1.1 机械式激光雷达

机械式激光雷达，顾名思义，就是有机械旋转部件的。它通过一个电机带动激光发射器和接收器旋转，实现360°的水平扫描。垂直方向则通过多线束（比如16线、32线、64线）来覆盖不同的俯仰角。

我记得2016年刚入行时，用的就是Velodyne的HDL-64E。那家伙个头大、价格贵，但数据质量是真的好。机械式雷达的优点是视场角大（水平360°），点云密度高。缺点也很明显——有机械磨损，寿命有限，而且怕震动。

1.2 固态激光雷达

固态激光雷达没有机械旋转部件。它通过光学相控阵（OPA）或微机电系统（MEMS）来实现光束的偏转扫描。说白了，就是用电子方式控制激光束的方向，而不是靠电机转。

固态雷达的优势是体积小、重量轻、寿命长、抗震动。但缺点也很要命——视场角通常比较小（水平120°左右），而且容易受到环境光干扰。目前市面上主流的固态雷达，比如Livox的Horizon系列，在低速机器人上用得比较多。

嗯，这里要注意：固态雷达的点云分布不均匀，中心区域密度高，边缘密度低。做特征提取时，一定要考虑这个特性，否则容易在边缘区域丢失特征。

2. 点云数据格式

激光雷达采集到的原始数据，就是一堆三维空间中的点。每个点通常包含(x, y, z)坐标，以及强度值（intensity）。这些数据需要以某种格式存储和传输。工程中最常见的两种格式是PCD和BIN。

2.1 PCD格式

PCD是Point Cloud Data的缩写，是PCL库（Point Cloud Library）的标准格式。它的特点是可读性强，文件头部包含点云的基本信息，比如点数、字段类型、宽度高度等。

# .PCD v0.7 - Point Cloud Data file format
VERSION 0.7
FIELDS x y z intensity
SIZE 4 4 4 4
TYPE F F F F
COUNT 1 1 1 1
WIDTH 1000
HEIGHT 1
VIEWPOINT 0 0 0 1 0 0 0
POINTS 1000
DATA ascii
1.0 2.0 3.0 100
2.0 3.0 4.0 200
...

我个人习惯在调试阶段用PCD格式，因为可以直接用文本编辑器打开看，方便排查问题。但PCD的缺点是文件体积大，尤其是用ASCII格式存储时，一个100万点的点云文件可能上百MB。

2.2 BIN格式

BIN格式就是二进制格式。它没有头部信息，直接存储原始数据。每个点通常用4个float（x, y, z, intensity）表示，共16字节。KITTI数据集用的就是这种格式。

// 读取BIN格式点云的C++代码示例
std::ifstream file("pointcloud.bin", std::ios::binary);
std::vector<float> buffer(4 * num_points);
file.read(reinterpret_cast<char*>(buffer.data()), buffer.size() * sizeof(float));

// 解析为点云
pcl::PointCloud<pcl::PointXYZI> cloud;
for (size_t i = 0; i < num_points; ++i) {
    pcl::PointXYZI point;
    point.x = buffer[i * 4];
    point.y = buffer[i * 4 + 1];
    point.z = buffer[i * 4 + 2];
    point.intensity = buffer[i * 4 + 3];
    cloud.push_back(point);
}

3. IMU工作原理

IMU，全称Inertial Measurement Unit，惯性测量单元。它内部集成了加速度计和陀螺仪，分别测量物体的线加速度和角速度。IMU的采样频率通常很高（100Hz-1000Hz），但它的致命弱点是——有漂移。

3.1 加速度计

加速度计测量的是物体在三个轴上的线加速度。注意，它测量的是“比力”，也就是物体受到的合力减去重力。所以，当IMU静止时，加速度计读到的不是0，而是重力加速度g（约9.8 m/s²）。

为什么会这样？因为加速度计的敏感质量受到重力作用，会产生一个等效的加速度。这个特性在做姿态解算时非常有用——我们可以通过加速度计在水平方向的分量来估计俯仰角和横滚角。

3.2 陀螺仪

陀螺仪测量的是物体绕三个轴的角速度。它基于科里奥利力原理，通过检测振动质量块在旋转时产生的位移来测量角速度。

陀螺仪的数据相对干净，但它的漂移问题比加速度计更严重。你想想看，角速度积分得到角度，哪怕只有0.01 rad/s的零偏，积分10秒后就有0.1 rad的误差，约5.7°。这个误差会随时间累积，越来越大。

4. IMU测量模型与噪声特性

IMU的测量模型，说白了就是描述“真实值”和“测量值”之间关系的数学表达式。我们通常用以下模型来描述：

加速度计模型：

a_meas = a_true + b_a + n_a + s_a * a_true + ...

陀螺仪模型：

ω_meas = ω_true + b_g + n_g + s_g * ω_true + ...

其中：

• b_a, b_g：零偏（bias），随时间缓慢变化
• n_a, n_g：白噪声（white noise），高频随机波动
• s_a, s_g：尺度因子（scale factor），通常很小，可以忽略

在实际工程中，我们最关心的是零偏和白噪声。零偏会导致积分后的位置和姿态产生二次项误差，白噪声则产生一次项误差。

4.1 Allan方差分析

如何量化IMU的噪声特性？业界标准方法是Allan方差分析。它通过计算不同时间尺度上的方差，来分离出白噪声、零偏不稳定性、随机游走等噪声成分。

噪声类型	Allan方差斜率	物理含义
角度/速度随机游走	-1/2	白噪声积分后的结果
零偏不稳定性	0	零偏随时间缓慢变化的幅度
速率随机游走	+1/2	零偏的长期漂移
量化噪声	-1	AD转换的量化误差

嗯，这里要注意：Allan方差分析需要采集长时间的静态数据（通常1-2小时），然后对数据进行分段处理。我建议在IMU选型阶段，一定要让供应商提供Allan方差曲线，或者自己动手测一下。

本章小结

好了，这一章我们聊了激光雷达和IMU的工作原理。机械式雷达适合大范围、高精度的场景，固态雷达适合小型化、抗震动的场景。点云格式方面，PCD适合调试，BIN适合量产。IMU方面，加速度计和陀螺仪各有各的脾气，零偏和白噪声是我们要重点对付的敌人。

下一章，我们会深入传感器标定和同步的内容。到时候我会分享一些实战中的标定技巧，保证让你少走弯路。