传感器基础与特性：常见传感器类型与误差模型

做多传感器融合，第一步不是写代码，而是摸清每个传感器的脾气。我见过太多人一上来就调卡尔曼滤波，结果数据源本身就有问题，后面全是白费功夫。今天咱们就聊聊这些传感器的底细。

IMU 包含加速度计和陀螺仪，有的还带磁力计。它测量的是自身的加速度和角速度，说白了就是「自己感觉自己在怎么动」。

误差模型：IMU 的误差分几类——零偏（bias）、尺度因子（scale factor）、随机游走（random walk）。零偏是最头疼的，你静止放着它，输出却不是零。我有个项目里，IMU 的零偏温度漂移特别大，开机前十分钟数据根本不能用。

关键参数：

为什么会这样？因为 MEMS 工艺的物理限制。温度变化、振动、甚至电路噪声都会影响。我建议你拿到 IMU 后先做静态采集，算一下 Allan 方差，这样心里有底。

GPS 提供绝对位置，但更新频率低（通常 10Hz），而且容易受遮挡影响。在城市峡谷里，信号多路径效应会让你定位飘到马路对面去。

误差来源：

嗯，这里要注意：GPS 的误差不是白噪声，而是有相关性的。你想想看，如果直接用原始数据做融合，位置会一跳一跳的。我习惯先用 RTK 或者差分 GPS 来消除公共误差，实在不行就用伪距和载波相位联合解算。

避坑指南：我曾经在隧道里做测试，GPS 信号完全丢失，融合算法直接发散。后来我加了 IMU 的零速检测和 GPS 信号质量判断，才稳住。记住：GPS 不是可靠的连续定位源。

摄像头提供丰富的语义信息，但它是被动传感器，依赖环境光照。说白了，晚上或者逆光时，效果会大打折扣。

误差模型：

我个人习惯在融合前先做畸变校正和去噪。你想想看，如果特征点提取的位置就有 2 个像素的误差，那三角化出来的深度误差可能达到几米。

关键点：摄像头是「相对测量」传感器。它告诉你特征点移动了多少像素，但不知道绝对尺度。所以和 IMU 融合时，需要估计尺度因子。

激光雷达直接测量距离，精度高，但成本也高。它发射激光束，测量反射时间，得到点云数据。

误差特性：

我记得有一次在雨雾天测试，激光雷达的点云密度直接下降了一半。嗯，这时候如果你还按正常情况做匹配，定位肯定飘。我建议加一个天气检测模块，动态调整激光雷达的权重。

注意：激光雷达的误差在近距离和远距离不一样。近距离精度高，远距离因为光束发散，误差会增大。融合时最好根据距离给不同的置信度。

毫米波雷达用电磁波测距和测速，对天气不敏感，但角度分辨率低。说白了，它能告诉你「前面有东西」，但说不清「具体是什么」。

误差模型：

为什么会这样？因为毫米波雷达的波束宽度大，角度分辨率天然受限。我做过一个项目，用 77GHz 雷达检测行人，结果人和旁边的金属栏杆混在一起，根本分不开。后来加了 CFAR 检测和聚类算法才解决。

传感器	测量类型	更新频率	主要误差	环境敏感性
IMU	加速度、角速度	100~1000 Hz	零偏、随机游走	温度、振动
GPS	位置、速度	1~20 Hz	多路径、电离层	遮挡、天气
摄像头	图像、特征	15~60 Hz	畸变、运动模糊	光照、纹理
激光雷达	距离、点云	5~20 Hz	测距、角度	雨雾、反射率
毫米波雷达	距离、速度	10~50 Hz	角度、多目标	低（全天候）

下面这张图展示了本章的核心逻辑：每种传感器都有独特的误差特性，融合的本质就是取长补短。

这张图把本章的核心逻辑串起来了。你看，每种传感器都有自己的「短板」，融合的目的就是让它们互相弥补。比如 IMU 短时精度高但会漂移，GPS 绝对位置准但更新慢，两者结合就能得到稳定又准确的定位。

好了，传感器的基础就聊到这儿。记住一句话：没有完美的传感器，只有聪明的融合策略。