3. 噪声来源分析：环境、运动与传感器误差

做SLAM这么多年，我见过太多定位漂移的案例了。说白了，漂移就是噪声累积的结果。你想想看，传感器采集的数据本身就不完美，再加上环境干扰和运动过程中的各种不确定性，误差就像滚雪球一样越滚越大。

这一节，咱们就掰开揉碎，把噪声的三个主要来源讲清楚。我个人习惯把噪声分为三类：环境噪声、运动噪声、传感器自身误差。搞清楚它们，你才能对症下药。

3.1 环境噪声：你永远无法控制的外部世界

环境噪声是最让人头疼的。因为它是外部因素，你没法改变它，只能适应它。

3.1.1 光照变化

我在做室内机器人项目时，遇到过最典型的问题就是光照突变。比如机器人从走廊拐进窗户边，阳光直射进来，激光雷达的反射强度瞬间变化，点云里就会出现大量离群点。

• 强光干扰：太阳光中的红外成分会干扰激光雷达的接收器，导致测距值偏大或丢失。
• 阴影区域：光线不足时，视觉SLAM的特征点提取会变得不稳定，点云稀疏且噪声多。
• 动态光源：比如有人开灯关灯，或者路过时手电筒晃了一下，都会造成点云局部失真。

3.1.2 动态物体

动态物体是SLAM的大敌。行人、车辆、飘动的窗帘、甚至飞过的昆虫，都会在点云里留下“鬼影”。

• 行人干扰：我在商场机器人项目里，点云里经常出现半个人形——因为行人移动速度快，激光扫描时只扫到一半。
• 车辆经过：室外场景中，车辆驶过会带起大量灰尘和碎屑，这些颗粒在点云里表现为随机噪声点。
• 植被摆动：风吹树叶时，点云里的叶子位置每帧都在变，如果你用静态地图匹配，定位就会来回跳。

3.1.3 反射与吸收

不同材质对激光的反射率差异很大。黑色物体吸收激光，镜面物体反射激光，都会造成测距异常。

3.2 运动噪声：机器人自己制造的麻烦

运动噪声，说白了就是机器人动起来之后，传感器数据开始“打架”。

3.2.1 运动畸变

激光雷达扫描一圈需要时间（比如10Hz的雷达，一圈100ms）。如果机器人在这100ms内移动了，那么点云里的点就不是在同一时刻采集的——这就叫运动畸变。

• 旋转畸变：机器人转弯时，点云里的墙壁会变成弧形。
• 平移畸变：机器人直线加速时，点云里的物体被拉长或压缩。

3.2.2 振动与抖动

机器人底盘、电机、甚至路面不平都会引起振动。振动会导致传感器坐标系瞬间偏移，点云里出现重复或错位的点。

• 低频振动：比如机器人过减速带，点云整体抖动一下。
• 高频振动：电机运转时的微小震动，点云里出现细碎的噪声点。

3.2.3 急停与加速

机器人急停时，惯性会导致传感器短暂位移。加速时，电机电流突变也会产生电磁干扰。这些都会在点云里引入瞬态噪声。

3.3 传感器误差：硬件天生的“缺陷”

传感器不是完美的。每个传感器都有出厂标定误差，而且随着使用时间增加，误差还会漂移。

3.3.1 激光雷达误差

• 测距噪声：激光雷达的测距值服从高斯分布，标准差通常在1-3cm左右。远距离时噪声会更大。
• 角度分辨率：比如16线激光雷达，垂直角度分辨率只有2°，远处物体的点云会非常稀疏。
• 多路径效应：激光打到玻璃上，反射到墙壁再回来，测距值会偏大。

3.3.2 IMU误差

IMU的误差是累积的。加速度计有零偏，陀螺仪有漂移。我做过一个测试：把IMU静止放在桌上，10分钟后角度漂移了5°。

• 零偏稳定性：每次开机IMU的零偏都不一样，需要做在线标定。
• 温度漂移：IMU温度升高时，零偏会缓慢变化。
• 白噪声：高频噪声，可以通过低通滤波抑制。

3.3.3 相机误差

• 镜头畸变：广角镜头边缘的畸变，如果不校正，点云会变形。
• 卷帘快门：CMOS相机逐行曝光，快速运动时图像会扭曲。
• 像素噪声：暗光环境下，像素值随机波动，特征点提取不稳定。

3.4 知识体系总览

下面这张图，是我自己总结的噪声来源分析框架。你可以把它当作一个检查清单，遇到漂移问题时，按图索骥去找原因。

3.5 如何快速定位噪声来源？

在实际项目中，我一般按这个顺序排查：

1. 先看传感器：检查标定文件是否过期，IMU是否预热到位。
2. 再看运动：机器人是否在急停或高速运动？有没有振动？
3. 最后看环境：光照有没有变化？周围有没有动态物体？

嗯，这里要注意：很多时候噪声是叠加的。比如你在室外强光下高速运动，环境噪声和运动噪声同时存在，这时候就需要组合滤波策略了。下一节我们会讲具体的滤波方法，但前提是你得先知道噪声从哪来。

可可精品资料库