3. 传感器基础：IMU、轮式里程计、激光雷达、相机
做定位失效下的目标跟踪，说白了就是跟传感器打交道。你想想看，机器人没了定位，就像人蒙上眼睛走路——全靠手里的拐杖去探路。这四类传感器，就是我们的拐杖。
我个人习惯把传感器分成两类：本体感知和环境感知。IMU和轮式里程计属于前者，告诉你「我动了多少」；激光雷达和相机属于后者，告诉你「周围有什么」。两者结合，才能在没有绝对定位的情况下，把目标盯住。
3.1 IMU：惯性测量单元
IMU这东西，我刚开始接触时觉得它挺神奇的。三轴加速度计加三轴陀螺仪，就能算出姿态和位置。但实际用起来，嗯，坑不少。
核心原理：加速度计测比力，陀螺仪测角速度。通过积分，得到速度和位置。
举个例子，你拿着手机水平放置，加速度计读出来的是(0, 0, 9.8)——因为重力在Z轴。但如果你在车上，加速时X轴就会有读数。陀螺仪呢，测的是旋转角速度，积分后得到角度。
IMU的致命弱点：漂移。我在项目中遇到过，一个低成本的MEMS IMU，纯积分10秒钟，位置误差就能到米级。为什么会这样？因为加速度计噪声积分一次变速度误差，再积分一次变位置误差——误差随时间平方增长。
避坑指南：我曾经在AGV项目里只用IMU做短时定位，结果30秒后位置偏了2米。后来加了轮式里程计约束，才把漂移压下来。记住：IMU只能做短时（<5秒）的位姿递推，长时必须融合其他传感器。
3.2 轮式里程计
轮式里程计，说白了就是通过轮子转了多少圈，算出车走了多远。原理简单，但实用价值极高。
公式很简单：
位移 = 轮子周长 × 编码器脉冲数 / 每圈脉冲数对于差速轮机器人，左右轮速度不同，还能算出转弯角度：
角速度 = (右轮速度 - 左轮速度) / 轮距优点：短时精度高，不漂移。你想想看，轮子转一圈就是一圈，不会像IMU那样积分漂移。
缺点：打滑！我在仓库项目里遇到过，地面有油渍，轮子空转，里程计显示走了1米，实际只动了0.3米。还有轮胎磨损、气压变化，都会影响精度。
我的经验：轮式里程计适合做短时（<10米）的相对位移估计。配合IMU做航位推算（Dead Reckoning），效果比单独用任何一个都好。我习惯用扩展卡尔曼滤波把两者融合，IMU提供高频姿态，轮式里程计提供低频位置修正。
3.3 激光雷达
激光雷达，我愿称之为「最可靠的环境传感器」。为什么？因为它直接测距，不依赖光照，精度高。
工作原理很简单：发射激光，接收反射光，根据时间差算距离。2D激光雷达扫一个平面，3D激光雷达扫多个平面，形成点云。
在目标跟踪中的应用：
- 检测：通过点云聚类，找到目标物体
- 跟踪：利用连续帧的点云匹配（如ICP），估计目标运动
- 建图：即使定位失效，激光雷达也能做局部SLAM，维持相对坐标系
我记得有个项目，机器人在室内走廊里定位完全丢失，但靠激光雷达的scan-to-scan匹配，硬是把目标跟了200米。为什么能做到？因为走廊结构特征明显，激光雷达每帧都能找到对应关系。
关键参数：
| 参数 | 说明 | 我的建议 |
|---|---|---|
| 扫描频率 | 10Hz-100Hz | 目标跟踪至少20Hz |
| 角分辨率 | 0.1°-1° | 越小越好，但数据量也大 |
| 测量噪声 | ±1cm-±5cm | 室内场景±2cm够用 |
避坑指南：我曾经在玻璃幕墙环境里吃过亏。激光打到玻璃上，要么透射过去没回波，要么反射到别处产生虚假点。后来加了反射强度滤波，才把误检降下来。
3.4 相机
相机，信息最丰富，但也是最难伺候的传感器。一张图像里几百万像素，但怎么从中提取有用信息，是个大问题。
相机类型：
- 单目：一个摄像头，没有深度信息。需要靠运动恢复结构（SfM）
- 双目：两个摄像头，通过视差算深度。基线越长，测距越远
- RGB-D：直接输出深度图，但受光照和距离限制
在目标跟踪里，相机主要做两件事：
- 目标检测：用YOLO等算法，从图像里框出目标
- 目标跟踪：用光流或特征匹配，跟踪目标在图像中的运动
我个人的经验是：相机+激光雷达是最佳组合。激光雷达提供精确的距离和几何信息，相机提供丰富的语义信息（颜色、纹理、类别）。两者融合，才能在定位失效时依然稳健地跟踪目标。
我的习惯：在项目中，我会把相机图像投影到激光雷达点云上，给每个点赋予颜色信息。这样既有了3D位置，又有了视觉特征。目标跟踪时，用点云做几何匹配，用图像做重识别——万一跟丢了，还能靠颜色找回来。
3.5 传感器融合策略
单独用哪个传感器都有短板。IMU漂移、轮式打滑、激光雷达受材质影响、相机怕光照变化。所以，融合才是王道。
我常用的融合框架：
1. 高频（100Hz）：IMU做姿态预测
2. 中频（20Hz）：轮式里程计做位置预测
3. 低频（10Hz）：激光雷达/相机做观测更新当定位失效时，我会切换到相对定位模式：
- 用IMU+轮式里程计做短时航位推算
- 用激光雷达的scan-to-scan匹配做局部约束
- 用相机的视觉里程计做辅助
- 三者通过因子图优化，输出相对位姿
说白了，就是「不求知道自己在哪，但求知道目标在哪」。这个思路，在我做过的多个项目中都验证有效。
这张图展示了我常用的融合架构。注意看，所有传感器数据都汇入融合模块，输出的是相对位姿——不是全局坐标，而是相对于上一时刻的位移和旋转。这样即使全局定位丢了，目标跟踪也不会断。
核心要点：
- IMU提供高频姿态，但会漂移
- 轮式里程计提供短时位置，但会打滑
- 激光雷达提供精确距离，但受材质影响
- 相机提供语义信息，但怕光照变化
- 融合后，取长补短，才能应对定位失效场景
好了，传感器基础就聊到这儿。下一章我们会深入讲IMU的数学模型和标定方法——嗯，那才是真正让人头疼的地方。