传感器基础：激光雷达工作原理、深度相机与点云、里程计与IMU、传感器融合基础

做机器人导航，传感器就是我们的「眼睛」和「耳朵」。没有好的感知，再牛的算法也是白搭。今天咱们就聊聊局部规划里最常用的几类传感器，以及怎么把它们「揉」在一起用。

核心观点：单一传感器总有短板，融合才是王道。激光雷达精度高但怕雨雾，相机信息丰富但缺深度，IMU不怕遮挡但会漂移。取长补短，才能让机器人在复杂环境里稳稳当当。

激光雷达，说白了就是「用光来测距」。它发射一束激光，打到物体上反射回来，通过计算时间差或者相位差，就能知道距离。

我个人习惯把激光雷达分成两类：

单线激光雷达：只扫描一个平面，适合室内平地导航。比如RPLIDAR A1/A2，便宜好用，但看不到地面上的坑。
多线激光雷达：同时扫描多个平面，能构建3D点云。比如Velodyne VLP-16，16根激光束，360°覆盖。我在项目中用过它做室外无人车，效果不错，就是价格有点「感人」。

工作原理其实不复杂。以最常见的TOF（飞行时间）法为例：

距离 = (光速 × 飞行时间) / 2

嗯，这里要注意：激光雷达的精度受环境光影响很大。大太阳底下，信噪比会下降。我曾经在正午测试一台单线雷达，结果数据全是噪点，后来加了遮光罩才搞定。

避坑指南：选型时别只看「测距距离」，还要看「测距精度」和「帧率」。室内导航10米够用，但精度最好在±2cm以内。帧率低于10Hz的话，机器人跑快了容易撞墙。

深度相机，就是能告诉你「每个像素离我有多远」的相机。常见的方案有三种：

点云是什么？就是一堆三维坐标点的集合。每个点包含(x, y, z)信息，有时候还有颜色或反射强度。深度相机输出的就是点云数据。

你想想看，点云数据量有多大？一个640×480的深度图，就是30万个点。直接处理肯定扛不住。所以要做预处理：

注意：深度相机在玻璃、镜面、黑色物体上会「失明」。我在项目中遇到过机器人对着玻璃门直接撞上去的情况——因为深度相机测不到玻璃，以为前面是空的。后来加了激光雷达做互补才解决。

里程计，就是估算机器人「走了多远」的模块。最常用的是轮式里程计，通过编码器计算轮子转了多少圈，再换算成位移。

但轮式里程计有个致命问题：打滑。地面有水、有沙，或者急转弯，编码器数据就不准了。误差会累积，跑个几十米就偏得离谱。

IMU（惯性测量单元）就不一样了。它测量加速度和角速度，不依赖外部环境。但IMU也有自己的毛病：

说白了，轮式里程计短期准但长期漂，IMU短期不准但长期稳定（如果做得好）。两者正好互补。

我的经验：IMU上电后一定要做静态初始化，采集几秒钟数据计算零偏。我曾经偷懒没做，结果机器人原地转圈，里程计以为它走了十米远。嗯，从那以后我再也不敢省这一步了。

传感器融合，就是把多个传感器的数据「揉」在一起，得到更准确、更鲁棒的估计。最经典的方法就是卡尔曼滤波。

卡尔曼滤波的核心思想很简单：

举个实际例子。机器人用轮式里程计预测位置，同时用激光雷达匹配地图得到观测位置。卡尔曼滤波会把两者融合：

// 伪代码示意
预测位置 = 上一位置 + 轮式里程计增量
观测位置 = 激光雷达匹配结果
融合位置 = 预测位置 + 卡尔曼增益 × (观测位置 - 预测位置)

卡尔曼增益就是那个「信谁多一点」的权重。它由预测噪声和观测噪声共同决定。

在ROS2里，最常用的融合工具是robot_localization包。它支持多种传感器输入，输出融合后的odom。我一般这样配置：

关键点：传感器融合不是「越多越好」。加一个噪声大的传感器，反而会降低整体精度。我见过有人把三个IMU都怼进去，结果融合出来的数据还不如单个准。选传感器要「精」不要「多」。

最后，用一张图总结本章的知识体系：

这张图把四个传感器和融合的关系画得很清楚。每个传感器都有自己的强项和短板，融合之后才能输出稳定可靠的位姿估计，供局部规划使用。

一句话总结：激光雷达给距离，深度相机给点云，里程计给位移，IMU给姿态。卡尔曼滤波把它们拧成一股绳，机器人才能走得稳、避得开。

可可精品资料库