📚 课程目录第3章传感器基础

3、传感器基础：视觉传感器（相机）模型、激光雷达（LiDAR）原理、编码器与GPS

做传感器融合，第一步不是写代码，而是搞懂你手里的传感器到底在输出什么。我见过太多项目，融合效果不好，最后追根溯源，发现是某个传感器的模型没选对，或者时间戳根本没对齐。这一章，咱们就把几个核心传感器的底裤扒干净。

相机说白了，就是把三维世界投影到二维平面上。这个投影过程，就是相机模型要描述的东西。最常用的是针孔模型。

你想想看，一个小孔，光线穿过它，在后面的感光元件上成像。这就是针孔模型的物理原型。数学上，它用内参矩阵 K 来描述：

K = [fx  0  cx]
    [ 0  fy cy]
    [ 0   0  1]

我的习惯：拿到一个新相机，第一件事就是做标定。别信厂家给的出厂参数，温度、震动、镜头松动都会让内参漂移。我曾经在一个项目中，因为偷懒用了旧标定参数，结果视觉SLAM跑飞了，查了三天才发现是内参变了。

针孔模型是理想情况。实际镜头有畸变，主要是径向畸变和切向畸变。

标定就是求出这些畸变系数，然后对图像做去畸变。嗯，这一步不能省。

内参告诉你“相机怎么看”，外参告诉你“相机在哪儿”。外参是一个 4x4 的变换矩阵，包含旋转 R 和平移 t，把世界坐标系下的点变换到相机坐标系。

在融合中，外参是连接相机和其他传感器（比如LiDAR）的桥梁。这个矩阵的精度，直接决定了融合效果的上限。

LiDAR 的原理其实不复杂：发射激光，打到物体上，反射回来，测量时间差或相位差，算出距离。但工程实现上，门道很多。

类型	原理	优点	缺点
机械式	激光器旋转扫描	360° 视场角，技术成熟	有机械旋转部件，寿命短，成本高
固态式	光学相控阵（OPA）或闪光（Flash）	无运动部件，体积小，可靠性高	视场角有限，技术仍在发展

我个人更看好固态式。虽然现在机械式还是主流，但固态式在车规级可靠性上的优势太明显了。我参与过一个无人配送车项目，机械式LiDAR用了半年就开始出现扫描不均匀的问题，后来换了固态式，省心很多。

LiDAR 输出的是一堆点，每个点包含 (x, y, z, intensity)。这个坐标是在 LiDAR 自身坐标系下的。注意，intensity 是反射强度，不是颜色，但它对区分路面和车道线很有用。

避坑指南：LiDAR 的坐标系定义各家不同。有的用右手系，有的用左手系。Velodyne 和 Hesai 的坐标系就不一样。融合前，一定要统一到同一个坐标系下。我曾经因为没注意这个，把点云投影到图像上，结果全偏了，排查了半天。

编码器是轮式机器人的“腿脚感知”。它告诉你轮子转了多少，从而推算位移。

类型	输出	优点	缺点
增量式	脉冲信号（A、B相）	成本低，结构简单	断电丢失位置，需找零位
式	数字编码（格雷码等）	断电不丢失位置，抗干扰强	成本高，分辨率受位数限制

在机器人领域，增量式编码器用得更多，因为便宜。但要注意，它只能测相对位移，不能测位置。所以通常会和IMU或GPS融合，来修正累积误差。

编码器输出的是脉冲。要得到速度，需要知道两个参数：

公式很简单：速度 = (脉冲数 / PPR) * π * 直径 / 时间间隔。但实际中，轮子会打滑，所以编码器推算的位置会漂移。这就是为什么需要融合其他传感器。

我的经验：编码器数据一定要做低通滤波。因为轮子在地面上滚动，会有高频振动，这些振动会混入脉冲信号中，导致速度估计噪声很大。我一般用截止频率 5-10Hz 的一阶低通滤波器。

GPS 是室外定位的基石。但很多人对它有误解，以为它无所不能。其实，GPS 的局限很明显。

简单说，就是卫星发信号，接收机算时间差，然后解算出位置。至少需要 4 颗卫星才能解算出三维位置（经度、纬度、高度）。

普通 GPS 的精度在 2-5 米，这显然不够自动驾驶用。所以需要差分 GPS（RTK）或 PPP 技术，才能达到厘米级精度。

GPS 输出的是 WGS-84 坐标系下的经纬度。但我们在做融合时，通常需要平面坐标（比如 UTM 坐标系）。所以需要做投影转换。

注意，UTM 坐标系有分区，不同分区的投影变形不一样。跨区作业时，要小心处理。

避坑指南：GPS 的更新频率通常是 10Hz，但 LiDAR 和相机可能是 20Hz 或 30Hz。而且 GPS 的时间戳往往有延迟，因为接收机内部处理需要时间。我曾经遇到过 GPS 时间戳比实际时间晚了 100ms 的情况，导致融合结果出现明显的滞后。所以，一定要做时间戳的校准。

下面这张图，把本章的核心知识点串起来了。你可以看到，每个传感器都有自己的坐标系和输出，而融合的核心，就是把这些数据统一到同一个时空基准下。