4、深度相机关键参数解析：分辨率、帧率、精度、量程、视场角、环境光鲁棒性等选型指标
深度相机的选型本质上是一个多目标约束下的系统工程问题。面对结构光、ToF、双目立体视觉等不同技术路线，工程师往往被厂商宣传册上的峰值参数所吸引，却在实际部署时遭遇精度漂移、帧率不足或环境光干扰等困境。本章将逐一拆解分辨率、帧率、精度、量程、视场角与环境光鲁棒性六大核心指标，厘清它们之间的物理制约关系，并给出可落地的选型判断方法。
上述关联图揭示了选型时的核心矛盾：没有任何一款相机能在所有指标上同时达到最优。例如，高分辨率往往意味着更大的数据吞吐量，从而限制帧率上限；而追求更远的量程则可能牺牲近距精度。因此，选型的第一步不是看单个参数，而是明确应用场景对六大指标的优先级排序。
4.1 分辨率与帧率：空间与时间的权衡
核心原理
分辨率决定了深度图的空间采样密度，即每个像素对应的物理尺寸。以结构光相机为例，其深度分辨率通常与红外投影模组的散斑密度及IR传感器分辨率直接相关。帧率则决定了时间采样密度，直接影响动态场景的捕捉能力。两者共同受限于接口带宽（如USB 3.0理论带宽5Gbps，实际有效约3.2Gbps）和芯片处理能力（ISP/深度引擎的算力）。
判断方法
在选型时，建议采用以下计算流程：
- 计算单帧数据量：深度图数据量 = 分辨率宽度 × 高度 × 像素位深（通常16bit，即2字节）。例如640×480@16bit = 614,400字节 ≈ 0.6MB。
- 估算最大帧率：最大帧率 ≈ 有效带宽 / 单帧数据量。以USB 3.0有效带宽3.2Gbps（400MB/s）计算，640×480@16bit的理论极限帧率约为650fps，但实际受限于传感器读出速度和深度引擎处理延迟，通常只能达到30-60fps。
- 确认应用需求：静态抓取场景（如工件定位）30fps足够；而AGV避障或运动物体抓取建议≥60fps；高速分拣（传送带速度>1m/s）可能需要90fps以上。
案例拆解：传送带动态抓取的分辨率与帧率匹配
某3C装配线需要抓取传送带上移动的螺丝刀批头，传送带速度0.5m/s，目标最小特征尺寸为2mm（批头十字槽）。相机安装高度500mm，视场角水平60°。经计算，在500mm高度下水平视场宽度约为577mm，若要求最小特征覆盖至少3个像素，则所需水平分辨率为577mm / (2mm/3) ≈ 866像素，故选择1280×1024分辨率。帧率方面，目标在视场内的停留时间约为577mm / 500mm/s ≈ 1.15s，但为了捕捉运动中的清晰深度图，要求目标在相邻两帧间的位移不超过1个像素，即帧率 ≥ 0.5m/s / (577mm/1280) ≈ 1109fps，这显然不现实。实际方案改为：降低视场角至30°，视场宽度缩至268mm，此时帧率需求降至约477fps，仍过高。最终采用“低分辨率高帧率”策略：将分辨率降至640×480，视场角收窄至25°，视场宽度223mm，帧率需求约143fps，选用支持640×480@200fps的ToF相机，配合外部触发与编码器同步，成功实现稳定抓取。
4.2 精度与量程：物理极限与标定能力
核心原理
深度精度通常用均方根误差（RMSE）或绝对误差表示，单位为毫米。对于结构光和ToF，精度与量程呈非线性关系——距离越远，精度越差。以ToF为例，其测距误差与飞行时间测量的信噪比相关，而信噪比随距离平方衰减。双目视觉的精度则主要受基线长度和分辨率限制：深度误差 ≈ (距离² × 视差误差) / (基线 × 焦距)。这意味着距离翻倍，误差增大4倍。
判断方法
选型时需关注厂商提供的精度曲线，而非单一精度值。正确的做法是：
- 索取“精度-距离”曲线图，观察在目标工作距离处的实际精度。
- 区分重复精度（同一位置多次测量的标准差）与绝对精度（与真值的偏差）。对于相对测量（如缺陷检测），重复精度更重要；对于绝对定位（如机器人抓取），绝对精度更关键。
- 检查是否包含温度漂移补偿。ToF相机在温度变化时，激光器波长和传感器响应会漂移，导致精度劣化。
| 技术路线 | 典型量程 | 典型精度(在最佳距离) | 精度衰减趋势 |
|---|---|---|---|
| 结构光(短距离) | 0.1 - 3m | ±0.1 - 1mm | 距离>1.5m后快速恶化 |
| ToF(中距离) | 0.3 - 6m | ±1 - 10mm | 随距离平方恶化 |
| 双目立体视觉 | 0.2 - 10m+ | ±0.5 - 5mm(取决于基线) | 随距离平方恶化，但可通过长基线缓解 |
| 激光三角法 | 0.01 - 1m | ±0.01 - 0.1mm | 量程极短，精度极高 |
常见误区
一个典型误区是混淆“分辨率”与“精度”。例如某相机深度分辨率为0.1mm（即深度值最小变化单位），但实际测量误差可能达到±2mm。分辨率是量化步长，精度是综合误差，两者无直接关系。另一个误区是忽略多机干扰——在多台ToF或结构光相机同时工作时，相互间的光信号干扰会导致精度骤降，选型时需确认是否支持干扰抑制功能。
4.3 视场角与空间分辨率：覆盖范围与细节的平衡
核心原理
视场角（FOV）决定了相机的空间覆盖范围，分为水平FOV、垂直FOV和对角FOV。在固定分辨率下，FOV越大，每个像素对应的物理尺寸越大，即空间分辨率越低。空间分辨率（mm/pixel）的计算公式为：水平空间分辨率 = 2 × 工作距离 × tan(水平FOV/2) / 水平像素数。例如，工作距离1m，水平FOV 60°，水平像素1280，则空间分辨率约为0.9mm/pixel。
判断方法
选型时建议按以下步骤操作：
- 确定最小可检测特征：根据检测目标，确定需要多少个像素覆盖最小特征（通常建议≥3×3像素）。
- 反推所需空间分辨率：最小特征尺寸 / 3像素。
- 计算最大允许FOV：FOV = 2 × 工作距离 × tan(所需空间分辨率 × 水平像素数 / (2 × 工作距离))。
- 对比候选相机的FOV：若候选相机FOV小于计算值，则需增加工作距离或选择更高分辨率相机。
总结复盘
视场角与空间分辨率的权衡是选型中最常见的“隐性陷阱”。厂商宣传的“大FOV”往往以牺牲细节为代价。建议在选型表中同时列出“在目标工作距离下的空间分辨率”，而非仅看FOV角度值。此外，注意镜头畸变对边缘空间分辨率的影响——即使中心区域满足要求，边缘可能因畸变导致分辨率下降，需确认相机是否提供畸变校正或选用低畸变镜头。
4.4 环境光鲁棒性：从室内到室外的挑战
核心原理
环境光对深度相机的影响机制因技术路线而异：
- 结构光：依赖投影特定图案，强环境光（尤其是阳光中的红外成分）会淹没投影图案，导致解码失败。
- ToF：通过测量发射光与反射光的相位差计算距离，环境光中的红外成分会增加噪声，降低信噪比。部分ToF采用“解调”技术抑制背景光，但强阳光下仍会饱和。
- 双目立体视觉：被动依赖环境光照明，在弱光或纹理缺失区域（如白墙）无法匹配特征点，但在强光下反而表现更好。
判断方法
评估环境光鲁棒性时，不能只看“是否支持户外”，而应关注：
- 抗阳光能力：查看相机是否内置带通滤光片（仅允许激光波长通过），以及激光功率是否足够。通常ToF相机在100klux阳光直射下精度会下降50%以上。
- 动态范围：相机能否同时处理高亮区域（如窗户）和阴影区域。高动态范围（HDR）模式可缓解此问题，但可能降低帧率。
- 多路径干扰：在镜面、高反光表面（如金属、玻璃）上，光线多次反射会导致深度测量错误。这是所有主动光方案的共性难题。
案例拆解：半户外仓储机器人的环境光适配
某仓储机器人需要在半户外环境（有顶棚但侧向有阳光照射）运行，用于托盘定位。初始选用某消费级结构光相机，在上午10点阳光斜射时，深度图在托盘边缘出现大面积空洞，定位失败。分析发现，阳光中的红外分量（约800-900nm）强度是投影图案的10倍以上，导致散斑不可见。解决方案分两步：第一步，更换为ToF相机（850nm激光，带通滤光片），在同样光照下空洞减少80%，但托盘金属边缘仍有少量多路径误差；第二步，在算法层面对深度图进行边缘修复，结合RGB图像进行边缘拟合，最终定位精度从±15mm提升至±3mm。此案例说明，环境光鲁棒性不仅依赖硬件，还需算法配合。
总结复盘
环境光鲁棒性没有“万能解”。选型时应先明确作业环境的光照范围（室内、半户外、全户外），再选择合适的技术路线。对于室内工业场景，结构光或ToF均可；对于半户外，优先ToF或双目；对于全户外且光照变化剧烈，双目+主动补光是更稳妥的选择。同时，务必在真实光照条件下进行现场测试，而非仅依赖实验室数据。