第一章：传感器基础与选型
各位同学好，我是老张。做了十几年多传感器融合，今天咱们聊聊最基础但也最容易被忽视的问题——传感器选型。
说实话，我见过太多项目死在第一步。传感器选错了，后面算法调得再好也白搭。你想想看，一个激光雷达的视场角只有90度，你非要它覆盖180度的场景，这不是为难它吗？
1.1 常见传感器类型概览
先说说市面上主流的几种传感器。我按使用频率排个序，大家心里有个数。
- IMU（惯性测量单元）：包含加速度计和陀螺仪。我习惯把它比作「人体的前庭系统」——感知自身运动状态，但会随时间漂移。
- 摄像头：视觉传感器，获取纹理和颜色信息。说白了就是「眼睛」，但怕暗、怕强光。
- 激光雷达（LiDAR）：通过激光束测距，生成点云。精度高，但贵，而且怕雨雾。
- 毫米波雷达：发射毫米波，测距测速。穿透性好，但角分辨率低。
- 超声波传感器：近距离测距，成本低。常用于泊车辅助，但受温度影响大。
嗯，这里要注意：没有完美的传感器。每种都有短板，所以才需要融合。
核心观点：传感器融合的本质，是用一种传感器的长处去弥补另一种传感器的短处。
1.2 性能指标对比
选型不能光看参数表，得看实际场景。我整理了一张对比表，大家收藏好。
| 指标 | IMU | 摄像头 | 激光雷达 | 毫米波雷达 | 超声波 |
|---|---|---|---|---|---|
| 测距范围 | 无（仅姿态） | 0.1-100m（受光照） | 0.1-200m | 0.5-250m | 0.2-5m |
| 精度 | 中（漂移） | 中（像素级） | 高（cm级） | 中（m级） | 低（cm级） |
| 角分辨率 | 高 | 高 | 中 | 低 | 极低 |
| 抗干扰能力 | 强 | 弱（光照） | 中（雨雾） | 强 | 中（温度） |
| 成本 | 低 | 低-中 | 高 | 中 | 极低 |
| 数据率 | 100-1000Hz | 30-60Hz | 10-20Hz | 20-50Hz | 10-50Hz |
为什么会这样？你看激光雷达精度高，但数据率低。IMU数据率高，但会漂移。这就是互补性。
个人经验：我在做自动驾驶项目时，曾经只用激光雷达做定位，结果遇到隧道场景直接抓瞎。后来加了IMU做航位推算，问题才解决。记住：单一传感器永远有盲区。
1.3 选型方法论
选型不是拍脑袋，我总结了一套「三步法」。
第一步：明确需求
- 你要感知什么？距离？速度？姿态？还是语义信息？
- 工作环境如何？室内/室外？白天/黑夜？雨雾/晴朗？
- 成本预算多少？量产还是原型验证？
第二步：匹配指标
举个例子。如果你要做自动泊车，超声波就够了。但要做高速自动驾驶，激光雷达+毫米波雷达+摄像头是标配。
第三步：考虑融合可行性
这一点很多人忽略。不同传感器的数据格式、时间戳、坐标系都不一样。选型时就要想好怎么对齐。
避坑指南：我曾经选了一款激光雷达，点云频率是10Hz，但摄像头是30Hz。融合时时间戳对不上，最后只能降采样，白白损失了信息。所以选型时一定要考虑数据同步问题。
1.4 知识体系结构图
下面这张图，是我自己画的。它把传感器选型的核心逻辑串起来了。
1.5 实战案例：一个典型的选型过程
我拿一个实际项目举例。去年做园区无人配送车，需求是这样的：
- 速度不超过15km/h
- 需要避障和路径规划
- 预算控制在5000元以内
- 室内外混合场景
我的选型方案：
- 主传感器：单线激光雷达（RPLIDAR A2），成本800元，测距12m，够用。
- 辅助传感器：IMU（MPU6050），成本20元，用于姿态估计和短时定位。
- 避障补充：4个超声波传感器，成本40元，覆盖近距离盲区。
- 视觉可选：USB摄像头，成本100元，用于二维码识别。
你看，总成本不到1000元，但功能齐全。为什么没选毫米波雷达？因为车速慢，激光雷达够用了。为什么没选高精度IMU？因为融合算法可以补偿漂移。
总结一下：选型不是堆料，是权衡。多花点时间在需求分析上，后面能省很多麻烦。
好了，这一章就到这里。传感器选型是融合系统的基础，地基打牢了，后面才好盖楼。