传感器基础与分类：惯性传感器（IMU）、视觉传感器（摄像头）、激光雷达（LiDAR）、毫米波雷达、超声波传感器
各位同学，今天我们来聊聊多传感器融合的「家底」——也就是那些我们天天打交道的传感器们。说实话，我做了十几年嵌入式，见过太多项目因为选错传感器或者没吃透传感器特性而翻车。嗯，今天咱们就把这五种主流传感器掰开揉碎了讲清楚。
1. 惯性传感器（IMU）—— 融合方案的「内耳」
IMU，全称Inertial Measurement Unit，说白了就是加速度计+陀螺仪的组合。有时候还会加上磁力计，那就是九轴了。我个人习惯把IMU比作人的内耳前庭系统——它感知的是「自己」的运动，不依赖外界信号。
核心参数速查表：
| 传感器 | 测量量 | 典型精度 | 采样率 |
|---|---|---|---|
| 加速度计 | 线加速度 (m/s²) | ±0.01g ~ ±0.1g | 100Hz ~ 1kHz |
| 陀螺仪 | 角速度 (rad/s) | 0.01°/s ~ 0.1°/s | 100Hz ~ 8kHz |
| 磁力计 | 磁场强度 (μT) | ±0.1μT | 10Hz ~ 100Hz |
这里有个坑，我必须要说。IMU的致命弱点是什么？积分漂移。加速度计积分得到速度，再积分得到位置——两次积分下来，误差会像滚雪球一样。我在做AGV小车项目时，只用IMU做航位推算，跑了10米就偏了30厘米。所以IMU从来不能单独用，它必须配合其他传感器做融合。
避坑指南： 我曾经在无人机项目里，IMU的温漂导致悬停时不断偏航。后来发现是陀螺仪的零偏没有做温度补偿。记住：IMU出厂前一定要做六面标定，使用中要定期做在线校准。
2. 视觉传感器（摄像头）—— 信息最丰富的「眼睛」
摄像头这东西，信息量是真的大。一张1080p的图就有200多万像素，每个像素还有RGB三个通道。但信息量大也意味着处理量大，而且它对光照极其敏感。
我常用的视觉传感器分两类：
- 单目摄像头：成本低，但缺少深度信息。想测距？得靠运动恢复结构（SfM）或者已知目标尺寸。
- 双目/深度摄像头：通过视差计算深度，但基线长度限制了有效测距范围。我做过一个项目，基线10cm的双目，有效深度只能到3米左右。
视觉传感器最大的优势是什么？语义信息。它能告诉你「那是一个红绿灯」或者「那是一辆白色轿车」。激光雷达只能告诉你「那里有一个点云簇」。但视觉的弱点也很明显——晚上、逆光、雨雾天，基本就废了。
注意： 视觉SLAM在纹理稀疏的环境下（比如白墙走廊）会直接崩溃。我当年在仓库做巡检机器人，满墙都是白色货架，ORB-SLAM跑了不到10秒就丢了。后来加了IMU做紧耦合才稳住。
3. 激光雷达（LiDAR）—— 精度之王，但贵得肉疼
LiDAR，Light Detection And Ranging。它发射激光束，测量反射时间，直接得到精确的距离信息。精度能到厘米级，甚至毫米级。我最早接触LiDAR是在2008年，那时候一个单线激光雷达要好几万，现在国产的已经降到千元级了。
按扫描方式分：
- 机械旋转式：64线、128线，360°视野。但机械结构容易坏，我见过一个项目，雷达的旋转电机用了半年就卡死了。
- 固态/混合固态：MEMS振镜或者OPA相控阵。没有旋转部件，寿命长，但视场角通常只有120°左右。
LiDAR的点云数据量有多大？以Velodyne VLP-16为例，每秒约30万个点。处理这些点云需要做滤波、分割、聚类。我常用的PCL库，一个点云配准算法跑下来，ARM Cortex-A72都得喘口气。
经验之谈： 激光雷达在雨雪天气下性能会严重下降。水滴和雪花会反射激光，产生大量噪点。我曾经在暴雨天测试，点云里全是「鬼影」，根本没法用。所以L4级自动驾驶必须上多传感器冗余。
4. 毫米波雷达—— 全天候的「蝙蝠声呐」
毫米波雷达，工作频率在24GHz、77GHz甚至更高。它发射电磁波，利用多普勒效应测速，利用飞行时间测距。说白了，它不怕雨雪雾，也不怕黑夜，这是它最大的杀手锏。
我常用的毫米波雷达参数：
| 频段 | 最大测距 | 测距精度 | 速度精度 | 角度分辨率 |
|---|---|---|---|---|
| 24GHz | ~50m | ±0.5m | ±0.1m/s | ~10° |
| 77GHz | ~200m | ±0.1m | ±0.05m/s | ~3° |
但毫米波雷达有个让人头疼的问题——多径反射和虚警。比如在隧道里，雷达波会在墙壁之间来回反射，产生「幽灵目标」。我做过一个自适应巡航项目，雷达在隧道里突然检测到前方50米有「静止障碍物」，结果急刹车——其实那是隧道墙壁的反射。
处理方法： 我一般会在雷达数据处理中加一个「置信度滤波器」。如果某个目标在连续几帧中位置跳变太大，或者速度与周围目标不一致，就标记为低置信度，暂时不参与融合决策。
5. 超声波传感器—— 便宜但「近视」的近距离卫士
超声波传感器，原理简单得不能再简单：发射40kHz的声波，等回波，算时间。成本低到几块钱一个，但有效距离通常只有0.2米到5米。而且它有个致命问题——波束角太宽，大概30°到60°，根本分不清障碍物具体在哪个方向。
超声波传感器最适合做什么？近距离避障和泊车辅助。我做过一个扫地机器人项目，用了4个超声波传感器做沿墙行走和防跌落。效果还不错，但有个问题——地毯会吸收超声波，导致测距失败。后来我换成了红外+超声波的组合方案。
注意： 超声波传感器在风噪大的环境下（比如高速行驶的汽车）基本没法用。风速超过10m/s，回波信号会被淹没在噪声里。所以它只适合低速场景。
知识体系总览
下面这张图，是我自己总结的传感器特性对比框架。你想想看，做融合方案时，本质上就是在「精度、鲁棒性、成本、功耗」这四个维度上做权衡。
你看这张图，每个传感器都有自己的「舒适区」。IMU擅长高频运动跟踪但会漂移，摄像头信息丰富但怕环境变化，LiDAR精度高但贵且怕雨雪，毫米波雷达全天候但分辨率低，超声波便宜但只能看近处。做融合方案，说白了就是让它们互相补台。
我个人习惯，在做传感器选型时，会先列一个需求矩阵：
- 需要全天候工作？那毫米波雷达必须上。
- 需要厘米级定位？LiDAR或双目视觉得选一个。
- 需要知道「那是什么」？摄像头逃不掉。
- 需要高频姿态更新？IMU是标配。
- 需要近距离防撞？超声波最划算。
好了，这五种传感器的基础特性就讲到这里。记住一句话：没有完美的传感器，只有完美的融合方案。下一节我们会深入讲传感器标定——这可是融合方案的地基，地基打不好，上层算法再牛也白搭。
公众号:蓝海资料掘金营，微信deep3321