2、空间感知的物理基础：电磁波传播原理、声波与超声波特性、光与视觉几何基础
各位同学，咱们今天聊点硬核的。空间感知技术，说白了就是让机器「看见」和「听见」周围的世界。但机器没有眼睛和耳朵，它靠什么？靠物理信号。电磁波、声波、光波，这三样东西是空间感知的三大基石。我做了这么多年传感器融合，最深的体会就是：不懂物理原理，你调出来的算法就是空中楼阁。
2.1 电磁波传播原理
电磁波这东西，你天天在用，但未必真懂它。Wi-Fi、蓝牙、毫米波雷达，底层都是电磁波。我个人习惯把电磁波想象成「水波」——只不过它不需要水，在真空中也能跑。
2.1.1 基本参数
电磁波有三个核心参数：频率、波长、速度。它们的关系很简单：
c = λ × f其中 c 是光速（约 3×10⁸ m/s），λ 是波长，f 是频率。频率越高，波长越短。这个公式你背下来，后面所有雷达、通信的推导都离不开它。
| 频段 | 频率范围 | 典型应用 |
|---|---|---|
| 微波 | 1 GHz - 100 GHz | 雷达、5G通信 |
| 毫米波 | 30 GHz - 300 GHz | 车载雷达、安检 |
| 红外 | 300 GHz - 430 THz | 热成像、遥控 |
| 可见光 | 430 THz - 770 THz | 摄像头、激光雷达 |
关键点：频率越高，分辨率越好，但穿透力越差。毫米波雷达能穿透雾霾，激光雷达就不行。这就是物理规律，你没法跟它讨价还价。
2.1.2 传播特性
电磁波在空间中传播，会遇到三种情况：反射、折射、衍射。我举个例子你就明白了——
- 反射：波遇到障碍物弹回来。雷达测距就是靠这个。我记得有一次做室内定位项目，墙壁反射太强，导致多径效应严重，定位误差直接飙到米级。后来加了天线阵列才压下来。
- 折射：波穿过不同介质时方向改变。比如光从空气进入水中会弯折。做水下传感器时，这个效应必须补偿。
- 衍射：波绕过障碍物继续传播。频率越低，衍射能力越强。所以低频Wi-Fi能穿墙，高频毫米波连张纸都挡不住。
避坑指南：我曾经在工厂里部署UWB定位系统，结果发现金属货架造成了严重的信号阴影区。后来我调整了基站布局，让每个区域至少被三个基站覆盖，才解决了这个问题。记住：电磁波不会拐弯，但会反射。利用好反射，反而能覆盖盲区。
2.2 声波与超声波特性
声波和电磁波不一样。声波需要介质才能传播，空气、水、固体都行，但真空不行。你想想看，宇航员在太空里说话，对方根本听不见——因为没有空气传声。
2.2.1 声波的基本参数
声波的速度取决于介质：空气中约 340 m/s，水中约 1500 m/s，钢铁中约 5000 m/s。这个速度比光速慢了将近一百万倍。所以声波定位的延迟问题，比电磁波严重得多。
频率方面，人耳能听到 20 Hz - 20 kHz。高于 20 kHz 的叫超声波。为什么空间感知喜欢用超声波？因为频率高，波长短，分辨率好。而且超声波对人耳无害——你总不想让传感器发出刺耳的尖叫声吧？
2.2.2 超声波的传播特性
超声波有几个特点，做产品时必须牢记：
- 指向性强：频率越高，波束越窄。40 kHz 的超声波传感器，波束角一般在 30°-60° 之间。这意味着你可以精确控制探测方向。
- 衰减快：超声波在空气中衰减很快。距离超过 10 米，信号就弱得不行了。所以超声波传感器一般只用于近距离测距（< 5 米）。
- 受温度影响大：声速随温度变化。温度每升高 1°C，声速增加约 0.6 m/s。做高精度测距时，必须加温度补偿。
注意：超声波传感器对软性材料（如海绵、布料）几乎无效。因为这些材料会吸收声波，不产生反射。我曾经在仓储机器人项目里踩过这个坑——机器人对着海绵堆测距，数据全是乱的。后来换成了激光雷达才搞定。
2.2.3 声波定位原理
声波定位最常用的方法是飞行时间法（ToF）。发射一个声波脉冲，等它碰到物体反射回来，计算时间差：
距离 = (声速 × 时间差) / 2除以 2 是因为声波走了来回两趟。这个公式简单吧？但实际做起来坑很多。比如多径反射、环境噪声、温度漂移，都会影响精度。
2.3 光与视觉几何基础
光，说白了就是高频电磁波。但光有一个独特优势——它可以成像。摄像头、激光雷达、结构光传感器，都是利用光的特性来感知空间。
2.3.1 光的传播特性
光沿直线传播，这是几何光学的基础。但光也会反射、折射、散射。做视觉系统时，最头疼的就是光照变化——同一个物体，早上和下午拍出来完全不一样。
我个人习惯把光分为主动光和被动光：
- 被动光：利用环境中的自然光或人造光。普通摄像头就是被动光传感器。优点是成本低，缺点是依赖光照条件。
- 主动光：传感器自己发射光，然后接收反射光。激光雷达、结构光、ToF 摄像头都属于这一类。优点是不受环境光影响，缺点是功耗高、成本高。
2.3.2 视觉几何基础
视觉几何的核心是「透视投影」。简单说，就是三维世界里的点，怎么映射到二维图像上。这个映射关系可以用相机模型来描述：
[u, v, 1]^T = K × [R | t] × [X, Y, Z, 1]^T其中 K 是相机内参矩阵（焦距、主点坐标），[R | t] 是相机外参矩阵（旋转和平移）。这个公式你看着可能有点晕，但它的本质就是：把世界坐标系里的点，先旋转平移，再投影到像素坐标系。
核心概念：视觉几何里最重要的两个概念是「对极几何」和「三角测量」。对极几何告诉你两张图片之间的几何关系，三角测量则利用这种关系来恢复深度信息。双目视觉的原理，说白了就是三角测量——两个摄像头从不同角度拍同一个物体，通过视差计算距离。
2.3.3 深度估计方法
从光信号中提取深度信息，主要有三种方法：
| 方法 | 原理 | 典型传感器 | 精度 |
|---|---|---|---|
| 双目视觉 | 三角测量 | 双目摄像头 | 中等（cm级） |
| 结构光 | 编码光斑变形 | Kinect v1 | 高（mm级） |
| ToF | 飞行时间 | LiDAR、ToF摄像头 | 高（mm级） |
双目视觉的优点是成本低，缺点是需要纹理特征。你想想看，对着白墙拍，左右两张图一模一样，根本算不出视差。结构光和 ToF 则不受纹理影响，但容易受环境光干扰。
经验之谈：我在做扫地机器人时，试过双目视觉做避障。结果发现，在光线昏暗的床底下，双目完全失效。后来我加了一颗 ToF 传感器做辅助，才解决了低光照下的避障问题。记住：没有万能的传感器，只有合理的融合方案。
2.4 知识体系总览
好了，咱们把这一章的核心逻辑梳理一下。下面这张图，是我自己画的知识结构图，你把它存下来，后面学每一章时都可以回来对照。
这张图把三大物理基础的关系讲清楚了。电磁波、声波、光，各有各的脾气。做产品时，你得根据场景选传感器——室内用超声波便宜，室外用激光雷达可靠，远距离用毫米波雷达。没有银弹，只有权衡。
嗯，这一章的内容就到这儿。物理基础打牢了，后面讲传感器原理和算法时，你才不会觉得飘。记住：所有花哨的算法，最终都要回归到物理规律上。违背物理规律的产品，注定走不远。
公众号:蓝海资料掘金营，微信deep3321