3. 非光电传感器基础
各位同学，今天我们来聊聊非光电传感器。你可能会问：为什么在光电系统课程里要讲这些？
道理很简单——任何一套智能光电系统，都不可能只靠光干活。我做过一个激光雷达项目，大晴天效果完美，一到雨雾天就抓瞎。后来加了毫米波雷达做互补，才算真正解决问题。这就是传感器融合的意义。
3.1 超声波传感器
超声波传感器，说白了就是靠「回声定位」。它发射高频声波（通常40kHz左右），然后计算回波时间。原理简单，但坑不少。
核心参数：
- 工作频率：40kHz（常用），也有25kHz、200kHz等
- 测量范围：2cm ~ 5m（常见），最远可达10m
- 精度：±1cm ~ ±3cm（受温度影响大）
- 波束角：15° ~ 60°（锥形）
避坑指南：我曾经在停车场项目里用超声波测距，结果发现温度变化10°C，误差能到5%。为什么？因为声速随温度变化：v = 331.4 + 0.6T（m/s）。所以，如果你要做高精度测量，必须加温度补偿。
实际项目中，超声波传感器最常用的场景是：
- 倒车雷达（便宜、可靠）
- 液位检测（不怕液体溅射）
- 机器人避障（近距离首选）
但要注意，超声波对软性材料（海绵、布料）几乎无效——声波被吸收了。我踩过这个坑，当时用超声波检测海绵块，读数直接飘了。
3.2 毫米波雷达
毫米波雷达，工作频率在30GHz~300GHz之间。汽车上常用的77GHz雷达，波长只有4mm左右。你想想看，这么短的波长，意味着什么？
三个核心优势：
- 全天候工作——雨、雾、雪、灰尘，基本不影响。我做过对比测试，77GHz雷达在暴雨中衰减不到3dB，而激光雷达直接废了。
- 直接测速——利用多普勒效应，一次测量就能得到目标速度。激光雷达需要连续两帧才能算速度。
- 探测距离远——长距雷达可达250m以上，短距也有30m。
个人经验：毫米波雷达最头疼的问题是「多径反射」。在隧道或城市峡谷场景中，信号会从地面、墙壁多次反射，产生虚假目标。我建议做融合时，一定要加「置信度评估」——比如目标突然出现在地面以下，直接丢弃。
常见的毫米波雷达类型：
| 类型 | 频率 | 典型应用 | 最大距离 |
|---|---|---|---|
| 24GHz | 24.0~24.25GHz | 盲区检测、短距 | 30m |
| 77GHz | 76~81GHz | 自适应巡航、自动紧急制动 | 250m |
| 60GHz | 57~64GHz | 车内生命体征检测 | 5m |
3.3 激光雷达（LiDAR）
激光雷达，本质上就是「用激光代替声波」的超声波。但精度和复杂度完全不是一个量级。
我参与过一个自动驾驶项目，当时纠结选机械式还是固态LiDAR。机械式贵但视野好，固态便宜但视场角小。最后我们做了个折中——用3个固态LiDAR拼接，成本降了40%，效果还不错。
LiDAR的关键指标：
- 线数：16线、32线、64线、128线。线数越多，点云越密，但数据量也爆炸。
- 测距精度：±2cm（典型），高端可达±1cm
- 视场角：水平360°（机械式），垂直30°~45°
- 帧率：10Hz~20Hz
一个常见的误解：很多人觉得LiDAR点云越密越好。其实不然。我做过实验，64线LiDAR在50m处，点间距约7cm。对于一辆轿车（宽1.8m），你大概能扫到25个点。这已经足够做目标检测了。再密的点云，只会增加计算负担。
LiDAR最大的痛点是「恶劣天气」。大雨天，激光会被雨滴反射和吸收，有效距离可能缩水70%。这也是为什么一定要和毫米波雷达融合的原因。
3.4 惯性测量单元（IMU）
IMU，就是加速度计+陀螺仪的组合。有时候还会加磁力计（9轴IMU）。
我刚开始做IMU时，犯过一个低级错误：直接把原始数据拿来积分算位置。结果呢？10秒后位置误差超过100米。为什么？因为IMU有零偏和噪声，积分一次误差累积一次，这叫「漂移」。
核心概念：IMU不能单独用来定位。它必须和GPS、视觉或LiDAR做融合。IMU的作用是「短时高精度」——比如GPS信号丢失的几秒钟内，靠IMU推算位置。这就是所谓的「航位推算」。
IMU选型时，我建议关注三个参数：
- 零偏稳定性：单位°/h（陀螺仪）或mg（加速度计）。越低越好。
- 噪声密度：单位°/√h。决定了角度随机游走。
- 量程：±250°/s（陀螺仪），±2g~±16g（加速度计）。
举个例子，工业级IMU（如ADIS16470）零偏稳定性约8°/h，而战术级（如HG4930）能做到0.1°/h。价格差10倍，看你项目需求了。
3.5 温度/湿度传感器
温湿度传感器，看起来最简单，但坑最多。
我做过一个户外监测项目，用了SHT30，号称精度±2%RH。结果夏天暴晒后，读数直接偏了15%。后来才发现——传感器外壳被太阳直射，内部温度比环境高20°C，湿度当然不准。
我的建议：温湿度传感器一定要做「热隔离」。用隔热材料包裹传感器，或者把它放在通风但避光的位置。另外，如果要做高精度测量，记得加「自加热补偿」——传感器工作时会发热，影响湿度读数。
常见的温湿度传感器对比：
| 型号 | 温度精度 | 湿度精度 | 接口 | 价格 |
|---|---|---|---|---|
| DHT22 | ±0.5°C | ±2%RH | 单总线 | ¥5 |
| SHT30 | ±0.3°C | ±2%RH | I2C | ¥15 |
| BME280 | ±0.5°C | ±3%RH | I2C/SPI | ¥20 |
嗯，这里要注意：BME280还带气压计，如果你做无人机高度估计，这个很有用。我习惯用BME280做辅助高度源，和GPS、气压计做三融合。
3.6 传感器融合的核心逻辑
讲了这么多，你可能会问：这些传感器怎么配合？
我画了一张图，帮你理清思路：
说白了，每种传感器都有自己的「舒适区」和「盲区」。融合的目的就是取长补短。比如：
- 激光雷达精度高，但怕雨雾 → 加毫米波雷达
- 毫米波雷达能测速，但角度分辨率低 → 加激光雷达
- IMU短时准，但长期漂移 → 加GPS或视觉
- 超声波便宜，但只能近距离 → 做最后一道防线
我个人习惯，在做融合之前，先画一张「传感器能力矩阵」，把每个传感器的优缺点列清楚。这样设计融合策略时，心里才有底。
公众号:蓝海资料掘金营，微信deep3321