3. 传感器基础：视觉传感器与激光雷达简介

做自主导航这么多年，我越来越觉得传感器选型就像选搭档。选对了，事半功倍；选错了，后面全是坑。今天咱们聊聊视觉传感器和激光雷达，这两类传感器在GPS拒止环境下的定位与建图中，扮演着完全不同的角色。

3.1 视觉传感器：单目、双目与深度相机

视觉传感器说白了就是“用摄像头看世界”。但同样是看，单目、双目和深度相机的“看”法完全不同。

3.1.1 单目相机

单目相机只有一个镜头。它拍出来的图像是2D的，缺少深度信息。那怎么用它做导航呢？

我刚开始做视觉SLAM时，觉得单目相机太“弱”了。后来才发现，它其实很聪明——通过连续帧之间的运动，可以三角化出深度。这就是所谓的“运动恢复结构”（SfM）。

• 优点：成本低、体积小、功耗低。适合无人机、手机等轻量级设备。
• 缺点：尺度不确定。单目相机无法直接知道物体的真实大小，需要初始化。
• 典型应用：ORB-SLAM、VINS-Mono等经典算法。

3.1.2 双目相机

双目相机模仿人眼，用两个镜头同时拍摄。通过左右图像的视差，可以直接计算出深度。

你想想看，两个镜头之间的距离（基线）决定了深度估计的范围。基线越长，能测的距离越远，但相机体积也越大。

# 双目深度计算的核心公式
深度 Z = (f * B) / d

其中：
f = 焦距
B = 基线长度（两个镜头中心距离）
d = 视差（左右图像中对应点的像素差）

• 优点：直接获取深度，无需运动初始化。适合静态场景。
• 缺点：计算量大，基线限制了测量范围，近距离精度高但远距离差。
• 典型应用：ZED相机、Intel RealSense D435i等。

3.1.3 深度相机

深度相机（RGB-D相机）直接输出每个像素的深度值。常见的有结构光和ToF两种原理。

• 结构光：投射红外点阵，通过变形计算深度。代表：Kinect v1、Intel RealSense SR300。
• ToF（飞行时间）：发射红外光，测量反射时间。代表：Kinect v2、Azure Kinect。

我个人习惯在室内场景优先用深度相机。它直接给你深度图，省去了双目匹配的计算量。但要注意，它在强光下表现很差——红外光会被太阳光淹没。

类型	深度获取方式	典型范围	强光表现	典型设备
单目	运动三角化	无限制（需运动）	好	普通USB摄像头
双目	视差计算	0.1m - 20m	好	ZED、RealSense D435i
深度相机	结构光/ToF	0.1m - 10m	差	Kinect、Azure Kinect

3.2 激光雷达（LiDAR）

激光雷达，简称LiDAR。它用激光束扫描环境，直接测量距离。精度高、速度快，是自主导航的“硬核”传感器。

我记得第一次接触16线激光雷达时，被它的点云数据震撼到了——整个世界变成了一个个精确的3D点。但后来发现，处理这些点云数据才是真正的挑战。

3.2.1 工作原理

LiDAR发射激光脉冲，碰到物体后反射回来。通过测量飞行时间，计算距离。同时记录激光束的角度，就能得到物体的3D坐标。

# 激光雷达点云生成原理
x = r * cos(θ) * cos(φ)
y = r * cos(θ) * sin(φ)
z = r * sin(θ)

其中：
r = 测量距离
θ = 垂直角度
φ = 水平角度

3.2.2 分类

• 机械式LiDAR：旋转扫描，360°视野。代表：Velodyne HDL-64、Hesai Pandar系列。
• 固态LiDAR：无旋转部件，通过光学相控阵或MEMS扫描。体积小、寿命长。代表：Livox Horizon、Ouster OS系列。
• 单线LiDAR：只扫描一个平面。常用于AGV的避障和导航。

3.2.3 优缺点

• 优点：精度高、不受光照影响、直接获取3D信息。在黑暗、强光、雨雾等恶劣环境下依然可靠。
• 缺点：成本高（机械式尤其贵）、体积大、功耗高。无法获取颜色和纹理信息。

3.3 视觉 vs LiDAR：怎么选？

这个问题没有标准答案。我个人的经验是：看场景。

• 室内、纹理丰富：视觉传感器就够了。成本低、信息丰富。
• 室外、光照变化大：LiDAR更可靠。不受阳光影响。
• 长距离、高速：LiDAR是首选。视觉在远距离深度估计上误差太大。
• 低成本、轻量化：单目或双目。无人机、手机等场景。

其实，现在的主流方案是视觉+LiDAR融合。用视觉获取纹理和颜色，用LiDAR获取精确深度。两者互补，效果最好。

3.4 知识体系总览

下面这张图总结了本章的核心内容。你可以把它当作一个快速索引。