第2章 传感器基础与分类：主动/被动传感器、常见传感器

做多传感器融合，第一步不是写代码，而是摸清楚每个传感器的脾气。我见过不少团队，算法调得天花乱坠，最后发现是传感器选型出了问题——嗯，这种坑踩一次就够了。

今天咱们聊聊传感器的分类和特性。说白了，就是搞清楚每个传感器「能干什么、不能干什么」。

2.1 主动传感器 vs 被动传感器

这个分类其实很直观。主动传感器自己发射能量，再接收反射回来的信号。被动传感器只接收外界已有的能量。

类型	原理	典型代表	优点	缺点
主动传感器	发射→反射→接收	激光雷达、毫米波雷达、超声波	不受环境光照影响，可主动测距	功耗高，可能互相干扰
被动传感器	接收环境中的能量	摄像头、红外热成像	信息丰富，功耗低	依赖光照/温度条件

我个人习惯，在白天场景下优先用摄像头做视觉感知，到了晚上或者隧道里，就得靠激光雷达和毫米波雷达撑场面。你想想看，如果只用摄像头，晚上进隧道基本就是瞎子。

2.2 激光雷达（LiDAR）

激光雷达，说白了就是「用激光当尺子」。它发射激光脉冲，测量反射回来的时间，算出距离。

我在项目中用过16线、32线和64线的激光雷达。线数越多，点云越密，但价格也翻着跟头往上涨。

• 优点：测距精度高（厘米级），不受光照影响，能直接获取3D点云
• 缺点：雨雾天气性能下降，成本高，点云稀疏时物体识别困难
• 典型应用：自动驾驶、AGV导航、地图构建

2.3 摄像头

摄像头是被动传感器里最常用的。它捕捉的是环境中的可见光，能提供丰富的纹理和颜色信息。

但这里有个坑：摄像头没有深度信息。一张2D图像，你没法直接知道物体离你多远。除非你用双目视觉或者结构光来算深度。

• 优点：信息丰富（颜色、纹理、形状），成本低，适合做目标识别
• 缺点：依赖光照，没有直接深度，动态范围有限
• 典型应用：车道线检测、交通标志识别、行人检测

2.4 IMU（惯性测量单元）

IMU包含加速度计和陀螺仪。它测量的是物体的加速度和角速度。说白了，就是「自己知道自己怎么动的」。

IMU有个致命问题：漂移。你想想看，加速度积分一次得到速度，再积分一次得到位置。积分两次，误差会像滚雪球一样越滚越大。

• 优点：高频（100-1000Hz），不受外界干扰，能提供短时间内的精确姿态
• 缺点：长时间漂移严重，无法直接测量绝对位置
• 典型应用：组合导航（GPS+IMU）、防抖、姿态估计

2.5 毫米波雷达

毫米波雷达发射毫米波段的电磁波。它和激光雷达有点像，但波长更长，穿透性更好。

我记得有一次在浓雾天测试，激光雷达基本废了，但毫米波雷达依然能正常工作。这就是它的核心优势——全天候。

• 优点：不受雨雾影响，测速准确（多普勒效应），探测距离远（200m+）
• 缺点：角度分辨率低，点云稀疏，无法识别物体类别
• 典型应用：自适应巡航、盲区检测、碰撞预警

2.6 超声波传感器

超声波传感器发射超声波，靠回波测距。它成本极低，但性能也有限。

你想想看，倒车雷达用的就是超声波。它只能测近距离（几米内），而且角度很宽，没法精确定位。

• 优点：成本低，近距离测距可靠，不受电磁干扰
• 缺点：测距范围短（<5m），角度分辨率差，受温度影响
• 典型应用：自动泊车、近距离避障、液位检测

2.7 传感器特性对比总表

传感器	类型	测距能力	测速能力	环境适应性	成本
激光雷达	主动	★★★★★	★★☆☆☆	★★★☆☆	高
摄像头	被动	★☆☆☆☆	★★☆☆☆	★★☆☆☆	低
IMU	主动	★☆☆☆☆	★★★★★	★★★★★	低
毫米波雷达	主动	★★★★☆	★★★★★	★★★★★	中
超声波	主动	★★☆☆☆	★☆☆☆☆	★★★☆☆	极低

2.8 传感器融合的核心逻辑

讲完单个传感器，咱们得看看它们怎么配合。我画了一张图，帮你理解融合架构的顶层设计。

这张图展示了融合的基本流程。每个传感器先做预处理——时间戳对齐、坐标变换、滤波去噪。然后进入融合核心，最后输出结果。

我个人习惯，在预处理阶段花最多精力。因为传感器数据质量，直接决定了融合效果的上限。你想想看，如果时间戳都没对齐，后面再好的算法也是白搭。

---