第二章：传感器选型与融合——复杂地形下的“感官”配置
做机器人导航，说白了就是让机器“看懂”路。但复杂地形下，单靠一种传感器，就像人闭着一只眼走路，迟早要摔跟头。这一章，我结合自己踩过的坑，聊聊激光雷达、深度相机、IMU、GPS这四类传感器在复杂地形下的真实表现，以及怎么把它们“拧成一股绳”。
2.1 激光雷达：精度之王，但怕“脏”
激光雷达，我个人最信赖的传感器。在结构化环境里，它的测距精度能到厘米级，建图效果非常漂亮。但复杂地形下，问题就来了。
优点：
- 测距远，精度高（±2cm以内）
- 不受光照影响，白天黑夜都能用
- 直接输出点云，便于建图和定位
缺点：
- 怕雨雪雾——激光会被水滴反射，点云里全是噪点
- 怕灰尘——矿区、土路上，扬尘会让雷达“致盲”
- 怕反光——玻璃、水面会直接打飞激光
- 贵——好的机械式雷达动辄几万
我的经验： 在矿区项目里，我遇到过扬尘导致雷达完全失效的情况。后来加了IMU做运动补偿，再配合算法滤除噪点，才算勉强能用。记住，激光雷达在干净环境是王者，在恶劣环境就是“瞎子”。
2.2 深度相机：便宜但“挑食”
深度相机（比如Intel RealSense、Kinect）这几年很火。便宜、轻便、还能输出RGB图像。但说实话，在复杂地形下，它有点“娇气”。
优点：
- 成本低（几百到几千）
- 同时提供深度和彩色图像
- 适合近距离（5米内）的精细感知
缺点：
- 强光下直接“罢工”——户外大太阳底下，红外结构光根本看不清
- 纹理依赖——面对白墙、光滑地面，深度数据全是洞
- 测距短——超过5米，误差就大得没法用
- 帧率低——快速运动时容易丢帧
避坑指南： 我曾经在户外测试时，把深度相机装在车顶，结果正午阳光下，深度图一片漆黑。后来才明白，这类相机本质上是为室内设计的。如果你要做户外复杂地形，深度相机只能当辅助，别指望它做主传感器。
2.3 IMU：短时准，长时飘
IMU（惯性测量单元）是个“老实人”——它只告诉你加速度和角速度，不依赖任何外部信号。但老实人也有毛病：积分误差会累积。
优点：
- 完全自主，不受外界干扰
- 更新频率高（200Hz以上）
- 短时间内的相对位姿非常准
缺点：
- 长时间积分后，位置漂移严重
- 对温度敏感，零偏会变化
- 低端IMU噪声大，高端IMU价格高
关键认知： IMU不能单独用来定位，但它是融合系统里的“粘合剂”。在激光雷达或相机丢数据的瞬间，IMU能顶上去，保证位姿估计不中断。我习惯把IMU当作“短跑冠军”——爆发力强，但跑不了马拉松。
2.4 GPS：室外神器，室内废物
GPS（全球定位系统）在开阔地带非常好用，但复杂地形下，它的局限性很明显。
优点：
- 提供绝对位置，无累积误差
- 覆盖范围广，全球可用
- RTK模式下精度可达厘米级
缺点：
- 室内、隧道、峡谷里完全失效
- 高楼遮挡下多路径效应严重
- 更新频率低（10Hz左右）
- RTK需要基站，部署麻烦
我的习惯： 在室外复杂地形（比如山区、城市峡谷），我会把GPS和IMU做紧耦合。GPS提供绝对位置约束，IMU填补GPS丢星时的空白。这样即使GPS信号断断续续，定位也不会崩。
2.5 数据融合策略：1+1>2
单一传感器都有短板，融合才是出路。我常用的融合策略分三种：
2.5.1 松耦合
各传感器独立处理数据，然后融合结果。简单、计算量小，但精度一般。
// 松耦合伪代码
while(true):
lidar_pose = lidar_localization()
gps_pose = gps_localization()
imu_pose = imu_integration()
fused_pose = kalman_filter(lidar_pose, gps_pose, imu_pose)2.5.2 紧耦合
在传感器原始数据层面融合。精度高，但计算量大。我推荐在复杂地形下使用。
// 紧耦合（以激光+IMU为例）
while(true):
lidar_points = get_lidar_scan()
imu_data = get_imu_measurement()
// 用IMU数据去畸变激光点云
corrected_points = undistort(lidar_points, imu_data)
// 联合优化位姿
pose = joint_optimization(corrected_points, imu_data)2.5.3 深度耦合
把传感器模型直接嵌入到状态估计器中。比如视觉-惯性SLAM（VINS），就是深度耦合的典型。
我的建议： 如果你做的是轮式机器人，松耦合就够了。但如果是四足或无人机，在复杂地形下必须上紧耦合。我踩过的坑是：在颠簸地形上用松耦合，结果IMU和激光雷达的位姿对不上，地图直接飘了。
2.6 实战组合推荐
| 场景 | 推荐传感器组合 | 融合策略 | 说明 |
|---|---|---|---|
| 室内平坦地面 | 激光雷达 + IMU | 松耦合 | 激光建图，IMU补帧 |
| 室外开阔地带 | GPS + IMU | 紧耦合 | RTK GPS + 高精度IMU |
| 复杂地形（山区/废墟） | 激光雷达 + 深度相机 + IMU + GPS | 紧耦合 | 多传感器冗余，互相弥补 |
| 隧道/室内长走廊 | 激光雷达 + IMU | 紧耦合 | GPS失效，全靠激光+IMU |
重要提醒： 传感器融合不是越多越好。每增加一个传感器，就多一个故障点。我见过有人堆了6个传感器，结果光标定就花了两个月。记住，融合的目的是“互补”，不是“堆料”。
嗯，传感器选型这块，说到底就是权衡。没有完美的传感器，只有最适合你场景的组合。我个人习惯是先确定场景的“最恶劣条件”，然后选能扛住那个条件的传感器，再用其他传感器补短板。这样设计出来的系统，才真正可靠。
公众号:蓝海资料掘金营，微信deep3321