第二章：传感器与感知——让机器人“看见”世界
做机器人这么多年，我最大的感触就是：没有好的感知，再牛的算法也是白搭。你想想看，一个盲人就算脑子再聪明，走路也得撞墙。传感器就是机器人的眼睛和耳朵，选对了，事半功倍；选错了，后面全是坑。
今天咱们就聊聊四种最常见的避障传感器：激光雷达、深度相机、超声波、红外。我会把它们的原理、优缺点、选型要点，以及怎么构建环境感知模型，一次性讲透。
核心观点：没有完美的传感器，只有合适的组合。多传感器融合才是王道。
2.1 激光雷达（LiDAR）——精度之王
激光雷达的原理其实很简单：发射激光束，打到物体上反射回来，通过时间差算距离。说白了就是“激光测距仪转着圈扫”。
我个人的习惯是，室内移动机器人首选单线激光雷达。为什么？因为便宜、稳定、够用。我在2019年做过一个仓储AGV项目，用的就是单线激光雷达，配合自适应蒙特卡洛定位，精度能做到±2cm，完全够用。
但要注意，激光雷达也有坑：
- 单线 vs 多线：单线只能扫一个平面，适合室内平地；多线能扫三维，适合户外或复杂地形，但价格翻好几倍
- 机械式 vs 固态：机械式有旋转部件，寿命有限；固态式没活动部件，但视场角小
- 抗干扰能力：强光下、雨雾天，激光雷达性能会下降
选型建议：室内平地用单线（如RPLIDAR A1/A2），户外或无人机用多线（如Velodyne VLP-16），预算有限可以考虑固态激光雷达。
2.2 深度相机——看得更“立体”
深度相机和普通相机最大的区别是：它不仅能拍出颜色，还能知道每个像素离你多远。常见的原理有三种：
- 双目立体视觉：两个摄像头像人眼一样，通过视差算深度。优点是成本低，缺点是计算量大，弱光下表现差
- 结构光：投射红外点阵，通过变形算深度。精度高，但室外强光下基本废了
- ToF（飞行时间法）：发射红外光脉冲，测反射时间。速度快，但分辨率低
我记得有一次做服务机器人项目，客户要求识别桌面上的杯子。我一开始用单线激光雷达，结果杯子太细，根本扫不到。后来换成Intel RealSense D435，用深度图做目标检测，效果立竿见影。
避坑指南：我曾经在户外项目里用过结构光相机，结果大太阳底下直接“瞎了”。后来才明白，结构光只适合室内。户外老老实实用双目或ToF。
2.3 超声波传感器——便宜但“笨”
超声波传感器，说白了就是蝙蝠的回声定位。发射超声波，等回声回来，算时间差。优点很明显：便宜（几块钱一个）、不怕光线、能测透明物体（比如玻璃）。
但缺点也很致命：
- 精度低：一般只能到厘米级，而且有盲区（太近测不到）
- 串扰严重：多个超声波同时工作会互相干扰
- 受环境影响大：温度、湿度、空气流动都会影响
我建议，超声波只适合做近距离辅助避障（比如离墙30cm以内），或者用来检测透明障碍物。千万别指望它做主传感器。
2.4 红外传感器——简单但局限
红外传感器分两种：一种是测距的（红外测距传感器），一种是检测热源的（被动红外）。
红外测距的原理和激光类似，但用的是红外LED而不是激光。优点是便宜、功耗低，缺点是精度差、距离短（一般不超过1.5米）、受环境光影响大。
我在一个扫地机器人项目里试过红外，结果发现它在深色地毯上基本失效——因为深色吸光，反射信号太弱。后来果断换成了超声波+激光的组合。
一句话总结：红外适合做“有/无”检测（比如检测有没有人经过），不适合做精确测距。
2.5 传感器选型对比表
| 传感器类型 | 精度 | 测距范围 | 成本 | 适用场景 | 主要缺点 |
|---|---|---|---|---|---|
| 单线激光雷达 | ±2cm | 0.1-25m | 中 | 室内平地导航 | 只能扫一个平面 |
| 多线激光雷达 | ±3cm | 0.1-100m | 高 | 户外、自动驾驶 | 贵、体积大 |
| 深度相机（双目） | ±1cm@1m | 0.3-10m | 低 | 室内物体识别 | 弱光差、计算量大 |
| 深度相机（结构光） | ±0.5mm@1m | 0.1-5m | 中 | 室内高精度建模 | 室外失效 |
| 深度相机（ToF） | ±2cm | 0.1-10m | 中 | 动态场景 | 分辨率低 |
| 超声波 | ±1cm | 0.02-5m | 极低 | 近距离避障、透明物体 | 串扰、精度低 |
| 红外 | ±5cm | 0.05-1.5m | 极低 | 简单检测 | 受环境光影响大 |
2.6 构建环境感知模型
有了传感器，怎么把数据变成机器人能理解的环境模型？这里我分享一个我常用的流程：
- 数据采集：传感器原始数据（激光点云、深度图、超声波距离值）
- 数据预处理：去噪、滤波、坐标变换
- 特征提取：从点云中提取障碍物轮廓，从深度图中提取物体位置
- 地图构建：把多帧数据融合成全局地图（占用栅格地图是最常用的）
- 障碍物表示：用矩形、圆形或多边形表示障碍物，方便路径规划
我个人最喜欢用占用栅格地图（Occupancy Grid Map）。它把环境分成一个个小格子，每个格子存一个概率值：0表示空闲，1表示占用，0.5表示未知。简单、直观、好维护。
实战技巧：在ROS里，用gmapping或cartographer包可以快速建图。我一般先用激光雷达建一个2D占用栅格地图，再用深度相机补充3D信息，这样效率最高。
下面是我画的一个环境感知模型构建流程图，帮你理清思路：
嗯，这里要注意一点：多传感器融合不是简单地把数据堆在一起。你得考虑每个传感器的坐标系、时间戳、数据频率。我一般用ROS的tf库做坐标变换，用message_filters做时间同步，这样能保证数据对齐。
核心原则：激光雷达做主定位和远距离避障，深度相机做物体识别和近距离避障，超声波和红外做盲区补充。各司其职，互相配合。
最后说一句：传感器选型和感知模型构建，没有标准答案。每个项目都有自己的特殊性。我的建议是：先搞清楚你的机器人要干什么、在什么环境下工作、预算多少，然后再选传感器。别盲目追求高精度，够用就好。
公众号:蓝海资料掘金营，微信deep3321