第3章传感器模型

第3章：传感器模型——机器人的“感官世界”

大家好，我是你们的老朋友。今天我们来聊聊避障算法的“眼睛”和“耳朵”——传感器模型。

说实话，我见过太多同学一上来就调算法，结果传感器数据都没搞明白。嗯，这就像闭着眼睛走路，摔跤是迟早的事。我个人习惯是，先花时间把传感器的脾气摸透，再动手写代码。

这一章，我们聚焦三种最常用的传感器：超声波、激光雷达、深度相机。它们各有各的脾气，也各有各的用武之地。

3.1 超声波传感器：便宜但“不简单”

超声波传感器，说白了就是靠“回声定位”。它发射一束人耳听不到的高频声波，然后等它碰到物体弹回来。通过计算发射和接收的时间差，就能算出距离。

公式很简单：

距离 = (声速 × 时间差) / 2

注意要除以2，因为声波走了个来回。

我在项目中遇到过一个坑：超声波对软性物体（比如海绵、布料）几乎无效。声波被吸收了，回波太弱，传感器直接报错。你想想看，如果机器人前面是一块窗帘，超声波可能完全“看不见”它。

⚠️ 避坑指南
我曾经在扫地机器人项目里，用超声波检测地毯边缘。结果地毯太厚，声波被吸收，机器人直接撞了上去。后来我加了红外传感器做互补，才解决这个问题。

超声波的主要参数：

参数	典型值	说明
测量范围	2cm - 4m	近处有盲区，远处精度下降
精度	±1cm	受温度、湿度影响
波束角	15° - 30°	角度越大，越容易串扰

💡 个人经验
如果你用多个超声波传感器，记得分时触发。否则它们互相干扰，测出来的数据全是乱的。我一般让它们轮流“说话”，间隔至少50ms。

3.2 激光雷达（LiDAR）：精度之王

激光雷达，简称LiDAR。它用激光束代替声波，精度高了一个数量级。它发射激光脉冲，测量反射回来的时间，原理和超声波类似，但用的是光速。

为什么激光比超声波准？因为光速是恒定的，不受温度影响。而且激光束很细，可以精确测量小物体。

激光雷达输出的数据叫点云。说白了，就是一堆三维坐标点 (x, y, z)。每个点代表激光打到物体上的位置。

一个典型的2D激光雷达点云数据长这样：

// 伪代码：激光雷达数据
scan = {
  angle_min: -135°,    // 起始角度
  angle_max: 135°,     // 结束角度
  angle_increment: 0.5°, // 角度分辨率
  ranges: [2.3, 2.5, 2.8, ...], // 每个角度对应的距离
  intensities: [100, 95, 80, ...] // 反射强度
}

我记得第一次用激光雷达做避障时，发现玻璃墙完全测不到。激光直接穿透玻璃，打到后面的墙上去了。嗯，这就是所谓的“透明物体问题”。

  🔑 核心要点

  激光雷达的精度取决于两个因素：

  1. 角分辨率（角度步长越小，点云越密）

  2. 测距精度（通常±2cm以内）

常见的激光雷达类型：

2D激光雷达：只扫一个平面，适合室内导航
3D激光雷达：多线束，能扫出立体环境，但价格贵
固态激光雷达：没有旋转部件，寿命长，但视场角小

⚠️ 避坑指南
我曾经在室外用2D激光雷达，结果地面不平，雷达扫到了地面上的杂草，误判为障碍物。后来我加了高度滤波，只保留一定高度范围内的点云。

3.3 深度相机：RGB-D数据

深度相机，也叫RGB-D相机。它同时输出两样东西：一张彩色图（RGB）和一张深度图（Depth）。深度图的每个像素值，代表该点到相机的距离。

深度相机的工作原理主要有三种：

结构光法：投射红外光斑，通过变形计算深度。代表产品：Kinect v1
飞行时间法（ToF）：发射红外光脉冲，测量飞行时间。代表产品：Kinect v2、Intel RealSense
双目视觉法：用两个摄像头，通过视差计算深度。代表产品：ZED相机

RGB-D数据长这样：

// 伪代码：RGB-D数据
rgb_image = [640x480x3]  // 彩色图像
depth_image = [640x480]  // 深度图像，每个像素是距离（毫米）

// 将深度图转为点云
for each pixel (u, v):
    z = depth_image[u][v]  // 深度值
    x = (u - cx) * z / fx  // 相机内参
    y = (v - cy) * z / fy
    point_cloud.append([x, y, z])

我个人习惯用深度相机做近距离避障（1米以内）。因为它的视野宽，能看清整个场景。但远距离精度不如激光雷达。

  🔑 核心要点

  深度相机的三大痛点：

  1. 受环境光影响大（阳光下基本废掉）

  2. 对纯色/反光表面无效

  3. 计算量大（尤其是双目视觉）

三种传感器的对比：

传感器	优点	缺点	典型场景
超声波	便宜、不怕光、能测透明物体	精度低、有盲区、易串扰	近距离避障、液位检测
激光雷达	精度高、速度快、不受光照影响	贵、怕玻璃、怕雨雾	SLAM建图、远距离避障
深度相机	信息丰富、视野宽、便宜	怕强光、计算量大、精度一般	人机交互、近距离避障

💡 个人经验
实际项目中，我很少只用一种传感器。通常是激光雷达做主力，超声波补盲区，深度相机做视觉识别。多传感器融合才是王道。

知识体系总览

下面这张图，帮你理清本章的核心逻辑：

嗯，这一章的内容就到这里。三种传感器各有千秋，没有谁绝对好。关键是根据你的应用场景，选对工具，避开那些我踩过的坑。

📚 课程目录