第1章：环境感知与地图构建——传感器与地图基础

各位同学好，我是你们这门课的主讲。今天咱们聊聊环境感知和地图构建。说实话，这是整个无人机自主飞行的基石。你想想看，如果飞机连自己在哪、周围有什么都不知道，那还谈什么路径规划？

我刚开始做无人机那会儿，就吃过这个亏。有一次在室外测试，GPS信号突然飘了，飞机差点撞树。从那以后，我深刻理解了一个道理：感知系统就是无人机的眼睛和耳朵，地图就是它的大脑。

3.1 传感器简介

先说说常用的传感器。每种传感器都有自己的脾气，你得摸透了才能用好。

GPS（全球定位系统）

GPS大家都不陌生。它提供经纬度和高度信息，精度一般在米级。好的RTK-GPS能到厘米级，但价格也上去了。

GPS的数据更新频率一般是5-10Hz，对于慢速飞行够用，但做高速机动时就不太行了。这时候需要和其他传感器融合。

IMU（惯性测量单元）

IMU包含加速度计和陀螺仪。它测量的是加速度和角速度，说白了就是感知运动状态。

IMU的优点是更新频率高（100-1000Hz），不受外界干扰。但缺点也很明显——积分误差会随时间累积。我记得有次做长航时测试，纯靠IMU积分定位，半小时后位置误差已经超过100米了。

激光雷达（LiDAR）

激光雷达通过发射激光束测量距离。它能直接获取三维点云数据，精度高、范围远。

常见的激光雷达有单线和多线之分。单线的只能扫一个平面，多线的能扫多个平面，形成3D点云。我项目里常用的是16线和32线的，性价比不错。

激光雷达的缺点？嗯，一个是贵，另一个是怕雨雾天气。激光在雨滴里会散射，数据质量下降得厉害。

视觉传感器（相机）

相机是最便宜的传感器，信息量也最大。单目、双目、RGB-D，各有各的玩法。

• 单目相机：成本低，但无法直接获取深度信息
• 双目相机：通过视差计算深度，精度中等
• RGB-D相机：直接输出深度图，但受环境光影响大

视觉的优点是信息丰富，能识别物体、纹理。缺点是计算量大，光照变化时容易出问题。我曾经在黄昏时分做视觉SLAM，光线一暗，特征点全丢了，定位直接崩了。

3.2 栅格地图与八叉树地图

传感器采集的数据怎么组织成地图？这里介绍两种主流方案。

栅格地图（Grid Map）

栅格地图就是把空间划分成一个个小格子。每个格子要么是障碍物，要么是自由空间，要么是未知区域。

这种地图简单直观，适合二维平面。我最早做扫地机器人时就用的栅格地图，每个格子0.1米×0.1米，效果还不错。

但栅格地图有个问题：内存消耗大。如果空间很大，或者分辨率很高，内存很快就爆了。比如一个100米×100米的区域，0.1米分辨率，就需要100万个格子。

八叉树地图（OctoMap）

八叉树地图是栅格地图的升级版。它用树状结构存储空间，对空白区域用大格子表示，对复杂区域用小格子表示。

说白了，八叉树地图就是自适应分辨率。空旷的地方用粗粒度，障碍物附近用细粒度。这样既节省内存，又保留了关键信息。

八叉树地图的深度一般设为16层，每层分辨率翻倍。第0层是整个空间，第16层是最小格子。你可以根据实际需求调整深度。

3.3 占据网格地图

占据网格地图（Occupancy Grid Map）是栅格地图的一种变体。每个格子存储的不是简单的0/1，而是被占据的概率。

为什么要用概率？因为传感器有噪声。激光雷达测距有误差，视觉深度估计也不完美。用概率表示，可以融合多次观测，逐步逼近真实情况。

概率更新用的是贝叶斯公式。每次观测后，根据传感器模型更新格子的占据概率。公式长这样：

P(occ | z) = P(z | occ) * P(occ) / P(z)

实际工程中，我们通常用对数几率（log-odds）来避免数值下溢。每次更新就是简单的加法：

L(occ | z) = L(occ) + L(z | occ) - L(occ_prior)

下面这张图展示了本章的知识体系：

好了，这一章的内容就到这里。传感器选型、地图表示方法，这些都是后续路径规划的基础。下一章我们会深入讲SLAM，也就是同时定位与地图构建，到时候会用到今天讲的所有知识。