传感器选型与融合：激光雷达、深度相机、超声波、IMU的优缺点对比
做动态避障，传感器就是机器人的眼睛和耳朵。选错了传感器，算法再牛也白搭。我这些年踩过的坑不少，今天就把四种主流传感器的底细给你讲透。
一、四大传感器，各怀绝技
1. 激光雷达（LiDAR）
这玩意儿精度高，测距远，室内室外都能用。我最早做AGV小车时，用的就是单线激光雷达。它直接给你输出点云数据，角度分辨率能做到0.1°以内。
| 维度 | 说明 |
|---|---|
| 优点 | 精度高（±2cm）、抗干扰强、全天候工作 |
| 缺点 | 贵、怕灰尘、无法识别颜色和纹理 |
| 典型场景 | 室内导航、无人车、SLAM建图 |
个人经验：有一次在粉尘车间做项目，激光雷达数据直接炸了——点云里全是噪点。后来加了防尘罩和算法滤波才搞定。记住，激光雷达怕雾怕尘，别指望它在恶劣环境下还那么靠谱。
2. 深度相机
说白了就是能看出物体远近的摄像头。RGB-D相机（比如Kinect、RealSense）能同时给你彩色图和深度图。我习惯用它们做物体识别和避障。
| 维度 | 说明 |
|---|---|
| 优点 | 信息丰富（颜色+深度）、成本低、适合室内 |
| 缺点 | 室外强光下失效、测距短（一般<10m）、受纹理影响 |
| 典型场景 | 服务机器人、抓取、室内避障 |
避坑指南：我曾经在阳光直射的窗边测试深度相机，结果深度图全是黑洞。后来才知道，结构光原理的相机在强光下基本废掉。如果你要做室外项目，优先考虑双目或ToF方案。
3. 超声波传感器
老将出马，一个顶俩。超声波测距虽然精度不高（厘米级），但胜在便宜、耐用、不怕透明物体。我经常用它做近距离防撞。
| 维度 | 说明 |
|---|---|
| 优点 | 成本极低、检测透明物体、不受光照影响 |
| 缺点 | 精度低、有盲区、易受干扰（串扰） |
| 典型场景 | 倒车雷达、近距离避障、液位检测 |
小技巧：多个超声波同时工作时，记得错开发射时序。我见过有人把四个超声波装一排，结果互相串扰，数据全乱套。解决办法很简单——轮流触发，或者用不同频率。
4. IMU（惯性测量单元）
IMU是机器人的「内耳」，告诉你加速度和角速度。它不能直接测距离，但能推算姿态和位置。我习惯用它做短时间的位置推算和姿态稳定。
| 维度 | 说明 |
|---|---|
| 优点 | 完全自主、高更新率（>100Hz）、不受外界干扰 |
| 缺点 | 有漂移、误差随时间累积、需要初始校准 |
| 典型场景 | 姿态估计、航位推算、辅助定位 |
我的习惯：IMU数据一定要做低通滤波。原始数据噪声很大，直接拿来用会抖得你怀疑人生。我一般用互补滤波或者Mahony滤波，简单又有效。
二、多传感器融合策略
单个传感器都有短板，融合才是王道。你想想看，激光雷达精度高但怕灰尘，深度相机信息丰富但怕强光，超声波便宜但精度低，IMU不依赖外界但会漂移。把它们组合起来，取长补短，这才是工程上的最优解。
1. 卡尔曼滤波（KF）
这是最经典的融合算法。它假设系统是线性的，噪声是高斯分布。说白了，就是用一个「预测-更新」的循环，把多个传感器的数据揉在一起。
// 卡尔曼滤波核心步骤（伪代码）
// 预测阶段
x_pred = A * x_prev + B * u
P_pred = A * P_prev * A^T + Q
// 更新阶段
K = P_pred * H^T * (H * P_pred * H^T + R)^(-1)
x_est = x_pred + K * (z - H * x_pred)
P_est = (I - K * H) * P_pred经验之谈：调卡尔曼滤波，最难的是调Q和R矩阵。Q代表你对模型的信任度，R代表你对传感器的信任度。我刚开始做时，把Q设得特别小，结果滤波器反应迟钝，避障根本来不及。后来把Q调大一些，让滤波器更相信测量值，效果立竿见影。
2. 扩展卡尔曼滤波（EKF）
现实世界哪有那么多线性系统？机器人运动模型、观测模型，基本都是非线性的。EKF就是卡尔曼滤波的非线性版本，它用泰勒展开把非线性函数近似成线性。
// EKF 核心区别：用雅可比矩阵代替状态转移矩阵
// 预测阶段
x_pred = f(x_prev, u) // 非线性状态转移函数
F = df/dx // 计算雅可比矩阵
P_pred = F * P_prev * F^T + Q
// 更新阶段
H = dh/dx // 观测函数的雅可比矩阵
K = P_pred * H^T * (H * P_pred * H^T + R)^(-1)
x_est = x_pred + K * (z - h(x_pred))
P_est = (I - K * H) * P_pred注意：EKF的雅可比矩阵计算很关键，算错了直接发散。我曾经在写观测模型时，把H矩阵的符号搞反了，结果滤波器越跑越偏，机器人直接撞墙。嗯，从那以后我每次都会手算一遍雅可比矩阵再写代码。
三、融合策略实战建议
说了这么多理论，到底怎么选？我给出一个常用的融合架构：
这个架构我用了好几年，效果稳定。核心思路是：先做数据预处理（时间对齐、坐标统一），再用EKF做状态融合。为什么选EKF？因为机器人的运动模型和观测模型基本都是非线性的，EKF比普通KF更合适。
我的融合策略：
- 定位融合：激光雷达+IMU，用EKF做位置和姿态估计。激光雷达提供绝对位置，IMU提供高频姿态更新。
- 避障融合：深度相机+超声波，做障碍物检测。深度相机负责远距离（3-8m），超声波负责近距离（<1m）盲区补全。
- 异常处理：当某个传感器数据异常时（比如深度相机丢帧），自动降低其权重，避免污染融合结果。
避坑指南：我曾经在融合时忘了做时间戳对齐。激光雷达是10Hz，IMU是100Hz，直接融合导致数据错位，位置估计一直在抖。后来加了时间戳插值，把IMU数据对齐到激光雷达的时间戳上，问题才解决。记住，时间对齐是融合的前提，别偷懒。
四、总结
传感器选型没有银弹。激光雷达精度高但贵，深度相机信息丰富但怕光，超声波便宜但精度低，IMU不依赖外界但会漂移。我的建议是：
- 室内服务机器人：深度相机+IMU+超声波，性价比最高
- 室外无人车：激光雷达+IMU+GPS，精度优先
- 低成本方案：超声波+IMU，适合简单避障场景
融合算法方面，EKF是入门首选。它虽然不如无迹卡尔曼滤波（UKF）或粒子滤波（PF）那么精确，但胜在计算量小、实现简单。等你把EKF吃透了，再考虑更高级的算法也不迟。