3. 传感器与感知：激光雷达、深度相机、超声波传感器的工作原理、数据预处理与障碍物检测
各位同学，欢迎来到传感器与感知这一章。
做机器人控制，说白了就是让机器人知道「我在哪」和「周围有什么」。这两件事，全靠传感器撑着。我这些年调试过的机器人，从几万块的工业AGV到几百块的DIY小车，传感器选型永远是第一个坑。今天咱们就把三种最常用的传感器——激光雷达、深度相机、超声波——掰开揉碎了讲清楚。
3.1 激光雷达：机器人的「眼睛」
激光雷达，英文叫LiDAR。它的原理其实很简单：发射一束激光，打到物体上反射回来，测量飞行时间（ToF）或者相位差，就能算出距离。我最早接触激光雷达是在2016年，那时候一个单线雷达要上万块，现在几百块就能买到不错的国产货了。
核心原理：激光雷达每秒发射数万到数十万个激光点，每个点包含距离和角度信息。把这些点拼起来，就形成了「点云」。
实际项目中，激光雷达最怕什么？怕玻璃、怕黑漆漆的物体、怕雨雾。我记得有一次在工厂调试，机器人死活检测不到一块透明亚克力板，直接撞上去了。后来才意识到，激光穿过透明材料，反射信号太弱了。
3.1.1 数据预处理
拿到原始点云数据，不能直接用。为什么？因为噪声太多了。我习惯做三步预处理：
- 离群点滤除：用统计滤波器，去掉那些明显偏离的点。比如一个点周围5厘米内没有其他点，大概率是噪声。
- 地面滤除：对于移动机器人，地面上的点会干扰障碍物检测。用RANSAC算法拟合地面平面，然后去掉。
- 体素滤波：点云太密了，计算量太大。把空间划分成小立方体（体素），每个体素内只保留一个代表点。
// 伪代码：体素滤波
VoxelGrid filter;
filter.setLeafSize(0.05f, 0.05f, 0.05f); // 5cm体素
filter.setInputCloud(original_cloud);
filter.filter(filtered_cloud);
我的经验：体素大小别设太小，否则降采样效果不明显。我一般设5-10cm，既能保留结构，又能把点云量降到原来的十分之一。
3.1.2 障碍物检测
预处理完，怎么判断有没有障碍物？最经典的方法是「栅格地图」。把机器人周围划分成一个个小格子，每个格子统计有多少个激光点落进去。如果某个格子的点密度超过阈值，就标记为障碍物。
嗯，这里要注意：激光雷达只能检测一个平面上的障碍物。比如一张桌子，激光只能扫到桌腿，扫不到桌面。所以单线雷达做避障，一定要把安装高度和角度算好。
3.2 深度相机：看得更「立体」
深度相机，比如Intel RealSense、微软Kinect、奥比中光，它们能输出RGB图像+深度图。说白了，就是每个像素不光有颜色，还有距离信息。
深度相机有三种主流技术：
- 结构光：投射红外光斑图案，通过变形计算深度。室内效果好，室外见光死。
- 双目视觉：两个摄像头模拟人眼，通过视差算深度。计算量大，但室外也能用。
- ToF：和激光雷达类似，发射红外光测飞行时间。速度快，但分辨率低。
避坑指南：我曾经在室外用结构光相机做避障，结果大太阳底下深度图全是黑的。后来换成双目方案才解决。如果你要做户外机器人，别选结构光。
3.2.1 数据预处理
深度相机的原始数据，问题比激光雷达还多。我总结了几大痛点：
- 空洞：某些区域没有深度值，比如反光表面、黑色物体。需要用插值算法填补。
- 噪声：深度值抖动厉害，尤其是边缘区域。用双边滤波可以保边去噪。
- 对齐：RGB图和深度图的分辨率、视角不一样，需要做对齐（registration）。
# Python示例：深度图空洞填充
import cv2
import numpy as np
def fill_depth_holes(depth_img):
# 用形态学操作填补小空洞
kernel = np.ones((5,5), np.uint8)
dilated = cv2.dilate(depth_img, kernel, iterations=1)
mask = (depth_img == 0).astype(np.uint8)
filled = depth_img * (1 - mask) + dilated * mask
return filled
3.2.2 障碍物检测
深度相机的好处是能检测三维障碍物。比如悬空的柜子、地上的坑，激光雷达可能漏掉，但深度相机能看见。
我常用的方法是：把深度图转成点云，然后做欧几里得聚类。说白了，就是把靠得近的点归为一类，每个类就是一个障碍物。
关键参数：聚类距离阈值。设太小，一个障碍物被拆成好几块；设太大，多个障碍物被合并。我一般设0.2-0.5米，具体看场景。
3.3 超声波传感器：便宜但「粗糙」
超声波传感器，比如HC-SR04，几块钱一个。原理是发射超声波脉冲，等回声回来，算时间差。速度慢、精度低，但胜在便宜、不怕透明物体。
说实话，超声波在机器人避障里越来越边缘化了。但我还是会在一些场景用它：比如近距离防撞（<30cm），或者作为激光雷达的补充——激光扫不到玻璃，超声波可以。
3.3.1 数据预处理
超声波的数据预处理，其实就两件事：
- 去噪：超声波容易受环境干扰，比如电机噪声、其他超声波的串扰。我习惯做中值滤波，取最近3-5次测量的中位数。
- 角度补偿：超声波波束角很宽（通常30-60度），测到的距离不一定是正前方的。如果机器人有姿态变化，需要做补偿。
// 伪代码：超声波中值滤波
float ultrasonic_filter(float new_reading) {
static float buffer[5] = {0};
static int index = 0;
buffer[index] = new_reading;
index = (index + 1) % 5;
// 排序取中值
std::sort(buffer, buffer + 5);
return buffer[2];
}
我的习惯：超声波采样频率别太高，20-30Hz就够了。太快了数据抖动大，而且多个超声波同时工作会互相干扰。
3.3.2 障碍物检测
超声波检测障碍物，说白了就是设一个阈值。比如距离小于30cm，就认为有障碍物。但要注意：超声波测距有最小盲区，一般是2-5cm。太近了反而测不准。
我曾经犯过一个错：把超声波装在机器人正前方，结果机器人原地转弯时，超声波打到自己的轮子上，误报障碍物。后来加了角度过滤才解决。
3.4 传感器融合：取长补短
单个传感器总有短板。激光雷达怕玻璃，深度相机怕强光，超声波精度低。所以实际项目中，我几乎都是多传感器融合。
下面这张图是我常用的融合策略：
你看，每个传感器先自己做预处理，然后统一送到融合模块。我常用的融合方法是扩展卡尔曼滤波（EKF），把不同传感器的观测值按置信度加权合并。说白了，就是谁准就多信谁一点。
一句话总结：激光雷达管远距离和平面，深度相机管三维空间，超声波管近距离和特殊材质。三者配合，才能让机器人「眼观六路」。
好了，这一章的内容就到这里。传感器感知是避障控制的基础，数据预处理做不好，后面算法再牛也白搭。各位在实际项目中，一定要多花时间调传感器参数，这个功夫省不得。
公众号:蓝海资料掘金营，微信deep3321