第三章：传感器基础——机器人的“感官世界”

大家好，我是你们的老朋友。今天我们来聊聊机器人导航里最基础、也最关键的一环——传感器。说白了，机器人要动起来，得先知道“我在哪”、“周围有什么”。这全靠传感器来感知。

我个人习惯把传感器比作机器人的眼睛、耳朵和平衡感。激光雷达是“眼睛”，看距离；深度相机是“立体眼”，看形状和颜色；IMU和里程计是“内耳”和“脚步”，感知姿态和位移。这三者缺一不可。

3.1 激光雷达工作原理

激光雷达，英文叫LiDAR。它发射激光束，打到物体上反射回来，通过计算时间差来测距。原理其实很简单：光速是已知的，时间差一测，距离就出来了。

核心公式：

距离 = (光速 × 飞行时间) / 2

为什么除以2？因为激光走了个来回。嗯，这里要注意，实际应用中要考虑大气衰减、多路径效应等，但入门阶段记住这个公式就够了。

常见的激光雷达类型：

• 单线激光雷达：只扫描一个平面，适合室内导航。我在项目中用过RPLIDAR A1，性价比不错。
• 多线激光雷达：扫描多个平面，能构建3D点云。Velodyne的16线、32线是经典款。
• 固态激光雷达：没有旋转部件，靠光学相控阵或闪光技术。未来趋势，但目前成本高。

ROS中的使用：

在ROS里，激光雷达数据通常以sensor_msgs/LaserScan消息发布。你可以用rviz直接可视化。我个人习惯先跑一个rosbag record录下数据，离线调试，这样省得每次都要搬机器人。

# 启动激光雷达驱动（以RPLIDAR为例）
roslaunch rplidar_ros rplidar.launch

# 查看话题
rostopic echo /scan

3.2 深度相机（RGB-D）原理

深度相机，也叫RGB-D相机。它同时输出彩色图像和深度图像。你想想看，有了深度信息，机器人就能知道每个像素点离自己有多远，这对避障和三维重建太重要了。

主流技术方案：

技术	原理	代表产品	优缺点
结构光	投射红外点阵，通过变形计算深度	Kinect v1, Intel RealSense	室内精度高，室外易受干扰
飞行时间（ToF）	发射红外脉冲，测量飞行时间	Kinect v2, Azure Kinect	速度快，但分辨率较低
双目立体视觉	两个摄像头视差计算深度	ZED, MYNT EYE	室外可用，但计算量大

我个人在项目里用过Intel RealSense D435，它属于结构光+双目融合的方案。说实话，室内效果很好，但一到阳光直射的窗边，深度图就出现大块黑洞。嗯，这是物理限制，没办法。

# 安装工具包
sudo apt install ros-noetic-depthimage-to-laserscan

# 启动转换节点
rosrun depthimage_to_laserscan depthimage_to_laserscan image:=/camera/depth/image_raw

3.3 IMU与里程计基础

IMU，惯性测量单元。它包含加速度计和陀螺仪。加速度计测线性加速度，陀螺仪测角速度。里程计则是通过编码器或视觉推算位移。

IMU的核心问题：漂移。为什么？因为加速度计测的是加速度，要积分两次才能得到位移。积分一次是速度，再积分一次是位置。每次积分都会累积误差。陀螺仪也有零偏，时间一长，角度就歪了。

我记得第一次做IMU融合时，机器人明明停着，但积分出来的位置却在“漂移”。后来加了卡尔曼滤波，才把问题压下去。

里程计类型：

• 轮式里程计：靠电机编码器，简单可靠。但打滑时数据就废了。
• 视觉里程计：靠相机特征点匹配，无打滑问题。但光照变化大时容易丢。
• 激光里程计：靠激光点云匹配，精度高。但计算量大。

ROS中的IMU数据：

IMU数据通常以sensor_msgs/Imu消息发布。里面包含四元数（姿态）、角速度、线性加速度。我个人习惯先检查imu_tf是否配置正确，否则坐标系一乱，整个导航就崩了。

# 查看IMU数据
rostopic echo /imu/data

# 常用IMU驱动（如MPU6050）
roslaunch imu_publisher imu_publisher.launch

知识体系总览

下面这张图是我自己画的，把本章的核心逻辑串起来了。你一看就明白：传感器各自负责什么，数据怎么流动，最终怎么服务于导航。

你看，激光雷达、深度相机、IMU/里程计，各自采集原始数据，然后通过融合算法得到稳定的位姿和地图，最后才能做导航和避障。任何一个传感器出问题，整个系统都会受影响。

好了，这一章的内容就到这里。传感器是机器人的基础，理解透了，后面的导航算法才能玩得转。记住：没有好的数据，再牛的算法也是白搭。

---