传感器基础：机器人感知世界的“眼睛”
大家好，我是你们的老朋友。今天咱们聊聊传感器。说实话，做机器人避障这么多年，我最大的感触就是——传感器选对了，项目就成功了一半。你想想看，算法再牛，如果传感器数据是坨垃圾，那输出结果也只能是垃圾。这就是所谓的“垃圾进，垃圾出”。
这一章，我会带你逐一拆解几种主流传感器：激光雷达、深度相机、超声波和红外。最后再聊聊传感器融合——嗯，这才是真正让机器人“开窍”的关键。
一、激光雷达（LiDAR）：精度之王
激光雷达，英文叫LiDAR，全称是Light Detection And Ranging。说白了，就是通过发射激光束，测量目标距离。原理其实很简单：发射一束激光，打到物体上反射回来，记录时间差，乘以光速再除以2，距离就出来了。
核心公式：距离 = (光速 × 飞行时间) / 2
我个人习惯把LiDAR分成两类：机械旋转式和固态式。机械式的，就是那个顶上有个旋转小帽子的，像扫地机器人头顶那个小蘑菇。固态式的呢，没有旋转部件，靠电子扫描，体积更小、寿命更长。
数据格式方面，LiDAR输出的通常是点云数据。每个点包含三个信息：
- x, y, z：三维空间坐标
- intensity：反射强度，可以用来区分不同材质
- ring：线束编号（多线LiDAR才有）
我在项目中遇到过一件事：有一次用16线LiDAR做室外导航，结果下雨天数据全是噪点。后来才发现，雨滴对激光的反射太强了，导致大量假点。所以，LiDAR在雨雾天气下性能会大打折扣，这点一定要注意。
避坑指南：我曾经在室内用单线LiDAR做SLAM，结果遇到玻璃墙直接“穿模”了。因为激光会穿透透明玻璃，导致测距失效。后来我换成了带反射强度过滤的方案，才勉强解决。如果你也遇到玻璃障碍物，建议配合其他传感器一起用。
二、深度相机（RGB-D）：看得见，摸得着
深度相机，也叫RGB-D相机。它不仅能拍彩色照片，还能告诉你每个像素离你有多远。常见的原理有三种：
- 结构光法：投射红外光斑，通过光斑变形计算深度。代表产品：Kinect v1、Intel RealSense。
- 飞行时间法（ToF）：发射红外脉冲，测量飞行时间。代表产品：Kinect v2、苹果Face ID。
- 双目立体视觉：两个摄像头模拟人眼，通过视差计算深度。代表产品：ZED相机。
我个人比较偏爱ToF方案，因为它在室内外都能用，而且不受环境光影响太大。但结构光在强光下基本就废了——你想想看，太阳光里也有红外成分，直接把投射的红外光斑淹没了。
数据格式方面，RGB-D相机输出的是对齐后的彩色图和深度图。深度图每个像素值代表该点到相机的距离，单位通常是毫米。举个例子：
// 假设深度图中的一个像素值为 850
// 表示该点距离相机 850mm，也就是 0.85 米
uint16_t depth_value = depth_image.at<uint16_t>(y, x);
float distance_m = depth_value / 1000.0f;注意：深度相机的有效测距范围通常有限。比如Intel RealSense D435，有效距离只有0.1米到10米。超出这个范围，数据就不可靠了。我见过有人拿它做室外远距离避障，结果数据全是噪声，白白浪费了算力。
三、超声波与红外传感器：便宜但够用
这两种传感器，说白了就是“穷人的避障方案”。虽然精度不如LiDAR和深度相机，但在某些场景下，它们反而更靠谱。
| 特性 | 超声波传感器 | 红外传感器 |
|---|---|---|
| 工作原理 | 发射超声波，接收回波 | 发射红外光，检测反射强度 |
| 测距范围 | 2cm ~ 4m | 10cm ~ 1.5m |
| 精度 | ±1cm左右 | ±5cm左右 |
| 受环境光影响 | 无 | 大（强光下失效） |
| 受材质影响 | 吸音材料（如海绵）会失效 | 黑色物体吸收红外，测距不准 |
| 典型应用 | 扫地机器人沿墙、倒车雷达 | 近距离避障、人感检测 |
我记得有一次做教育机器人，预算有限，只能用超声波。结果发现，如果两个超声波传感器靠得太近，它们会互相干扰——一个发射的信号被另一个接收了，导致测距错误。解决方案是分时复用，让它们轮流工作。
红外传感器呢，我建议只用在室内近距离场景。为什么？因为阳光里的红外成分太强了，室外基本没法用。而且黑色物体对红外吸收严重，测距结果会偏大。你想想看，一个黑色桌腿，红外传感器可能测出1米，实际只有0.5米，这避障能靠谱吗？
四、传感器融合：1+1 > 2
好了，单个传感器的优缺点你都知道了。那问题来了：怎么让它们协同工作？这就是传感器融合要干的事。
传感器融合，说白了就是取长补短。比如：
- LiDAR精度高，但怕玻璃和雨雾
- 深度相机能识别颜色和纹理，但测距范围有限
- 超声波不怕光，但精度低、有盲区
- 红外便宜，但受环境影响大
把它们的数据融合在一起，就能得到更稳定、更可靠的感知结果。常见的融合方法有：
- 卡尔曼滤波：最经典的融合算法，适合线性系统
- 扩展卡尔曼滤波（EKF）：处理非线性系统，比如机器人转弯时的状态估计
- 粒子滤波：适合非高斯分布的场景，比如全局定位
- 贝叶斯融合：基于概率论的融合方法，简单直观
我个人习惯用EKF做传感器融合。为什么？因为大多数机器人的运动模型都是非线性的，EKF正好能处理。而且实现起来不算太复杂，适合工程落地。
核心思想：传感器融合不是简单地把数据平均一下，而是根据每个传感器的置信度，加权融合。置信度高的传感器，权重就大；置信度低的，权重就小。这样即使某个传感器突然失效，整体系统也不会崩。
下面这张图，是我自己总结的传感器融合知识框架，你可以看看：
你看，整个流程就是：多个传感器采集数据 → 预处理（去噪、对齐） → 融合算法处理 → 输出融合结果 → 用于避障决策。每一步都很关键，缺一不可。
我的经验：刚开始做融合时，别一上来就上EKF或粒子滤波。先试试简单的加权平均，看看效果。如果不行，再逐步升级算法。我见过太多人一上来就搞复杂算法，结果调参调到崩溃，最后发现简单的方案反而更稳定。
好了，这一章的内容就到这里。传感器是机器人感知的基础，选对传感器、用好融合方法，你的避障算法就成功了一大半。下一章我们会深入讲点云处理，到时候再聊。
公众号:蓝海资料掘金营，微信deep3321