3、传感器原理与数据处理：激光雷达（LiDAR）工作原理与点云数据、深度相机（RGB-D）与视觉数据、IMU与里程计数据融合、传感器标定基础
各位同学，欢迎来到传感器原理这一节。说实话，这部分内容是我在飞控算法里最常被问到，也是我自己踩坑最多的领域。你想想看，无人机要避障，首先得「看见」障碍物。但怎么看见？靠什么看见？看见之后数据长什么样？这些问题搞不清楚，后面写再多控制算法也是白搭。
今天我们就来聊聊四种核心传感器：激光雷达、深度相机、IMU，以及它们之间的数据融合。嗯，还有标定——这个我当年吃了不少亏。
3.1 激光雷达（LiDAR）工作原理与点云数据
激光雷达，说白了就是「用激光测距」。它发射一束激光，打到物体上反射回来，通过计算时间差或者相位差，就能知道距离。再配合旋转机构或者固态扫描，就能得到一圈一圈的距离数据。
工作原理核心：
- ToF（飞行时间法）：发射脉冲，计算往返时间。精度高，抗干扰强。我项目中用的基本都是这种。
- 三角测距法：利用激光发射点和接收点的几何关系。成本低，但远距离精度差。室内小机器人用得多。
点云数据长什么样？其实就是一堆三维坐标点 (x, y, z)，外加一个反射强度值。每一帧点云可能有几万到几十万个点。处理起来，CPU 压力不小。
重要概念：点云的稀疏性与密度。16线激光雷达和128线，数据量差8倍。选型时一定要算好算力余量。
个人经验：我在做园区物流无人机时，一开始用了32线雷达，结果点云太密，嵌入式平台跑不动。后来降采样到每帧保留5000个关键点，效果反而更好。有时候不是数据越多越好。
点云处理的基本流程：
- 滤波：去除离群点、地面点。常用算法：体素滤波、统计滤波。
- 分割：把点云分成不同物体。比如用欧几里得聚类。
- 特征提取：提取平面、边缘、角点等。用于后续匹配。
// 伪代码：点云体素滤波
VoxelGrid filter;
filter.setLeafSize(0.1f, 0.1f, 0.1f); // 10cm体素
filter.setInputCloud(raw_cloud);
filter.filter(filtered_cloud);
// 输出：降采样后的点云，数据量减少约70%3.2 深度相机（RGB-D）与视觉数据
深度相机，就是能同时输出彩色图像和深度图像的相机。常见的原理有三种：
- 结构光：投射红外点阵，通过变形计算深度。代表：Kinect v1、Intel RealSense。
- ToF：和激光雷达类似，但用面阵接收。代表：Kinect v2、Azure Kinect。
- 双目立体视觉：两个摄像头，通过视差计算深度。代表：ZED、Mynt Eye。
深度数据怎么用？我一般把它转成伪点云，然后和激光雷达点云做融合。但要注意，深度相机的有效距离通常只有3-10米，远不如激光雷达。好处是能提供颜色信息，方便做语义识别。
避坑指南：我曾经在户外强光下用结构光深度相机，结果深度图全是黑洞。后来才明白，结构光在阳光下会被淹没。户外场景，老老实实用ToF或者双目。
视觉数据处理的关键步骤：
- 畸变校正：去除镜头畸变。标定板拍几张就能搞定。
- 深度图滤波：中值滤波、双边滤波，去除噪点。
- 对齐：把深度图和彩色图对齐到同一个坐标系。
3.3 IMU与里程计数据融合
IMU（惯性测量单元）包含加速度计和陀螺仪。它能提供高频的角速度和加速度数据。但有个致命问题——漂移。积分几分钟，位置误差就能到几十米。
里程计（Odometry）通常来自轮式编码器或者视觉/激光里程计。它提供相对位姿估计，但低频且有累积误差。
为什么要把它们融合？说白了就是取长补短：
- IMU：高频（200-1000Hz），短期精度高，但长期漂移。
- 里程计：低频（10-30Hz），长期稳定，但短期有延迟和噪声。
融合的经典方法就是卡尔曼滤波（EKF）或者因子图优化。我个人习惯用EKF，简单够用。
// EKF融合伪代码（简化版）
// 预测步骤（IMU驱动）
x_pred = x_prev + v * dt + 0.5 * a * dt^2
P_pred = F * P_prev * F^T + Q
// 更新步骤（里程计观测）
z = odom_pose
y = z - H * x_pred // 残差
S = H * P_pred * H^T + R
K = P_pred * H^T * inv(S) // 卡尔曼增益
x_updated = x_pred + K * y
P_updated = (I - K * H) * P_pred我的习惯：IMU的噪声协方差矩阵Q，我一般先跑一段静态数据，算一下Allan方差来定。别拍脑袋设，不然融合效果会很奇怪。
3.4 传感器标定基础
标定，就是把不同传感器的坐标系对齐。比如激光雷达的坐标系和IMU的坐标系之间，有一个旋转和平移关系。这个关系不准，融合出来的数据就是错的。
标定分两种：
- 内参标定：传感器自身的参数。比如相机焦距、畸变系数；IMU的零偏、尺度因子。
- 外参标定：传感器之间的相对位姿。比如LiDAR到IMU的旋转矩阵R和平移向量t。
外参标定的常用方法：
- 手动标定：找特征点，手动测量。精度低，但快。
- 自动标定：用优化算法，比如手眼标定法（AX=XB）。我推荐用Kalibr或者lidar_align这类开源工具。
曾经踩过的坑：有一次我偷懒，外参标定只做了平移没做旋转，结果点云投影到图像上总是歪的。查了两天才发现是旋转矩阵差了0.5度。嗯，标定这事，真不能省。
标定流程大致如下：
- 固定传感器，采集多组数据（比如棋盘格、标定板）。
- 提取特征点（角点、平面等）。
- 构建优化问题，最小化重投影误差或点面距离。
- 验证标定结果：看投影误差是否小于1像素，或者点云对齐误差是否小于2cm。
核心总结：传感器是无人机的「眼睛」和「耳朵」。激光雷达给距离，深度相机给颜色和深度，IMU给高频姿态，里程计给低频位置。标定是把它们「对齐」的关键一步。这一步做不好，后面所有算法都是空中楼阁。
好了，这一节的内容就到这里。传感器原理是基础中的基础，但也是最容易出问题的地方。我建议你动手之前，先把每个传感器的数据格式、坐标系、时间戳搞清楚。不然调试的时候，你会发现自己像个无头苍蝇。