第1章：传感器基础与数据特性（上）
各位同学好，我是你们这门课的主讲。今天咱们来聊聊多传感器融合里最基础、也最绕不开的两个传感器——激光雷达和IMU。
说实话，我做了这么多年机器人，见过太多项目在传感器选型上栽跟头。要么是激光雷达精度不够，建图建出一堆鬼影；要么是IMU噪声太大，融合算法怎么调都收敛不了。所以这一章，咱们把这两个传感器的底裤扒干净，看看它们到底是怎么工作的，数据长什么样，以及——怎么用好它们。
1.1 激光雷达（LiDAR）工作原理
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，测量目标物体的距离。
工作原理其实不复杂：激光器发射一束脉冲激光，打到目标物体上反射回来，被接收器捕获。通过记录激光往返的时间差，乘以光速再除以2，就能算出距离。这就是最经典的飞行时间法（ToF，Time of Flight）。
核心公式：
距离 = (光速 × 飞行时间) / 2其中光速 c ≈ 3.0 × 10⁸ m/s
当然，现在也有调频连续波（FMCW）的方案，原理略有不同，但主流还是ToF。我在做园区无人车项目时，用的就是16线机械式激光雷达，ToF方案，效果中规中矩。
个人经验：选型时别只看线数。16线在某些场景下比32线还好用，因为点云密度和视场角要匹配你的应用场景。我见过有人用64线雷达做室内小场景，结果点云太密，计算量爆炸，实时性根本跟不上。
1.2 点云数据格式
激光雷达输出的数据，我们叫它点云（Point Cloud）。每个点包含三维坐标（x, y, z），有时候还带反射强度（intensity）和通道号。
最常见的格式是PCD（Point Cloud Data）和PLY（Polygon File Format）。但在实际工程中，我们更多直接处理二进制流或者ROS的sensor_msgs/PointCloud2消息。
举个例子，一个典型的点云数据包长这样：
# 伪代码示例：点云数据结构
struct PointXYZI {
float x; // 米
float y; // 米
float z; // 米
float intensity; // 0-255，反射强度
};
struct PointCloud {
uint32_t width; // 点云宽度
uint32_t height; // 点云高度（1表示无序点云）
PointXYZI[] points; // 点数据数组
};嗯，这里要注意：height为1时，表示这是无序点云，所有点按顺序排列。height大于1时，表示这是有序点云，可以按行和列索引。我早期做项目时没注意这个细节，结果处理有序点云时用了无序的遍历方式，导致索引越界，程序直接崩了。从那以后，我每次拿到点云数据，第一件事就是检查height字段。
1.3 主要特性：精度、视野、更新率
激光雷达有三个核心指标，选型时必须搞清楚：
| 特性 | 说明 | 典型值 | 我的建议 |
|---|---|---|---|
| 精度 | 测距误差，通常为±1~3cm | ±2cm @ 100m | 室内场景选±3cm以内即可，室外远距离要±1cm |
| 视野（FOV） | 水平和垂直的扫描角度范围 | 水平360°，垂直30°（16线） | 机械式雷达水平视野好，固态雷达垂直视野窄 |
| 更新率 | 每秒输出多少帧点云 | 10~20 Hz | 高速移动场景建议20Hz以上，低速场景10Hz够用 |
避坑指南：我曾经在高速移动的AGV上用了10Hz的雷达，结果每帧之间车辆移动了1米多，点云畸变严重，建图直接糊了。后来加了IMU做运动补偿才解决。所以，如果你做高速场景，更新率一定要高，或者必须做运动畸变校正。
1.4 惯性测量单元（IMU）工作原理
IMU，全称Inertial Measurement Unit，惯性测量单元。它内部集成了加速度计和陀螺仪，用来测量物体的加速度和角速度。
加速度计的原理，说白了就是测量一个质量块在加速度作用下的位移。你想想看，当你坐车急加速时，身体会往后靠，加速度计里的质量块也是这个道理。通过电容或压电效应，把位移转换成电信号，就能算出加速度。
陀螺仪呢，测量的是角速度。常见的是MEMS陀螺仪，利用科里奥利效应——一个振动的质量块在旋转时会产生侧向位移，通过检测这个位移就能算出旋转速度。
核心数据：
- 三轴加速度：ax, ay, az，单位 m/s²
- 三轴角速度：wx, wy, wz，单位 rad/s
我习惯把IMU数据想象成一个六维向量：[ax, ay, az, wx, wy, wz]。这个向量每时每刻都在变化，记录着物体的运动状态。
1.5 零偏与噪声特性
IMU有个让人头疼的问题——零偏（Bias）和噪声（Noise）。
零偏是什么意思？就是当IMU静止不动时，理论上加速度计应该输出0，陀螺仪也应该输出0。但实际上，由于制造工艺和温度影响，它们会输出一个非零的小值。这个值就是零偏。
噪声就更烦人了。IMU的输出信号里，总是叠加着随机噪声。你想想看，如果直接对加速度积分求速度，再积分求位置，噪声会像滚雪球一样越滚越大。这就是为什么纯IMU导航几分钟就漂到天边去了。
| 误差类型 | 来源 | 影响 | 处理方法 |
|---|---|---|---|
| 零偏（Bias） | 制造误差、温度漂移 | 积分后产生累积误差 | 静态标定、在线估计 |
| 白噪声（White Noise） | 电路热噪声、量化噪声 | 高频抖动 | 低通滤波、滑动平均 |
| 随机游走（Random Walk） | 零偏随时间缓慢变化 | 长期漂移 | 卡尔曼滤波中建模 |
个人经验：我建议你在拿到新IMU后，先做一次静态标定。把IMU水平放置，采集5分钟数据，计算均值作为零偏。然后把这个零偏值硬编码到初始化参数里。虽然不完美，但能省掉很多后续调试的麻烦。
另外，IMU的噪声特性通常用Allan方差来分析。这个工具能帮你区分白噪声、零偏不稳定性、随机游走等不同噪声成分。我在做高精度组合导航时，每次换IMU芯片，第一件事就是跑Allan方差，看看它的噪声底限在哪里。
好了，这一章的内容就到这里。激光雷达和IMU，一个提供绝对测量（距离），一个提供相对测量（加速度、角速度）。两者互补，正是多传感器融合的魅力所在。下一章，咱们接着聊相机和编码器，看看它们又有什么脾气和秉性。
公众号:蓝海资料掘金营，微信deep3321