4、传感器与感知：超声波、激光雷达、红外传感器原理、传感器数据处理与融合基础
各位同学，欢迎来到第四章。前面几章我们聊了路径规划的理论框架，但说实话，算法再漂亮，传感器数据一塌糊涂，机器人照样撞墙。我当年刚入行时，就吃过这个亏——自以为A*算法写得天衣无缝，结果超声波一上，数据全是毛刺，机器人原地转圈。嗯，从那以后我明白了一个道理：感知是规划的基石，传感器是机器人的眼睛。
这一章，我们聚焦三种最常见的传感器：超声波、激光雷达、红外。我会结合项目经验，把原理、数据处理、融合方法讲透。你想想看，搞懂这些，你就能让机器人「看得见」路。
4.1 超声波传感器：便宜但别小看它
超声波传感器，说白了就是蝙蝠的回声定位。发射40kHz左右的声波，碰到障碍物反射回来，根据时间差算距离。公式很简单：
距离 = (声速 × 时间差) / 2声速在空气中约340m/s，受温度影响。我在项目中遇到过，冬天室外温度零下，测距直接偏了5cm。所以，实际工程中一定要加温度补偿。
4.1.1 典型参数与选型
| 参数 | 典型值 | 说明 |
|---|---|---|
| 测量范围 | 2cm - 4m | 近端有盲区，远端衰减 |
| 精度 | ±1cm @ 1m内 | 远距离精度下降 |
| 波束角 | 15° - 60° | 角度越大，横向分辨率越差 |
| 更新频率 | 20 - 50Hz | 受声波传播时间限制 |
我个人习惯，室内机器人用HC-SR04就够了，成本几块钱。但注意，波束角大是双刃剑——能覆盖宽区域，但容易把旁边的墙误判为正前方的障碍。
4.1.2 数据处理：去噪与滤波
超声波数据噪声很大。为什么？因为多径反射、串扰、温度波动。我建议用以下三步处理：
- 中值滤波：连续采5个点，取中间值。能干掉突发噪声。
- 限幅滤波：相邻两次差值超过阈值（比如10cm），直接丢弃。防止跳变。
- 滑动平均：取最近N个有效值的平均。N=3~5比较合适。
核心经验：超声波不适合做精细建图，但做避障足够了。我在扫地机器人项目里，就用3个超声波覆盖前方120°，配合红外做近场检测，效果很稳。
4.2 激光雷达：SLAM的黄金搭档
激光雷达（LiDAR）是现在SLAM的主流选择。它发射激光束，测量飞行时间（ToF）或相位差，得到精确的距离。相比超声波，它精度高、波束窄、速度快。
为什么会这样？因为激光波长比声波短得多，方向性好。我常用的RPLIDAR A1，测距范围12m，精度±1cm，采样频率8000Hz。你想想看，每秒8000个点，建图能不精细吗？
4.2.1 数据格式与坐标系
激光雷达输出的通常是极坐标数据：角度θ和距离r。转换成笛卡尔坐标：
x = r * cos(θ)
y = r * sin(θ)注意，坐标系原点在雷达中心。如果你把雷达装在机器人前方，做路径规划时一定要做坐标变换。我曾经因为忘了这个，规划出来的路径直接穿墙——嗯，那次调试到凌晨两点。
4.2.2 点云预处理
原始点云不能直接用。我一般做以下处理：
- 离群点剔除：统计每个点邻域内的点数，少于阈值的视为噪声。
- 地面滤除：对于3D雷达，提取地面以下点并移除。2D雷达则直接忽略低于雷达安装高度的数据。
- 降采样：用体素滤波器，把点云网格化，每个网格保留一个点。减少计算量。
避坑指南：我曾经在玻璃墙环境中吃过亏——激光直接穿透玻璃，雷达以为前方没障碍，机器人一头撞上去。后来我加了超声波做互补，才解决这个问题。
4.3 红外传感器：近场感知的利器
红外传感器，原理是发射红外光，根据反射光强度判断距离。常见的有Sharp GP2Y0A系列，测距范围10cm-80cm。它便宜、响应快，但受环境光影响大。
我个人习惯，把红外用在近场避障和悬崖检测。比如，机器人靠近墙壁10cm以内，超声波盲区了，红外正好补上。
4.3.1 非线性校准
红外的输出是模拟电压，与距离呈非线性关系。Sharp的典型曲线是反比例函数。我建议做查表校准：
// 伪代码：红外校准表
float ir_lut[10] = {0.0, 0.5, 1.0, 1.5, 2.0, 2.5, 3.0, 3.2, 3.3, 3.4};
float dist_lut[10] = {80, 50, 30, 20, 15, 12, 10, 8, 6, 5};
float get_distance(float voltage) {
// 线性插值查表
for (int i = 0; i < 9; i++) {
if (voltage >= ir_lut[i] && voltage < ir_lut[i+1]) {
float ratio = (voltage - ir_lut[i]) / (ir_lut[i+1] - ir_lut[i]);
return dist_lut[i] + ratio * (dist_lut[i+1] - dist_lut[i]);
}
}
return -1; // 无效值
}注意：红外传感器在强光下会饱和。我在户外测试时，大太阳底下红外直接失效。所以，室外机器人一定要加遮光罩，或者用激光雷达替代。
4.4 传感器融合：1+1 > 2
单一传感器总有短板。超声波精度差，激光雷达怕玻璃，红外怕强光。怎么办？融合！
我常用的融合策略是加权平均 + 置信度评估。每个传感器根据当前环境动态分配权重。比如：
- 近距离（< 30cm）：红外权重高（精度好），超声波权重低（盲区）。
- 中距离（30cm - 3m）：激光雷达权重最高，超声波辅助。
- 远距离（> 3m）：激光雷达唯一可靠，其他传感器直接忽略。
4.4.1 简单融合示例
// 传感器融合伪代码
float fuse_distance(float ultrasonic, float lidar, float infrared) {
float weight_u = 0.2, weight_l = 0.7, weight_i = 0.1;
// 根据距离调整权重
if (infrared < 30 && infrared > 0) {
weight_i = 0.6; // 近场红外优先
weight_u = 0.3;
weight_l = 0.1;
}
float fused = weight_u * ultrasonic + weight_l * lidar + weight_i * infrared;
return fused;
}你想想看，这样融合后，机器人在玻璃墙前，激光雷达失效了，但超声波和红外还能工作。整体鲁棒性大幅提升。
4.4.2 进阶：卡尔曼滤波融合
如果要做更精确的融合，我推荐卡尔曼滤波。它根据传感器噪声协方差，动态估计最优值。不过，卡尔曼滤波对计算资源有要求，嵌入式上要小心实现。这部分我们后面章节会详细讲。
我的经验：在资源受限的MCU上，别用太复杂的融合算法。加权平均 + 限幅滤波，往往比花哨的算法更可靠。记住，嵌入式第一原则：简单、稳定、可预测。
4.5 本章小结
这一章，我们聊了三种传感器的原理、数据处理和融合方法。核心要点：
- 超声波：便宜但噪声大，适合避障，不适合建图。
- 激光雷达：精度高，SLAM首选，但怕玻璃和镜面。
- 红外：近场利器，需要校准，怕强光。
- 融合：取长补短，动态权重是工程中最实用的方法。
下一章，我们会把这些传感器数据用起来，开始讲栅格地图构建与更新。到时候，你会看到传感器数据如何变成机器人能理解的环境模型。嗯，敬请期待。
公众号:蓝海资料掘金营，微信deep3321