3. 传感器与感知：激光雷达、深度相机、超声波传感器在避障中的应用

做机器人避障，说白了就是让机器人「看见」并「躲开」障碍物。

但「看见」这件事，远比想象中复杂。我刚开始做机器人那会儿，以为装个激光雷达就万事大吉了。结果呢？玻璃墙撞了三次，黑色地毯上的小物件一个都没检测到。嗯，从那以后我才明白——没有万能的传感器，只有合理的组合。

3.1 激光雷达：精度之王，但也有脾气

激光雷达（LiDAR）是目前最主流的避障传感器。它通过发射激光束并测量反射时间，来获取周围环境的点云数据。

我个人习惯把激光雷达分成两类：

• 单线激光雷达：只扫描一个平面。适合室内扫地机、AGV小车。便宜，但只能检测同一高度上的障碍物。
• 多线激光雷达：扫描多个平面（16线、32线、64线）。适合自动驾驶、复杂环境。贵，但能构建3D环境。

我在项目中遇到过一个问题：激光雷达对透明物体几乎无效。玻璃、亚克力板，激光直接穿透，反射信号极弱。结果就是——机器人直直地撞向玻璃门。

激光雷达的另一个问题是镜面反射。光滑的金属表面、镜面，会让激光发生镜面反射，导致测距数据出现「飞点」——明明有障碍物，却显示为空旷区域。

3.2 深度相机：看得更全，但怕光

深度相机（RGB-D Camera）能同时提供彩色图像和深度信息。常见的方案有两种：

技术方案	原理	代表产品	优缺点
结构光	投射红外光斑，通过变形计算深度	Kinect v1、Intel RealSense	室内精度高，室外受阳光干扰严重
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

深度相机最大的优势是能获取三维信息。激光雷达只能扫一个平面，但深度相机能看到桌子的高度、椅子的形状、甚至悬空的障碍物。

但它的短板也很明显——怕强光。你想想看，在室外阳光下，红外信号直接被太阳光淹没，深度数据全是噪声。我有个朋友做户外巡检机器人，用了深度相机，结果一到中午就「瞎」了。后来他换成了激光雷达+超声波的组合。

3.3 超声波传感器：便宜但「笨」

超声波传感器，原理很简单：发射超声波（人耳听不到的高频声波），碰到物体反射回来，通过时间差计算距离。

它的优点很突出：

• 便宜：一个HC-SR04模块才几块钱
• 不受光学干扰：玻璃、镜面、透明物体都能检测
• 不怕灰尘和光照：在恶劣环境下依然可用

但缺点也让人头疼：

• 精度低：一般只能到厘米级
• 有盲区：太近的物体（<2cm）检测不到
• 容易串扰：多个超声波同时工作会互相干扰
• 波束角宽：你不知道障碍物具体在哪个方向，只知道「大概在这个扇形区域内」

为什么会这样？因为超声波是声波，它会扩散。发射出去的声波是一个锥形，而不是一束细线。所以超声波传感器只能告诉你「前方有障碍物」，但说不清「在左边还是右边」。

3.4 传感器融合：1+1>2

单一传感器都有缺陷。真正的工程实践，是多传感器融合。

我常用的融合策略是这样的：

1. 激光雷达做主传感器：提供全局的2D障碍物信息，用于路径规划和实时避障
2. 深度相机做辅助：检测悬空障碍物和低矮障碍物（比如地上的书包、门槛）
3. 超声波做补盲：检测透明物体和近距离障碍物

在ROS中，传感器融合通常通过message_filters实现时间同步，然后用costmap_2d把不同传感器的数据融合到一张代价地图中。

# 一个简单的传感器融合示例（Python伪代码）
import rospy
from sensor_msgs.msg import LaserScan, PointCloud2
from sensor_fusion import SensorFusion

def callback(laser_data, depth_data):
    # 激光雷达数据
    obstacles_2d = extract_obstacles_from_laser(laser_data)
    # 深度相机数据
    obstacles_3d = extract_obstacles_from_depth(depth_data)
    # 融合到代价地图
    costmap = fusion.update(obstacles_2d, obstacles_3d)
    # 发布给路径规划模块
    pub.publish(costmap)

# 时间同步
sub_laser = message_filters.Subscriber('/scan', LaserScan)
sub_depth = message_filters.Subscriber('/depth/points', PointCloud2)
ts = message_filters.ApproximateTimeSynchronizer(
    [sub_laser, sub_depth], queue_size=10, slop=0.1)
ts.registerCallback(callback)

3.5 实战中的传感器选型建议

说了这么多，到底该怎么选？我根据项目经验，给几个参考方案：

应用场景	推荐传感器组合	预算范围
室内扫地机	单线激光雷达 + 超声波 x4	500-2000元
室内服务机器人	单线激光雷达 + 深度相机 + 超声波 x6	3000-8000元
室外巡检机器人	多线激光雷达 + 超声波 x8 + GPS	1万-5万元
自动驾驶	多线激光雷达 x2 + 毫米波雷达 + 摄像头	10万+

最后说一句：传感器只是工具，算法才是灵魂。再好的传感器，如果数据处理不好、融合策略不对，照样会撞墙。反过来，用便宜的传感器配合好的算法，也能做出不错的避障效果。

我见过有人用两个超声波传感器加一个Arduino，就做出了能自动避障的小车。虽然精度不高，但思路对了——先跑起来，再优化。