第三章 传感器与数据采集：高精地图的“眼睛”与“耳朵”
各位同学，大家好。欢迎来到《高精地图构建与验证》的第三讲。今天我们来聊聊传感器与数据采集。说白了，这就是高精地图的“感官系统”。没有它们，地图就是无源之水。
我个人习惯把传感器比作一个团队的成员：激光雷达是那个严谨的测绘员，相机是那个善于观察的艺术家，而GPS/IMU组合导航，则是那个永远知道自己在哪里的导航员。它们各司其职，又必须紧密配合。
3.1 激光雷达：点云世界的“尺子”
激光雷达，LiDAR，原理其实不复杂。就是发射激光束，打到物体上反射回来，通过计算时间差来测距。你想想看，一秒钟发射几十万甚至上百万个点，就构成了我们常说的“点云”。
原理与核心指标
- 测距原理：主流是ToF（飞行时间法）。也有FMCW（调频连续波）的，抗干扰能力强，但成本高。
- 线束：16线、32线、64线、128线。线束越多，垂直分辨率越高，看到的细节越丰富。我建议，做高精地图，至少64线起步。
- 视场角：水平360°是标配。垂直视场角越大，盲区越小。
- 精度：通常2-3cm。这是地图绝对精度的基础。
重要内容： 选型时，别只看线束。点频（每秒点数）和测距精度同样关键。点频决定了建图的效率，精度决定了地图的质量。
选型避坑指南
我曾经在一个项目中，为了省钱选了16线激光雷达。结果建出来的地图，路沿和电线杆全是“锯齿状”，后期处理费了老大劲。所以，我的经验是：预算允许的情况下，线束和精度往高了选。这钱省不得。
主流产品对比
| 品牌 | 型号 | 线束 | 测距 | 典型应用 |
|---|---|---|---|---|
| Velodyne | VLS-128 | 128 | 300m | L4级自动驾驶 |
| Hesai | Pandar64 | 64 | 200m | 高精地图采集 |
| RoboSense | RS-LiDAR-32 | 32 | 150m | 低速园区车 |
提示/技巧： 实际采集时，激光雷达的安装高度很重要。我一般建议装在车顶，高度1.8-2.0米。太低容易被遮挡，太高了近距离盲区会变大。
3.2 相机与视觉系统：给点云“上色”
激光雷达能提供精确的几何信息，但它“色盲”。这时候就需要相机出马了。相机负责提供纹理、颜色，还有交通标志、车道线这些语义信息。
相机选型要点
- 分辨率：至少500万像素。用于识别交通标志，需要更高的分辨率。
- 帧率：20-30fps。太快了数据量太大，太慢了运动模糊严重。
- 快门类型：全局快门。这一点很重要。卷帘快门在车辆运动时会产生“果冻效应”，导致图像扭曲，影响标定精度。
- 镜头：焦距决定了视场角。我习惯用多个相机组成环视系统，覆盖360°。
为什么会强调全局快门？我在项目里吃过亏。一开始用了卷帘快门的工业相机，车辆一颠簸，图像里的车道线就歪了，和点云对不上。后来换了全局快门，问题迎刃而解。
视觉与激光雷达的配合
说白了，就是“取长补短”。激光雷达提供深度，相机提供颜色。融合后的数据，既有精确的3D坐标，又有丰富的语义信息。比如，我们通过点云知道那里有一根杆子，通过图像知道那是一根交通指示牌。
3.3 GPS/IMU组合导航：知道“我在哪”
这是整个系统的“定海神针”。没有它，所有的传感器数据都是“漂”的。GPS提供绝对位置，但容易受遮挡；IMU提供相对姿态，但会随时间漂移。两者组合，才能得到稳定、高频率的位姿。
核心概念
- GPS（全球定位系统）：提供经纬度、海拔。精度在米级，差分GPS（RTK）可以到厘米级。
- IMU（惯性测量单元）：包含加速度计和陀螺仪。测量加速度和角速度，积分得到速度和姿态。
- 组合导航：通过卡尔曼滤波等算法，融合GPS和IMU数据。在GPS信号好的时候，用GPS修正IMU的漂移；在GPS信号丢失时（如隧道），用IMU进行推算。
警告/注意事项： 组合导航的初始化很重要。车辆启动后，需要静止一段时间（通常1-2分钟），让IMU完成初始对准。我曾经见过有人没做初始化就直接开出去采集，结果整段数据的姿态都是错的，全部作废。
选型建议
对于高精地图采集，我建议使用战术级或导航级IMU。消费级的IMU（比如手机里的）漂移太快，几分钟就偏得没边了。好的组合导航系统，比如NovAtel、Applanix，价格不菲，但物有所值。
3.4 多传感器标定基础：让它们“说同一种语言”
这是最容易被忽视，但也是最重要的一步。你想想看，激光雷达有自己的坐标系，相机有相机的坐标系，IMU也有自己的坐标系。如果不把它们统一起来，数据就是“鸡同鸭讲”。
标定什么？
- 内参标定：标定传感器自身的参数。比如相机的焦距、畸变系数；激光雷达的旋转轴偏移。
- 外参标定：标定传感器之间的相对位置和姿态。比如激光雷达坐标系到相机坐标系的旋转矩阵和平移向量。
标定方法
- 目标法：使用标定板、标定间。精度高，但操作繁琐。我习惯在项目初期用这个方法，建立基准。
- 无目标法：利用自然场景中的特征（如建筑物角点、车道线）进行自动标定。方便，但鲁棒性稍差。
代码示例：激光雷达与相机外参标定（伪代码）
// 1. 从点云中提取角点特征
std::vector<Point3D> lidar_corners = extractCornersFromPointCloud(cloud);
// 2. 从图像中提取对应的角点特征
std::vector<Point2D> image_corners = extractCornersFromImage(image);
// 3. 使用PnP算法求解外参
// 输入：3D点、2D点、相机内参
// 输出：旋转矩阵R，平移向量t
solvePnP(lidar_corners, image_corners, camera_matrix, dist_coeffs, R, t);
// 4. 验证：将点云投影到图像上，检查重合度
projectPointCloudToImage(cloud, R, t, camera_matrix);重要内容： 标定不是一劳永逸的。车辆震动、温度变化都可能导致外参发生微小变化。我建议，每次出车采集前，都做一次快速验证标定。如果发现投影误差超过3个像素，就需要重新标定了。
好了，这一章的内容就到这里。传感器是数据的源头，源头出了问题，后面再怎么处理也是白搭。下一章，我们会聊聊如何把这些原始数据，变成真正可用的地图要素。