1. 感知系统概述：传感器分类、感知系统架构、典型应用场景
大家好，我是你们这堂课的老朋友。今天咱们正式开讲感知系统。说实话，做了这么多年嵌入式，我最大的感触就是——感知系统是智能硬件的「眼睛」和「耳朵」。没有它，再强的算力也是瞎子摸象。
这一章，我会带大家把感知系统的底裤扒干净。从传感器怎么分类，到系统怎么搭，再到自动驾驶、机器人、工业检测这些场景里到底怎么用。嗯，咱们慢慢聊。
1.1 传感器分类：别被花里胡哨的名字骗了
传感器种类多到让人头大。但我个人习惯，先按「感知什么」来分，再按「怎么输出」来分。这样思路清晰。
1.1.1 按物理量分类
| 类别 | 典型传感器 | 感知内容 |
|---|---|---|
| 视觉类 | 摄像头、红外热像仪、事件相机 | 图像、颜色、纹理、深度 |
| 距离类 | 激光雷达、毫米波雷达、超声波 | 距离、速度、角度 |
| 惯性类 | IMU（加速度计+陀螺仪）、磁力计 | 加速度、角速度、姿态 |
| 触觉类 | 力传感器、触觉阵列、温度传感器 | 力、压力、温度、纹理 |
| 环境类 | 麦克风、气体传感器、湿度传感器 | 声音、气体浓度、湿度 |
你想想看，一个自动驾驶车，光靠摄像头行吗？不行。下雨天、大雾天，摄像头直接瞎了。这时候就得靠毫米波雷达和激光雷达补位。我在项目中遇到过，某款车只用纯视觉方案，结果在隧道出口强光下直接丢失目标——嗯，从那以后我再也不敢轻视多传感器融合了。
1.1.2 按输出信号分类
- 模拟输出：比如老式的电位计、热敏电阻。信号是连续的电压/电流。需要ADC采样。说白了，就是原始模拟量。
- 数字输出：I2C、SPI、UART接口的传感器。直接给你数字值。比如BME280温湿度传感器，直接读寄存器就行。
- 协议输出：像激光雷达的以太网输出，或者CAN总线的车载传感器。数据量大，需要协议解析。
1.2 感知系统架构：从传感器到决策的链路
感知系统不是把传感器堆上去就完事了。它是一条完整的链路。我习惯把它分成三层：
1.2.1 感知层（数据采集）
这一层就是传感器本身。负责把物理世界的信号变成电信号。注意，这里有个坑——传感器的安装位置、角度、遮挡，都会直接影响数据质量。我记得有一次做机器人，把激光雷达装在底盘正前方，结果机器人一转弯，雷达就被自己的机械臂挡住了。嗯，设计时一定要做视场角分析。
1.2.2 处理层（信号处理与特征提取）
原始数据不能直接用。比如摄像头出来的RAW图，得做去噪、白平衡、畸变校正。激光雷达的点云，得做滤波、聚类、目标检测。这一层通常跑在MCU、DSP或者FPGA上。算力需求从这里开始爆发。
1.2.3 融合层（多传感器融合）
这是感知系统的灵魂。把不同传感器的数据对齐到同一个时空坐标系下。比如摄像头看到红色物体，激光雷达测到前方5米有障碍物，融合后才知道「前方5米有个红色障碍物」。说白了，就是让各个传感器互相补位。
感知系统性能 = 传感器精度 × 处理算法效率 × 融合策略合理性
三者缺一不可。别以为买了个贵的激光雷达就万事大吉。
1.3 典型应用场景：三个我亲手做过的案例
1.3.1 自动驾驶：多传感器融合的极致
自动驾驶是感知系统最卷的领域。一辆L4级自动驾驶车，通常有：
- 12个以上超声波雷达（近距泊车）
- 6-8个摄像头（环视+前视+后视）
- 3-5个毫米波雷达（中远距测速）
- 1-2个激光雷达（高精度3D建模）
算力需求：摄像头每秒处理30帧1080p图像，激光雷达每秒产生百万级点云。我参与过一个项目，用的英伟达Orin芯片，256 TOPS算力，跑起来风扇呼呼转。你想想看，这功耗和散热怎么压？
1.3.2 机器人：轻量化与实时性的平衡
机器人跟车不一样。机器人通常电池供电，算力有限，而且要求低延迟。我做过一个AGV（自动导引车），用的是：
- 2D激光雷达（SLAM建图）
- IMU（姿态估计）
- 深度摄像头（避障）
算力评估：STM32H7做底层控制，树莓派4B做视觉处理。说实话，树莓派跑YOLO tiny都费劲，后来换了Jetson Nano才勉强够用。这里有个经验——机器人感知的算力瓶颈往往不在传感器数量，而在算法复杂度。能跑轻量级网络就别上大模型。
1.3.3 工业检测：精度与稳定性的死磕
工业检测对精度的要求，比自动驾驶还变态。我做过一个PCB缺陷检测项目，要求检测0.1mm的划痕。用的传感器：
- 高分辨率工业相机（2000万像素）
- 远心镜头（消除透视畸变）
- 线阵光源（均匀照明）
算力需求：每秒钟处理10张2000万像素图像，用FPGA做预处理，再用工控机跑传统视觉算法（边缘检测、模板匹配）。为什么不用深度学习？因为工业场景要求100%可解释性，深度学习出了错你都不知道为什么。嗯，这里要提醒大家：选算法时别盲目追新，稳定才是王道。
小结
这一章我们聊了传感器的分类、感知系统的三层架构，以及三个典型场景。说白了，感知系统选型没有银弹。你得根据场景、算力、成本、功耗去权衡。下一章，我会详细讲每个传感器的选型参数和算力评估方法。到时候咱们拿具体芯片和传感器型号来算账。
好，今天就到这里。有什么问题，咱们课后交流。