4. 传感器基础（三）：摄像头与视觉传感器、激光雷达（LiDAR）原理、毫米波雷达与超声波传感器
好，我们继续聊传感器。前面两章我们把惯性传感器和磁力计、气压计这些讲透了。这一章，咱们要进入一个更“看得见”的世界——视觉和距离传感器。
说实话，这部分内容在量产项目中是最容易出问题的。为什么？因为环境太复杂了。我见过太多团队在实验室跑得飞起，一到户外就崩。嗯，咱们今天就把这些坑提前踩一遍。
4.1 摄像头与视觉传感器
摄像头，说白了就是给机器装上一双眼睛。但你要知道，这双眼睛看到的不是“图像”，而是像素矩阵。我们做融合，就是要从这些矩阵里提取出有意义的信息。
4.1.1 成像原理与关键参数
摄像头的工作原理，本质上就是小孔成像加光电转换。光线通过镜头，打到CMOS或CCD传感器上，每个像素点把光信号转成电信号，再经过ADC变成数字量。
我个人习惯，选型时最关注三个参数：
- 分辨率：不是越高越好。分辨率高了，数据量大，处理延时也大。量产项目中，VGA（640x480）到720p其实够用，除非你要做高精度识别。
- 帧率：30fps是底线。做运动检测或视觉里程计，我建议至少60fps。帧率低了，运动模糊会让你头疼。
- 动态范围：这个最容易被忽略。我在一个户外机器人项目里吃过亏——大晴天树荫下，摄像头直接过曝，啥都看不见。后来换了高动态范围的传感器，才解决问题。
重要提示：视觉传感器的输出是2D信息，缺少深度。所以单目摄像头无法直接测量距离。这是融合算法要解决的核心问题之一。
4.1.2 视觉传感器的类型
市面上常见的视觉传感器，我按使用场景分三类：
| 类型 | 特点 | 典型应用 |
|---|---|---|
| 单目摄像头 | 成本低，体积小，无深度信息 | 车道线检测、交通标志识别 |
| 双目摄像头 | 通过视差计算深度，精度中等 | 障碍物测距、SLAM |
| RGB-D摄像头 | 直接输出深度图，受环境光影响大 | 室内导航、手势识别 |
你想想看，双目摄像头为什么能测距？其实就是模仿人眼。两个摄像头看到同一个物体，位置有偏差，这个偏差叫视差。通过三角测量，就能算出距离。公式很简单：
深度 Z = (焦距 f * 基线距离 B) / 视差 d但要注意，基线距离越大，测距精度越高，但体积也越大。这是个取舍。
我的经验：如果你做室内机器人，RGB-D摄像头（比如Intel RealSense）是最省事的。但千万别拿到室外用，红外结构光在阳光下直接失效。我曾经犯过这个错，项目延期两周。
4.2 激光雷达（LiDAR）原理
激光雷达，我愿称之为“感知之王”。它直接输出3D点云，精度高，抗干扰能力强。但价格嘛……嗯，懂的都懂。
4.2.1 工作原理
LiDAR的核心原理是飞行时间法（ToF）。发射一束激光，打到物体上反射回来，测量往返时间。光速是已知的，距离就能算出来：
距离 = (光速 * 飞行时间) / 2为什么要除以2？因为激光走了个来回。这个细节，我见过不少新手搞错。
激光雷达按扫描方式分两种：
- 机械式：通过旋转电机带动激光器旋转。优点是视场角大（360°），缺点是机械结构容易坏。我在一个车载项目里，机械式LiDAR用了半年，轴承就开始有异响。
- 固态式：没有旋转部件，靠光学相控阵或MEMS微镜实现扫描。可靠性高，但视场角小。未来趋势，但现在成本还高。
4.2.2 关键参数与选型
选LiDAR时，我一般看这几个指标：
| 参数 | 说明 | 量产建议 |
|---|---|---|
| 线数 | 16线、32线、64线、128线 | 自动驾驶至少32线，AGV 16线够用 |
| 探测距离 | 通常50m-200m | 低速场景50m足够，高速需要150m+ |
| 精度 | ±2cm到±5cm | 精度越高越好，但价格翻倍 |
| 点云密度 | 每秒点数（万点/秒） | 密度低会导致小物体漏检 |
避坑指南：我曾经在一个项目中选了16线LiDAR，觉得够用。结果在测试时，一个30cm高的路障完全没被检测到——因为线束间距太大，激光正好从路障上方和下方穿过去了。后来换了32线才解决。所以，线数不是越多越好，但太少真的会漏东西。
4.3 毫米波雷达
毫米波雷达，说白了就是发射毫米波段的电磁波。它和LiDAR最大的区别是：不怕雨雾。LiDAR在雨雪天性能会下降，但毫米波雷达几乎不受影响。
4.3.1 工作原理
毫米波雷达也用的是飞行时间法，但它还能测速度——利用多普勒效应。当目标靠近时，反射波的频率变高；远离时，频率变低。通过频率变化，就能算出相对速度。
这个特性在自动驾驶里太重要了。你想想看，前车突然急刹车，摄像头可能还没反应过来，但毫米波雷达已经检测到速度变化了。
常见的频段有：
- 24GHz：短距，常用于盲区检测
- 77GHz：长距，精度更高，用于自适应巡航
- 60GHz：新兴频段，用于车内生命体征检测
4.3.2 优缺点
我个人的使用感受：
- 优点：全天候工作，能测速，成本适中（比LiDAR便宜很多）
- 缺点：角度分辨率低，无法区分行人还是自行车（都是“一团”），对静止目标检测能力弱
我的建议：毫米波雷达最适合做“辅助”传感器。和摄像头融合，一个负责测距测速，一个负责识别分类。单独用毫米波雷达做感知，你会被它的虚警搞疯的。
4.4 超声波传感器
超声波传感器，可能是最“古老”的距离传感器了。原理简单：发射超声波（20kHz以上），等回波，算时间。但你别小看它，在量产项目中，它依然不可或缺。
4.4.1 工作原理与特点
超声波在空气中的传播速度大约是340m/s。测距公式：
距离 = (声速 * 时间) / 2和LiDAR一样，也要除以2。
它的特点很明显：
- 优点：成本极低（几块钱一个），对透明物体（玻璃）也能检测，不受光线影响
- 缺点：精度低（厘米级），探测距离短（一般2-5米），有盲区（近处测不到），受温度和气流影响
4.4.2 量产中的典型应用
超声波传感器最常见的场景就是倒车雷达。但你知道吗？它在机器人里也很有用。我在一个扫地机器人项目里，用超声波检测地毯和瓷砖的边界——因为地毯对超声波的反射和瓷砖完全不同。
另外，超声波还有一个妙用：检测透明障碍物。玻璃门、亚克力板，LiDAR和摄像头都容易“看”不见，但超声波能检测到。这个特性在仓储机器人里特别实用。
注意：超声波传感器有“串扰”问题。多个超声波同时工作，会互相干扰。解决办法是分时触发，或者用不同频率。我见过一个团队没注意这个，结果所有超声波一起发射，回波全乱套了。
4.5 传感器融合的初步思考
好了，四种传感器都讲完了。你可能会问：这么多传感器，怎么融合？
我简单说几个原则：
- 互补性：摄像头擅长识别，LiDAR擅长测距，毫米波雷达擅长测速，超声波擅长近距。各取所长。
- 冗余性：一个传感器失效，另一个还能顶上。比如LiDAR坏了，毫米波雷达还能提供距离信息。
- 时间同步：这是个大坑。不同传感器的采样频率不同，数据时间戳要对齐。否则融合出来的结果会“时空错乱”。
具体的融合算法，咱们后面的章节会详细讲。这里先记住一句话：没有完美的传感器，只有完美的融合。
嗯，这一章内容不少。你先把这些传感器的原理和特性吃透，后面做融合时才能得心应手。下一章，咱们开始讲数据预处理——传感器拿到手，第一步该做什么。