第1章：传感器基础——激光雷达、IMU、轮式里程计与标定
各位同学，欢迎来到《激光雷达SLAM建图与定位技术实战》的第一章。
做SLAM，说白了就是让机器人回答三个问题：“我在哪？”、“周围长什么样？”、“我该怎么走？”。而要回答这些问题，首先得搞清楚我们手头的传感器能提供什么信息。
这一章，我们就来聊聊最核心的几种传感器：激光雷达、IMU、轮式里程计，以及它们之间的标定。嗯，这部分是基础，但也是后面所有算法能跑通的前提。
1.1 激光雷达：SLAM的“眼睛”
激光雷达，英文叫LiDAR，是SLAM系统里最可靠的传感器之一。它直接测量距离，精度高，不受光照影响。我个人习惯把激光雷达比作“尺子”，一把能快速旋转的尺子。
1.1.1 工作原理：TOF vs 三角法
市面上主流的激光雷达，工作原理分两种：TOF（飞行时间法）和三角法。
TOF法，顾名思义，就是发射一束激光，打到物体上反射回来，测量这束光飞了多久。光速是恒定的，时间乘以光速再除以2，就是距离。
公式很简单：
距离 = (光速 × 飞行时间) / 2TOF雷达的优点是测距远（几十米到上百米），精度高，抗干扰能力强。我在项目中用过16线和32线的TOF雷达，效果很稳定。缺点是成本高，对时间测量电路要求极高。
三角法则不同。它利用激光发射点和接收相机之间的基线，通过几何三角关系计算距离。激光打到物体上，在相机成像平面形成一个光斑。物体越近，光斑位置偏移越大。
它的优点是近距离（比如0.1-10米）精度非常高，而且成本低。很多扫地机器人用的就是三角法雷达。但缺点也很明显——远了就不行，而且容易受环境光干扰。
核心区别总结：
| 特性 | TOF法 | 三角法 |
|---|---|---|
| 测距原理 | 光飞行时间 | 三角几何 |
| 有效距离 | 远（>10m） | 近（<10m） |
| 近距离精度 | 一般 | 高 |
| 成本 | 高 | 低 |
| 典型应用 | 自动驾驶、AGV | 扫地机器人 |
我的经验：如果你做室内小场景SLAM，预算有限，三角法雷达完全够用。但要做室外或大场景，老老实实上TOF。我曾经在一个项目中为了省钱用了三角法雷达做室外建图，结果阳光一强，数据全是噪点，最后不得不返工换雷达。
1.2 IMU惯性测量单元：SLAM的“内耳”
IMU，全称Inertial Measurement Unit，通常包含三轴加速度计和三轴陀螺仪。它测量的是自身的加速度和角速度，不依赖外部环境。
你想想看，激光雷达在快速旋转时，或者机器人经过颠簸路面时，点云会变形。这时候IMU就派上用场了。它能提供高频的运动信息，用来补偿激光雷达的运动畸变。
IMU有两个致命缺点：
- 零偏（Bias）：即使静止不动，IMU的输出也不是零，有一个固定的偏移。这个偏移会随时间漂移。
- 积分误差：加速度积分得速度，速度积分得位移。每次积分都会累积误差，时间一长，位置就飞了。
所以，IMU不能单独用来做长时间定位，但它是多传感器融合中不可或缺的一环。我个人习惯把IMU当作“短距离内的精确运动估计器”，配合激光雷达或视觉，效果非常好。
避坑指南：我曾经在一个项目中，IMU的零偏没有校准好，导致激光雷达点云去畸变后，墙壁都变成了弧形。后来花了整整两天时间重新做IMU标定，才把问题解决。所以，拿到IMU的第一件事，就是做静态零偏标定。
1.3 轮式里程计：最朴素的定位方式
轮式里程计，就是通过编码器测量轮子转了多少圈，结合轮子半径，计算出机器人走了多远、转了多少弯。
公式也很直观：
位移 = 轮子周长 × 编码器脉冲数 / 每圈脉冲数对于差速轮机器人，左右轮的速度差决定了旋转角速度。
轮式里程计的优点：
- 更新频率高（通常100Hz以上）
- 短距离内精度不错
- 成本低，几乎每台机器人都有
缺点：
- 轮子打滑时，数据完全不可信
- 长时间运行，累积误差严重
- 无法感知侧向滑动
嗯，这里要注意：轮式里程计在光滑地面或地毯上，误差会急剧增大。我建议在做SLAM时，不要把轮式里程计当作主要定位源，而是作为辅助信息，比如用来初始化或做短时间预测。
1.4 传感器标定简介：让它们“说同一种语言”
传感器标定，说白了就是找到不同传感器之间的相对位姿关系。比如激光雷达装在机器人前方，IMU装在底盘中心，它们之间的平移和旋转是多少？
如果不做标定，激光雷达测到的障碍物位置，和IMU估计的机器人位置，就对不上。你想想看，这会导致建图出现重影，定位也会飘。
常见的标定内容：
- 激光雷达-IMU标定：确定LiDAR坐标系和IMU坐标系之间的旋转和平移。常用工具如
lidar_align或kalibr。 - 激光雷达-轮式里程计标定：确定LiDAR坐标系和机器人基座坐标系的关系。通常通过手动测量或运动学约束来求解。
- IMU内参标定：校准加速度计和陀螺仪的零偏、尺度因子等。可以用
imu_utils工具。
标定的核心思想：让传感器同时观测同一个目标（比如一个标定板或一个特征点），然后通过优化算法，求解出它们之间的变换矩阵。这个过程，本质上就是一个最小二乘问题。
我记得刚开始做SLAM时，总觉得标定是浪费时间，直接拿默认参数就跑。结果数据一塌糊涂，折腾了半个月才发现是标定没做好。从那以后，我养成了一个习惯：每次换传感器或重新安装，第一件事就是重新标定。
我的建议：对于初学者，可以先从lidar_align这个开源工具入手。它只需要你录制一段包含激光雷达和IMU数据的bag文件，然后跑一下脚本，就能得到标定结果。虽然不一定是最优的，但足够让你把SLAM跑起来。
本章小结
这一章我们聊了三种核心传感器：
- 激光雷达：提供精确的距离信息，TOF适合远距离，三角法适合近距离低成本场景。
- IMU：提供高频的加速度和角速度，用于运动补偿和短时间估计，但存在零偏和积分误差。
- 轮式里程计：简单可靠，但怕打滑，适合做辅助定位。
- 传感器标定：是融合的前提，千万别跳过。
下一章，我们将进入实战，搭建ROS环境，并编写第一个激光雷达数据读取节点。到时候，你会亲手看到激光雷达点云在Rviz中显示出来。