第1章：传感器选型与原理——超声波、红外、激光雷达、视觉传感器
各位同学，咱们开始上课。今天聊的是避障系统的「眼睛」——传感器选型。
说实话，我见过太多项目因为传感器选错而返工。有个做物流无人车的朋友，选了超声波做主要避障，结果在仓库里撞了三次货架。为什么？因为货架腿太细，超声波反射不回来。嗯，这就是典型的选型翻车。
1.1 超声波传感器
原理其实很简单：发射一束人耳听不到的高频声波，碰到障碍物反射回来，算时间差。距离 = 声速 × 时间 / 2。
我个人习惯用HC-SR04做原型验证，便宜，几块钱一个。但量产项目我基本不用它。
核心参数：
- 测量范围：2cm ~ 4m（常见）
- 精度：±1cm ~ ±3cm
- 波束角：15° ~ 30°
- 更新率：20Hz ~ 50Hz
优点：
- 成本极低，几块钱到几十块钱
- 不受光线影响，暗处也能用
- 对透明物体（玻璃、亚克力）能检测
缺点：
- 波束角宽，分辨不了细小的障碍物
- 受温度、湿度影响大
- 对吸音材料（海绵、布料）几乎无效
- 多台同时工作会串扰
我的经验：超声波适合做近距离辅助避障，比如无人机离地1米内的高度计。但别指望它看清一根电线杆。我曾经在农业无人机上试过用超声波测树冠距离，结果树冠太蓬松，回波信号弱到离谱。
1.2 红外传感器
红外传感器分两种：一种是测距用的，一种是避障用的开关量。
测距型红外（比如Sharp GP2Y0A系列）原理是三角测量法：红外LED发射光，物体反射后由PSD（位置敏感探测器）接收，根据光斑位置算距离。
开关型红外就简单了，发射管和接收管并排放着，有障碍物反射回来就输出高电平。说白了就是个「有/没有」的判断。
核心参数（以GP2Y0A02为例）：
- 测量范围：20cm ~ 150cm
- 输出：模拟电压（与距离成反比）
- 更新率：25Hz
- 工作温度：-10°C ~ 60°C
优点：
- 响应快，几毫秒出结果
- 体积小，适合小型无人机
- 成本适中，几十块钱
缺点：
- 受环境光干扰严重，阳光下基本废掉
- 测量距离有限，一般不超过2米
- 对黑色物体检测距离大幅缩短
- 输出非线性，需要查表校准
避坑指南：我曾经在户外无人机上用过红外测距，大太阳天直接读数飘到天上去。后来加了遮光罩才勉强能用。所以户外项目，红外慎用。
1.3 激光雷达（LiDAR）
LiDAR是现在避障系统的明星选手。原理是发射激光脉冲，测量反射时间。你想想看，光速是3×10⁸ m/s，要测厘米级精度，时间分辨率得做到纳秒级。
市面上主流分两种：
- 单线LiDAR：比如RPLIDAR A1，旋转扫描，输出二维点云
- 多线LiDAR：比如Velodyne VLP-16，16线同时扫描，输出三维点云
无人机上用得最多的是单线LiDAR，装在机头前方做水平避障。也有用三颗LiDAR拼成270°视野的方案，我做过，效果不错但成本感人。
核心参数（以RPLIDAR A1为例）：
- 测量范围：0.15m ~ 12m
- 测距精度：±1%
- 扫描频率：5Hz ~ 10Hz
- 角分辨率：0.45° ~ 1°
- 采样率：8000次/秒
优点：
- 精度高，毫米级
- 不受环境光影响
- 能生成点云地图，支持SLAM
- 对细小物体（电线、树枝）也能检测
缺点：
- 贵！单线几百到几千，多线几万到几十万
- 有旋转部件，怕震动
- 功耗大，单线LiDAR也要2W以上
- 对玻璃、水面等镜面反射物无效
我的建议：如果预算允许，LiDAR是首选。我在做巡检无人机时，用单线LiDAR配合IMU做避障，效果比超声波好太多。但要注意，LiDAR怕雨雾天气，水滴会散射激光。
1.4 视觉传感器
视觉传感器分三类：单目、双目、深度相机。说白了都是用摄像头看世界，但算距离的方式不同。
1.4.1 单目视觉
单目相机只有一个镜头。它怎么测距？靠的是「先认识物体，再估算距离」。比如知道一个篮球直径24cm，在画面里占了100个像素，就能反推出距离。
但问题来了——如果遇到没见过的物体呢？那就抓瞎了。所以单目避障需要大量的训练数据，而且泛化能力有限。
核心参数：
- 分辨率：640×480 ~ 1920×1080
- 帧率：30fps ~ 60fps
- 视场角：60° ~ 120°
- 测距方式：基于深度学习的目标尺寸估计
优点：成本低，几十块钱；信息丰富，能识别物体类别
缺点：测距不准；依赖训练数据；计算量大
1.4.2 双目视觉
双目模仿人眼，两个镜头同时拍，通过左右图像的视差算距离。原理就是三角测量，和红外那个有点像。
双目测距的精度取决于基线长度（两个镜头之间的距离）和分辨率。基线越长，测距越远，但相机体积也越大。
核心参数（以Intel RealSense D435为例）：
- 测距范围：0.1m ~ 10m
- 深度精度：±2% @ 2m
- 分辨率：1280×720（深度）
- 帧率：30fps
- 基线：50mm
优点：
- 不需要训练数据，纯几何计算
- 能生成稠密深度图
- 成本适中，几百到一千多
缺点：
- 计算量大，需要GPU或FPGA加速
- 对纹理少的场景（白墙）无效
- 受光照影响大
- 基线限制了最小测距距离
避坑指南：我曾经在室内无人机上用双目避障，结果飞到白墙前面直接撞上去了。为什么？因为白墙没有纹理，双目匹配不到特征点。后来我加了结构光辅助才解决。
1.4.3 深度相机
深度相机是「主动双目」或「结构光」方案。它自己发射红外光斑或编码光，然后根据光斑变形算深度。说白了就是「我帮你打光，你再算距离」。
典型产品有Kinect、RealSense D415（结构光）、D435（主动双目）。
核心参数（以Kinect v2为例）：
- 测距范围：0.5m ~ 4.5m
- 深度精度：±1cm @ 1m
- 分辨率：512×424（深度）
- 帧率：30fps
- 技术：ToF（飞行时间法）
优点：
- 室内精度高，毫米级
- 不受纹理影响
- 能生成稠密深度图
缺点：
- 室外基本不能用（红外光被太阳淹没）
- 功耗大，5W以上
- 成本高，一两千起步
- 多台同时工作会互相干扰
1.5 传感器选型对比表
| 传感器类型 | 测距范围 | 精度 | 成本 | 室外可用 | 计算量 | 典型应用 |
|---|---|---|---|---|---|---|
| 超声波 | 2cm~4m | ±1cm | 低 | 是 | 低 | 高度计、近距离避障 |
| 红外 | 20cm~1.5m | ±3cm | 低 | 否 | 低 | 桌面机器人、室内避障 |
| 单线LiDAR | 0.15m~12m | ±1% | 中 | 是 | 中 | 无人机水平避障、SLAM |
| 多线LiDAR | 0.1m~100m | ±2cm | 高 | 是 | 高 | 自动驾驶、大型无人机 |
| 单目视觉 | 0.5m~50m | 差 | 低 | 是 | 高 | 目标识别、辅助避障 |
| 双目视觉 | 0.1m~10m | ±2% | 中 | 是 | 高 | 室内避障、深度估计 |
| 深度相机 | 0.5m~4.5m | ±1cm | 高 | 否 | 中 | 室内SLAM、手势识别 |
1.6 选型建议
说了这么多，到底怎么选？我个人习惯按场景来：
- 室内无人机：双目视觉 + 超声波高度计。成本可控，效果够用。
- 室外无人机：单线LiDAR + 单目视觉。LiDAR做主要避障，视觉做目标识别。
- 低成本方案：超声波 + 红外。但别指望它能飞多稳，撞了就认栽。
- 高端方案：多线LiDAR + 深度相机。钱到位了，效果自然好。
最后说一句：没有完美的传感器。我见过最稳的避障系统，是LiDAR + 双目 + 超声波三冗余。但那个项目预算够买一辆车。你想想看，你的项目预算多少？
好了，这一章就到这里。下一章我们讲传感器数据融合——怎么把多个传感器的数据揉在一起，得到更靠谱的障碍物信息。