第2章传感器基础与特性

第2章：传感器基础与特性

各位同学，今天我们来聊聊传感器的“脾气”。

做传感器融合，说白了就是跟一堆“有缺陷”的数据打交道。你想想看，如果每个传感器都完美无缺，那还要我们这些工程师干嘛？直接取平均值不就完了。但现实是，每个传感器都有自己的“小性子”。

这一章，我就带大家摸清这些传感器的底细。了解它们的强项和弱点，是做好融合的第一步。

2.1 常见传感器类型概览

在自动驾驶和机器人领域，我们常用的传感器就那么几种。我按自己的习惯，把它们分成“内部感知”和“外部感知”两类。

2.1.1 IMU（惯性测量单元）

IMU 是“闷头干活”的典型。它不依赖外部信号，全靠内部的加速度计和陀螺仪来推算自身运动。

加速度计：测量三轴加速度。注意，它测的是“比力”，包含重力分量。所以静止时，你也能读出 1g 的数值。
陀螺仪：测量三轴角速度。也就是你转得多快。

我在项目中遇到过一个问题：IMU 的零偏会随时间漂移。刚上电时数据还挺准，跑个几分钟就开始“跑偏”了。嗯，这里要注意，IMU 的误差是随时间累积的，不能单独用来做长时间定位。

2.1.2 GPS（全球定位系统）

GPS 是“外援型”选手。它靠天上的卫星给你报位置。优点是没有累积误差，缺点嘛……信号容易被遮挡。

精度：普通民用 GPS 精度在 2-5 米左右。RTK（实时动态差分）可以做到厘米级。
更新率：一般是 10Hz，也就是每秒报 10 次位置。

我建议，在城市峡谷或隧道里，千万别指望 GPS。它一旦丢星，位置会瞬间跳变几十米。我曾经在立交桥下吃过这个亏，从那以后，我设计融合算法时都会给 GPS 加一个“置信度”权重。

2.1.3 摄像头

摄像头是“最像人眼”的传感器。它提供的信息最丰富——车道线、行人、交通标志，全都能看到。

优点：分辨率高，能识别语义信息（比如“这是红灯”）。
缺点：受光照影响大。晚上、逆光、雨雾天，性能会断崖式下降。

说白了，摄像头是个“娇气”的传感器。你想想看，大雾天连人都看不清，摄像头又能好到哪去？所以做融合时，我习惯把摄像头的数据当作“高价值但不可靠”的信息来处理。

2.1.4 激光雷达（LiDAR）

激光雷达是“硬核理工男”。它直接给你一个三维点云，告诉你“前方 10 米处有个障碍物”。

优点：精度高（厘米级），不受光照影响。晚上和白天一样好使。
缺点：怕雨雪雾。激光会被水滴反射，导致点云变稀疏。

我记得有一次在雨夜测试，激光雷达的点云几乎“糊”了。嗯，这里要注意，激光雷达在恶劣天气下，性能会大打折扣。不能因为它精度高就盲目信任。

2.1.5 毫米波雷达

毫米波雷达是“老江湖”。它用无线电波测距和测速，穿透力极强。

优点：不怕雨雪雾，能直接测速度（多普勒效应）。
缺点：角度分辨率低，无法区分“行人”和“自行车”。

我个人的经验是：毫米波雷达是“全天候”的保障。当摄像头和激光雷达都“罢工”时，它还能给你提供基本的目标信息。但它的数据很“粗糙”，需要配合其他传感器一起用。

2.2 传感器误差来源与特性分析

了解了传感器类型，我们再来看看它们为什么会出错。我把误差来源归纳为三类：

2.2.1 确定性误差

这类误差是“有规律”的，可以通过校准来消除。

误差类型	说明	常见于
零偏（Bias）	传感器静止时，输出不为零	IMU 陀螺仪、加速度计
尺度因子（Scale Factor）	输出值与真实值成比例偏差	加速度计、磁力计
轴间非正交	三个测量轴不严格垂直	IMU、磁力计

举个例子，IMU 的零偏校准。我习惯在传感器静止时采集一段数据，然后取平均值作为零偏值。代码很简单：

// 采集 1000 个静止样本
float bias_sum = 0;
for (int i = 0; i < 1000; i++) {
    bias_sum += read_gyro();
}
float gyro_bias = bias_sum / 1000.0;
// 后续使用时减去零偏
float corrected_gyro = raw_gyro - gyro_bias;

注意，这个零偏会随温度变化。所以更严谨的做法是做一个“温度-零偏”查找表。

2.2.2 随机误差

这类误差是“无规律”的，只能用统计方法处理。

白噪声：高频随机波动。比如 IMU 的角速度随机游走。
闪烁噪声：低频漂移。比如 GPS 的位置缓慢漂移。

为什么会这样？因为传感器内部的电子元件，本身就有热噪声。你想想看，电子在导体里乱撞，输出信号能不抖吗？

处理随机误差，我常用的方法是“滤波”。比如用卡尔曼滤波器来估计真实值。这里不展开，后面章节会详细讲。

2.2.3 环境相关误差

这类误差跟“外部环境”有关，是传感器融合中最头疼的。

环境因素	影响	典型场景
多路径效应	GPS 信号被建筑物反射，导致位置跳变	城市峡谷、高架桥下
雨雪雾	激光雷达点云变稀疏，摄像头图像模糊	恶劣天气
光照变化	摄像头过曝或欠曝，特征点丢失	隧道出入口、逆光
电磁干扰	毫米波雷达出现虚假目标	高压线附近、大型电机旁

我曾经在一条两边都是高楼的道路上测试 GPS。结果位置数据像“喝醉了酒”一样，左右乱晃。后来一查，是多路径效应导致的。从那以后，我设计融合算法时，都会加入“一致性检查”——如果 GPS 位置突然跳变，就暂时不用它。

2.3 误差特性分析：一个简单的例子

我们拿 IMU 的加速度计来练练手。假设你采集了 1 秒钟的静止数据（100 个样本），想分析它的误差特性。

// 假设 raw_data 是采集到的 100 个加速度值
float mean = 0;
for (int i = 0; i < 100; i++) {
    mean += raw_data[i];
}
mean /= 100.0;  // 均值，代表零偏

float variance = 0;
for (int i = 0; i < 100; i++) {
    variance += (raw_data[i] - mean) * (raw_data[i] - mean);
}
variance /= 100.0;  // 方差，代表噪声大小

float std_dev = sqrt(variance);  // 标准差

这个标准差，就是你后续滤波时要用到的“测量噪声协方差矩阵”的参考值。说白了，它告诉你这个传感器“抖”得有多厉害。

核心要点：

IMU 误差随时间累积，适合短时间高精度推算。
GPS 误差不累积，但受环境遮挡影响大。
摄像头信息丰富，但怕光照变化。
激光雷达精度高，但怕雨雪雾。
毫米波雷达全天候，但角度分辨率低。

个人小技巧：

我习惯在传感器融合前，先做一个“传感器健康度评估”。比如，检查 GPS 的卫星颗数、激光雷达的点云密度、摄像头的平均亮度。如果某个传感器的“健康度”低于阈值，就降低它的权重。这招在工程实践中非常管用。

避坑指南：

我曾经犯过一个错误：把 IMU 的零偏校准做在程序初始化时，但忽略了温度变化。结果车子在太阳下晒了半小时后，IMU 数据开始漂移。从那以后，我都在 IMU 驱动里加了一个“在线零偏估计”模块，实时更新零偏值。

好了，这一章的内容就到这里。传感器是融合的基础，摸清它们的“脾气”，后面做算法才能得心应手。下一章，我们聊聊坐标系变换——这可是把不同传感器数据“对齐”的关键一步。

📚 课程目录