06传感器选型与数据采集

传感器：机器人的感知系统​

传感器（Sensors）是机器人的五官。本章将介绍如何让机器人“看见”世界，包括传感器的分类、通信协议以及数据处理的基础算法。​

1. 传感器分类体系​

1.1 本体感知 (Proprioceptive)​

测量机器人自身的状态。​

•

编码器 (Encoder)：测量电机旋转角度和速度。分为增量式（断电位置丢失）和绝对式（断电位置记忆）。​

•

IMU (惯性测量单元)：包含加速度计（测线性加速度/重力方向）和陀螺仪（测角速度）。是平衡车、无人机核心传感器。​

​

​

图1: 光电编码器原理​

1.2 环境感知 (Exteroceptive)​

测量外部环境。​

•

激光雷达 (LiDAR)：​

◦

2D LiDAR：扫描一个平面，输出距离点云。用于 SLAM 建图。​

◦

3D LiDAR：多线扫描，用于自动驾驶。​

◦

原理：ToF (飞行时间) 或 三角测距。​

•

视觉相机 (Camera)：​

◦

RGB：普通彩色图像。​

◦

RGB-D (深度相机)：如 RealSense, Kinect。能同时输出色彩和像素距离。​

•

超声波/毫米波：用于近距离避障或穿透烟雾。​

​

​

图2: 激光雷达三角测距原理​

​

​

2. 硬件接口与通信协议​

传感器选型不仅看性能，还要看接口是否匹配开发板（如树莓派、RDK-X5）。​

​

​ 协议​ ​	​ 线数​ ​	​ 速度​ ​	​ 特点​ ​	​ 适用场景​ ​
​ UART (串口)​ ​	​ 2 (TX, RX)​ ​	​ 低/中​ ​	​ 异步，点对点，简单​ ​	​ GPS, 蓝牙模块, 激光雷达​ ​
​ ​	​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​	​ ​

​

​

代码块​

Plain Text

mindmap​

root((传感器接口))​

低速总线​

I2C (IMU, 气压计)​

UART (GPS, 蓝牙)​

高速总线​

SPI (编码器, 屏幕)​

CAN (工业电机, 车辆OBD)​

多媒体/大数据​

MIPI-CSI (树莓派摄像头)​

USB 3.0 (深度相机)​

Ethernet (多线雷达)​

​

​

​

3. 信号处理：从噪声到真值​

传感器数据永远包含噪声。直接使用原始数据会导致机器人抖动甚至失控。​

3.1 常见噪声处理​

•

低通滤波 (Low-pass Filter)：去除高频抖动。​

•

卡尔曼滤波 (Kalman Filter)：最优估计，融合预测值和观测值。​

•

互补滤波 (Complementary Filter)：常用于 IMU 姿态解算（融合加速度计和陀螺仪）。​

3.2 互补滤波原理​

•

加速度计：低频特性好（长期准，指示重力方向），但高频震动大。​

•

陀螺仪：高频特性好（动态响应快），但有温漂，长期积分会漂移。​

•

公式：​​

​

​

4. Python 实战：IMU 数据融合 (互补滤波)​

本示例模拟生成带噪声的传感器数据，并使用互补滤波融合出稳定的姿态角。​

​

代码块​

Python

import numpy as np​

import matplotlib.pyplot as plt​

​

def complementary_filter_demo():​

# 1. 模拟真实角度 (正弦波运动)​

t = np.linspace(0, 10, 1000)​

dt = t[1] - t[0]​

true_angle = 10 * np.sin(2 * np.pi * 0.5 * t) # 真实角度​

​

# 2. 模拟传感器读数 (添加噪声)​

# 陀螺仪测的是角速度 (真实角度的导数) + 漂移 + 噪声​

true_gyro = 10 * 2 * np.pi * 0.5 * np.cos(2 * np.pi * 0.5 * t)​

gyro_reading = true_gyro + 0.5 # 模拟漂移 bias​

​

​

​

​