跳转至

机器人常用传感器

引言

传感器是机器人与物理世界之间的桥梁。本页面按照功能类别介绍机器人系统中常用的传感器，包括其工作原理、关键技术参数、典型应用场景以及优缺点。

在机器人系统中，常用的传感器分为以下几类：

  • 距离传感器
  • 视觉传感器
  • 状态传感器
  • 位置传感器

距离传感器 (Range Sensors)

距离传感器用于测量机器人与周围物体之间的距离，是避障和环境建图的基础。

红外传感器 (Infrared Sensor)

红外传感器通过发射红外光并接收反射光来测量距离。常见的型号如 Sharp GP2Y0A21YK，利用三角测量法 (Triangulation) 将反射角度转换为距离值。

  • 测距范围：通常 10cm ~ 80cm
  • 响应速度：快，毫秒级
  • 优点：成本低、体积小、功耗低
  • 缺点：受环境光干扰大，对黑色或透明物体测距不准确，有效范围有限
  • 典型应用：近距离避障、悬崖检测、物体接近检测

超声波传感器 (Ultrasonic Sensor)

超声波传感器利用飞行时间法 (Time-of-Flight, ToF)，通过发射超声波脉冲并计算回波时间来测量距离。距离计算公式为：

其中 是声速（约 343 m/s）， 是回波时间。

  • 测距范围：通常 2cm ~ 4m
  • 波束角：较宽（约 15° ~ 30°），空间分辨率低
  • 优点：成本低、不受光照影响、可检测透明物体
  • 缺点：测量速度慢、空间分辨率低、受温度影响、对软材质物体反射弱
  • 典型应用：室内移动机器人避障、液位检测、倒车雷达

单线激光雷达 (2D LiDAR)

单线激光雷达 (2D Light Detection and Ranging) 通过旋转的激光发射器进行平面扫描，输出一圈距离数据（通常为数百到数千个点）。常见型号有 RPLIDAR A1/A2、Hokuyo URG 等。

  • 测距范围：通常 6m ~ 40m（视型号而定）
  • 角分辨率：0.25° ~ 1°
  • 扫描频率：5 Hz ~ 15 Hz
  • 优点：精度高（毫米级）、扫描范围广、不受光照影响
  • 缺点：只能获取二维平面信息、成本高于红外和超声波
  • 典型应用：室内SLAM、移动机器人导航、平面障碍物检测

多线激光雷达 (3D LiDAR)

多线激光雷达使用多个激光发射器同时扫描不同角度的平面，生成三维点云 (Point Cloud) 数据。代表产品有 Velodyne VLP-16 (16线)、Ouster OS1 (64线) 等。

  • 测距范围：可达 100m 以上
  • 线数：16线、32线、64线、128线
  • 输出数据：三维点云，每秒可达数十万个点
  • 优点：三维感知能力强、精度高、不受光照影响
  • 缺点：成本高（数千至数万美元）、数据量大、功耗高
  • 典型应用：自动驾驶、大场景三维建图、室外移动机器人

视觉传感器 (Vision Sensors)

视觉传感器通过捕获图像信息来感知环境，是信息量最丰富的传感器类别。

单目摄像头 (Monocular Camera)

单目摄像头使用单个镜头和图像传感器 (CCD 或 CMOS) 捕获二维图像。它是最常见的视觉传感器。

  • 分辨率：从 VGA (640x480) 到 4K (3840x2160)
  • 帧率：通常 30 fps ~ 120 fps
  • 优点：成本低、信息丰富（颜色、纹理）、产品选择多
  • 缺点：无法直接获取深度信息、受光照条件影响大
  • 典型应用：视觉伺服、目标识别与跟踪、视觉SLAM（如 ORB-SLAM）

双目摄像头 (Stereo Camera)

双目摄像头由两个水平排列的摄像头组成，通过视差 (Disparity) 原理计算深度。深度与视差的关系为：

其中 是焦距， 是基线距离 (Baseline)， 是视差值。

  • 深度范围：取决于基线和分辨率，通常 0.5m ~ 20m
  • 优点：可获取稠密深度图、被动传感（不发射信号）
  • 缺点：计算量大、对纹理稀疏区域深度估计差、需要精确标定
  • 典型应用：三维重建、视觉里程计 (Visual Odometry)、障碍物检测

深度相机 (Depth Camera)

深度相机能直接输出每个像素的深度值，常见技术路线包括结构光 (Structured Light)、飞行时间 (Time-of-Flight) 和主动红外立体视觉 (Active IR Stereo)。

  • 代表产品：Intel RealSense D435、Microsoft Kinect、ZED 2
  • 深度范围：0.1m ~ 10m（视型号而定）
  • 优点：直接输出深度图、使用方便、精度较高
  • 缺点：室外强光下性能下降、有效距离有限、功耗较高
  • 典型应用：室内导航、物体抓取、手势识别、三维扫描

详见 深度视觉相机 页面。

状态传感器 (State Sensors)

状态传感器用于测量机器人自身的运动状态和物理交互信息。

IMU传感器 (Inertial Measurement Unit)

惯性测量单元 (IMU) 通常包含三轴加速度计 (Accelerometer) 和三轴陀螺仪 (Gyroscope)，部分型号还集成了三轴磁力计 (Magnetometer)，构成九轴IMU。

  • 加速度计：测量线性加速度，单位 或
  • 陀螺仪：测量角速度，单位 °/s 或 rad/s
  • 采样频率：通常 100 Hz ~ 1000 Hz
  • 优点：采样频率高、不依赖外部信号、短时间内精度高
  • 缺点：存在漂移 (Drift) 问题，长时间积分误差累积
  • 典型应用：姿态估计、惯性导航、视觉惯性里程计 (VIO)

接触传感器 (Contact Sensor)

接触传感器用于检测机器人与环境之间的物理接触。常见类型包括微动开关 (Micro Switch)、力/力矩传感器 (Force/Torque Sensor) 和触觉传感器阵列 (Tactile Sensor Array)。

  • 微动开关：二值输出（接触/未接触），结构简单
  • 力/力矩传感器：测量六维力和力矩，精度高但成本较高
  • 触觉传感器：模拟人类触觉，可感知压力分布和滑动
  • 典型应用：机械臂抓取力控制、碰撞检测、灵巧手操作

旋转编码器 (Rotary Encoder)

旋转编码器测量电机或关节的旋转角度和转速。按工作原理分为增量式 (Incremental) 和绝对式 (Absolute) 两类。

  • 增量式编码器：输出脉冲信号，通过计数脉冲得到相对位移
  • 绝对式编码器：输出对应角度的数字编码，断电后不丢失位置
  • 分辨率：常见为 100 ~ 10000 脉冲/转 (PPR)
  • 优点：精度高、可靠性好、响应速度快
  • 缺点：增量式编码器断电后需要重新归零
  • 典型应用：轮式里程计、机械臂关节角度测量、电机闭环控制

位置传感器 (Position Sensors)

位置传感器提供机器人在全局坐标系中的位置信息。

GPS传感器 (Global Positioning System)

GPS通过接收卫星信号，利用三角定位原理确定接收器的地理坐标。

  • 定位精度：民用 GPS 约 2m ~ 5m
  • 更新频率：通常 1 Hz ~ 10 Hz
  • 优点：全球覆盖、无需基础设施
  • 缺点：室内和城市峡谷中信号弱、精度有限、更新频率低
  • 典型应用：室外移动机器人、无人机、自动驾驶（粗定位）

RTK差分传感器 (Real-Time Kinematic)

RTK通过地面基站提供差分校正信号，显著提高GPS的定位精度。

  • 定位精度：厘米级（1cm ~ 5cm）
  • 优点：精度极高、实时性好
  • 缺点：需要基站、覆盖范围有限、成本较高
  • 典型应用：精准农业机器人、测绘无人机、自动驾驶高精度定位

UWB定位 (Ultra-Wide Bandwidth)

UWB定位利用超宽带射频信号的飞行时间来计算位置，需要预先部署锚点 (Anchor)。

  • 定位精度：10cm ~ 30cm
  • 优点：室内定位精度高、抗多径干扰能力强、功耗低
  • 缺点：需要部署基础设施、覆盖范围有限
  • 典型应用：室内机器人定位、仓储物流机器人、多机器人协同

全局视觉定位 (Global Vision Positioning)

利用安装在环境中的摄像头（俯视视角），通过图像处理识别机器人的位置和姿态。这是一种外部定位方案 (External Positioning)。

  • 定位精度：取决于摄像头分辨率和标定精度，通常可达毫米级
  • 优点：精度高、更新频率高
  • 缺点：覆盖范围受限于摄像头视场、需要固定基础设施
  • 典型应用：RoboCup 足球机器人、实验室环境下的多机器人系统

传感器选型考量

在为机器人选择传感器时，需要综合考虑以下因素：

考量因素 说明
测量范围 (Range) 传感器的有效工作距离或量程
精度 (Accuracy) 测量值与真实值之间的偏差
分辨率 (Resolution) 传感器能分辨的最小变化量
更新频率 (Update Rate) 数据输出的频率，影响实时性
功耗 (Power Consumption) 对电池供电的移动机器人尤为重要
成本 (Cost) 单传感器价格及系统集成成本
接口 (Interface) 与主控系统的通信方式（I2C、SPI、UART、USB、Ethernet）
环境适应性 (Robustness) 在不同光照、温度、湿度条件下的表现

参考资料

  1. Siegwart, R., Nourbakhsh, I., & Scaramuzza, D. (2011). Introduction to Autonomous Mobile Robots (2nd ed.). MIT Press.
  2. Everett, H. R. (1995). Sensors for Mobile Robots: Theory and Application. A K Peters.
  3. Siciliano, B., et al. (2010). Robotics: Modelling, Planning and Control. Springer.