上篇聊了信号处理基础——傅里叶变换、滤波设计和采样定理。理论搞明白了回到工程现实你的机器人到底该用什么传感器传感器选型是机器人项目里最容易被低估的环节。很多团队一开始随便买个便宜的传感器凑合用等到系统联调的时候发现数据质量不行换传感器又得重新改结构、改电路、改算法时间和成本都搭进去了。说白了传感器选型不是买最贵的或者买参数最好的而是在精度、成本、功耗、体积、可靠性之间找到最优解。今天从几个典型的机器人场景出发拆解传感器选型的决策过程。移动机器人定位激光雷达vs视觉vs多传感器融合做移动机器人AGV、AMR的定位最核心的传感器选择就是激光雷达还是视觉还是两个都用纯激光雷达方案——用2D或3D激光雷达做SLAM精度高、稳定性好不受光照影响。但激光雷达价格高3D的尤其贵而且对动态环境人来人往比较敏感容易出现定位漂移。纯视觉方案——用摄像头做视觉SLAM或者视觉里程计成本低、信息丰富能识别物体、读文字。但对光照变化非常敏感——逆光、暗光、反光地面都会让视觉算法失效。多传感器融合——激光雷达视觉IMU轮式里程计各取所长。激光雷达提供稳定的距离信息视觉提供丰富的语义信息IMU提供短期的姿态估计轮式里程计提供速度约束。融合之后鲁棒性最好但系统复杂度和开发成本也最高。之前做AMR的团队就踩过这个坑。一开始为了省成本只用了单目摄像头做定位。在仓库里光线均匀的时候效果还行一到下午阳光从窗户照进来定位就飘了。后来加了激光雷达做融合定位稳定性提升了不止一个档次。但激光雷达的成本是摄像头的十几倍所以最终方案是关键区域用激光雷达视觉融合非关键区域只用视觉。选型决策的关键是搞清楚你的场景需求。室内结构化环境仓库、工厂2D激光雷达基本够用成本低、数据处理好做。室外非结构化环境园区、农田必须上3D激光雷达或者视觉IMU的组合。对成本敏感的项目先评估能不能用2D激光雷达解决不行再考虑3D。2D和3D激光雷达的价格差距非常大。2D的思岚RPLIDAR A1一千多块钱就能买到3D的Velodyne VLP-16要上万更高端的64线雷达要好几万。所以如果场景允许优先用2D的方案。很多仓储AGV就是前后各装一个2D激光雷达一个做建图定位一个做避障总成本不到一万块效果完全够用。机械臂感知力传感器vs视觉vs触觉机械臂的感知需求跟移动机器人完全不同。移动机器人关心我在哪机械臂关心我抓的东西怎么样。力/力矩传感器——装在机械臂末端或者关节处直接测量接触力。做精密装配比如插销、拧螺丝必须有力传感器不然零件对不上孔就会硬怼把零件或者机械臂搞坏。六维力传感器能同时测三个方向的力和三个方向的力矩信息最全但价格也最贵好的要十几万。视觉方案——用摄像头识别目标物体的位置和姿态引导机械臂去抓。适合抓取场景比如从传送带上抓零件精度要求不高毫米级就够的时候性价比很好。触觉传感器——装在夹爪内侧检测夹爪跟物体之间的接触状态。做灵巧手或者精细抓取比如抓鸡蛋、抓玻璃杯的时候很有用能判断物体有没有滑动、受力均不均匀。选型的时候有个原则能用视觉解决的就不用加力传感器因为视觉成本低得多。但如果任务涉及接触操作装配、打磨、插拔力传感器是必须的。讲个实际案例。之前帮一个团队做电路板插装的项目一开始只用视觉定位结果因为PCB板的孔位有加工误差机械臂硬插把针脚弄弯了好几根。后来加了六维力传感器设定了插入力的上限一旦力超过阈值就停下来调整位姿。加了力传感器之后插装成功率从70%提升到98%。无人机感知高度、避障和导航无人机的传感器选型要考虑重量和功耗的约束——每多一克重量续航就少一点。测高——超声波传感器测低空高度几厘米到几米精度高、响应快。气压计测高空高度但受温度、气压变化影响精度不如超声波。激光测距传感器ToF是中高空的最佳选择精度高、重量轻。大多数无人机方案是超声波气压计ToF组合使用。避障——双目视觉、单目深度估计、ToF深度相机、毫米波雷达都有人用。双目视觉精度高但计算量大ToF相机比如Intel RealSense即插即用但室外强光下效果差毫米波雷达不受光照影响但分辨率低。小型无人机一般用ToF相机就够了大型无人机或者需要远距离避障的场景用毫米波雷达。导航——GPS提供全局位置但在室内或者城市峡谷高楼之间信号不好。IMU提供短期姿态估计但有漂移。光流传感器optical flow可以估计水平速度在GPS失效的时候提供速度约束。选型决策的核心是明确你的飞行场景。室内飞行不需要GPS但需要光流或者视觉里程计。室外飞行GPS是标配但得考虑GPS失效的备份方案。城市环境飞行还得考虑电磁干扰对指南针的影响。无人机传感器选型有个硬约束重量。每个传感器加上去都是克级别的重量增加直接吃续航。之前做一个巡检无人机的项目为了加一个毫米波雷达做避障续航从25分钟掉到18分钟。最后换成了轻量化的ToF传感器阵列重量只有毫米波雷达的三分之一避障效果也够用续航回到了22分钟。这种取舍在无人机项目里太常见了。面试中怎么聊面试官问传感器选型不要上来就报参数。先问清楚场景需求精度要求多少成本预算多少工作环境怎么样然后对比不同方案的优劣最后给出你的选择和理由。如果面试官追问激光雷达和摄像头的数据怎么融合你可以说最常见的是松耦合和紧耦合两种方案。松耦合是各自独立跑算法激光雷达跑激光SLAM摄像头跑视觉里程计然后把两个位姿估计结果用卡尔曼滤波器融合。紧耦合是把激光点云和图像特征放在一起做优化精度更高但实现更复杂。实际项目中松耦合用得更多因为开发调试方便出了问题也容易定位。如果面试官追问怎么评估一个传感器适不适合你的场景你可以说先列清楚需求指标精度、更新频率、测量范围、工作环境然后找传感器的datasheet对参数。但光看参数不够一定要实测。很多传感器在实验室里表现很好到了实际环境高温、振动、电磁干扰就不行了。建议先借或者租一个做现场测试确认没问题再批量采购。如果面试官追问传感器故障怎么处理你可以说关键系统一定要有冗余设计。比如无人机的飞控至少要有两套IMU互为备份一套挂了另一套能无缝接管。激光雷达也是自动驾驶场景通常前面一个长距雷达加四个角雷达任何一个坏了其他还能兜底。软件层面要做传感器健康检测——定期检查数据是否合理数值有没有跳变、有没有长时间不变发现异常就报警并切换到备份方案。分享一个我做传感器选型的整体思路。拿到一个项目需求我第一步是画一张感知需求表——列出机器人需要感知的所有信息位置、姿态、速度、距离、力、温度等每个信息标注精度要求和更新频率。第二步是针对每个需求列出候选传感器方案对比参数和价格。第三步是做减法——有些需求可以用一个传感器同时满足比如IMU同时提供加速度和角速度有些需求可以降级比如精度要求不高的场景用便宜的传感器。最后剩下的就是最终方案。传感器选型这个事没有标准答案只有最适合的方案。面试时候能展现出你的决策过程和权衡思路比背一堆传感器参数有用得多。还有一点容易被忽略环境因素。工业现场的粉尘、油雾对光学传感器影响很大这时候可能得选机械式的接触传感器而不是激光或者视觉方案。高温环境比如冶金车间对传感器的温度范围也有要求普通消费级传感器扛不住。下一篇讲机器人通信协议——CAN总线、EtherCAT和RS485的对比与实战。传感器选好了数据要传输给控制器通信协议的选择同样关键。如果这篇文章对你有帮助欢迎点赞、在看、转发三连。 你的支持是我持续更新的最大动力。「机器人软件开发面试·从入门到精通」连载系列上一篇第174篇 信号处理基础——傅里叶变换、滤波和采样定理下一篇预告第176篇 机器人通信协议——CAN/EtherCAT/RS485对比与实战有任何问题欢迎评论区留言我会尽量回复。