Skip to content

06传感器选型与数据采集.md

Latest commit

 

History

History
147 lines (104 loc) · 5.14 KB

06传感器选型与数据采集.md

File metadata and controls

147 lines (104 loc) · 5.14 KB

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。

    Rotary Encoder - Northwestern Mechatronics Wiki

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。

IADIYLiDAR Sensor Module | Laser Navigation Module

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
I2C 2 (SDA, SCL) 中 同步，总线式，主从架构 IMU, 温湿度, 磁力计
SPI 4 (MOSI, MISO...) 高 全双工，高速 高频 IMU, 彩色屏幕
USB 4+ 极高 通用性强 摄像头, 高端雷达 
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)
Loading

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：$\theta = \alpha \cdot (\theta + \omega \cdot dt) + (1-\alpha) \cdot \theta_{acc}$

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。

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
    
    # 加速度计测的是角度 (假设静态) + 高频强噪声
    acc_reading = true_angle + np.random.normal(0, 2.0, len(t))
    
    # 3. 互补滤波算法
    fused_angle = []
    angle_est = 0.0
    alpha = 0.98 # 信任陀螺仪积分的权重 (0.95-0.99)
    
    for i in range(len(t)):
        # 陀螺仪积分项 (预测)
        gyro_rate = gyro_reading[i]
        angle_pred = angle_est + gyro_rate * dt
        
        # 加速度计观测项
        acc_obs = acc_reading[i]
        
        # 融合
        angle_est = alpha * angle_pred + (1 - alpha) * acc_obs
        fused_angle.append(angle_est)
        
    # 4. 绘图对比
    plt.figure(figsize=(12, 6))
    plt.plot(t, acc_reading, 'g-', alpha=0.3, label='Accelerometer (Noisy)')
    # 纯积分陀螺仪 (用于展示漂移)
    gyro_only = np.cumsum(gyro_reading) * dt
    plt.plot(t, gyro_only, 'k--', alpha=0.5, label='Gyro Only (Drift)')
    
    plt.plot(t, fused_angle, 'b-', linewidth=2, label='Fused Result (Complementary)')
    plt.plot(t, true_angle, 'r--', linewidth=1, label='True Angle')
    
    plt.title('Sensor Fusion: Complementary Filter Demo')
    plt.xlabel('Time (s)')
    plt.ylabel('Angle (deg)')
    plt.legend()
    plt.grid(True)
    plt.show()
    print("滤波完成：请观察蓝色曲线如何兼顾了绿色的'绝对位置'和陀螺仪的'平滑性'")

if __name__ == "__main__":
    complementary_filter_demo()

image-20260218193014462
⚡