避障系统的'眼睛'：主流传感器深度解析与实战选型
想让机器人像人一样灵活地绕开障碍物，第一步就是给它装上'眼睛'。这双'眼睛'就是我们常说的传感器。但和人类不同，机器人可以拥有多种'视觉'能力，比如能'听'到距离的超声波，能'感受'到红外光，甚至能'看到'激光点云。在实际项目中，新手最容易犯的错就是传感器选型不当，要么性能过剩浪费成本，要么能力不足导致机器人频繁'碰壁'。结合扫地机器人和工业 AGV 这两个典型场景，我们来彻底搞懂这些传感器的选型逻辑。
超声波传感器：经济实惠的'蝙蝠侠'
超声波传感器的工作原理，其实和蝙蝠在夜间飞行时用的回声定位一模一样。它先发射一束人耳听不见的高频声波（通常是 40kHz），然后等待声波撞到障碍物后反弹回来。通过精确计算声波'出门'和'回家'的时间差，再乘以声音在空气中的速度（约 340 米/秒），就能算出距离了。这个'渡越时间法'是市面上最主流、最成熟的技术。
实测过很多款超声波模块，比如经典的 HC-SR04，它的优点非常突出。首先是成本极低，一个模块也就十几块钱，对于预算紧张的学生项目或者需要大量部署的简单 AGV 来说，极具性价比。其次是不受光照和颜色影响。无论是漆黑的仓库角落，还是反光的玻璃门，超声波都能稳定测距，这一点比视觉传感器靠谱多了。记得有个项目，AGV 需要在喷涂车间工作，环境粉尘很大，可见光摄像头基本'失明'，最后就是靠超声波阵列扛起了避障的大梁。
但是，它的局限性同样明显。第一个大坑就是波束角太宽。你可以把手电筒的光束想象成很窄的一束，能照得很远很准；而超声波就像普通灯泡，声波是发散出去的。这导致它探测到的不是一个'点'，而是一个'锥形区域'。你告诉机器人前方 30 厘米有障碍，但它可能是在正前方，也可能是在左前方或右前方，定位精度不高。第二个坑是多传感器干扰。如果你在机器人头部并排装了两个超声波，它们很容易'听串了'——A 传感器发出的声波被 B 传感器接收到，导致误判。解决办法通常是分时触发，或者选用不同频率的模块。第三个是近距离盲区。声波发射后，模块需要一小段'冷静期'才能切换到接收模式，这期间近距离的障碍物就检测不到了，通常这个盲区在 2-5 厘米左右。
所以，超声波最适合什么场景呢？我的经验是：低成本、中低速、对精度要求不苛刻的室内环境。比如扫地机器人的防撞条内部、AGV 车体底部的防跌落检测，或者作为其他主传感器（如激光雷达）的近距离补充。
红外与激光雷达：从'三角测距'到'飞行时间'的进化
当你需要更精确、更快速的感知时，就该请出光学传感器了。红外和激光雷达的核心原理有相通之处，但技术路径和成本差异巨大。
红外传感器，比如 GP2Y0A 系列，玩过 Arduino 的朋友应该很熟悉。它用的是三角测距法。传感器内部有一个红外 LED 发射特定波长的光，一个线性的 CCD 或 PSD 接收器负责接收从障碍物反射回来的光点。由于发射和接收不在同一个位置，反射光点在接收器上的位置会随着距离变化而偏移，形成一个三角形。通过解算这个三角形的几何关系，就能得到距离。它的优点是体积小、响应快、成本比激光雷达低，且多个传感器间几乎没有干扰。
但它的缺点也很要命：怕强光。太阳直射或者高亮度的白炽灯，都会让它的接收器'过曝'，导致读数完全失灵。另外，它的有效测量范围通常比较短（几厘米到一两米），且测量精度会随着距离增加而下降。所以，它常见于扫地机器人的悬崖检测（防止跌落楼梯），或者玩具机器人上。
而激光雷达（LiDAR），则是当前移动机器人避障和建图的'黄金标准'。它主要分为两类：基于三角法的低成本雷达（如 RPLIDAR A1）和基于飞行时间法（ToF）的高性能雷达（如 Velodyne 的 Puck）。
三角法激光雷达你可以理解为红外测距的'高配版'。它用激光代替了红外光，用高速旋转的机构进行 360°扫描，从而得到周围环境的二维'切片'点云图。它的成本可以做到千元级别，精度和分辨率远高于红外，是很多消费级扫地机器人和服务机器人的核心传感器。我拆解过一款主流扫地机，里面用的就是这种雷达。
但真正在工业 AGV 和自动驾驶领域担当重任的，是ToF 激光雷达。它的原理非常直接：发射一束激光脉冲，记录它打到障碍物并返回的精确时间。光速是已知的，时间差一算，距离就出来了，干净利落。这种方法的测距范围可以轻松达到上百米，精度在厘米级，而且不受环境光影响。当然，价格也较高，从几万到几十万不等。
选型时，通常需综合考量测距范围、精度、环境适应性及成本等关键指标。
