就避障來說，移動機器人需要通過傳感器實時獲取自身周圍障礙物信息，包括尺寸、形狀和位置等信息。避障使用的傳感器多種多樣，各有不同的原理和特點，目前常見的主要有視覺傳感器、激光傳感器、紅外傳感器、超聲波傳感器等。下面我簡單介紹一下這幾種傳感器的基本工作原理。

超聲波

超聲波傳感器的基本原理是測量超聲波的飛行時間，通過d=vt/2測量距離，其中d是距離，v是聲速，t是飛行時間。由于超聲波在空氣中的速度與溫濕度有關，在比較精確的測量中，需把溫濕度的變化和其它因素考慮進去。

上面這個圖就是超聲波傳感器信號的一個示意。通過壓電或靜電變送器產生一個頻率在幾十kHz的超聲波脈沖組成波包，系統檢測高于某閾值的反向聲波，檢測到后使用測量到的飛行時間計算距離。超聲波傳感器一般作用距離較短，普通的有效探測距離都在幾米，但是會有一個幾十毫米左右的最小探測盲區。由于超聲傳感器的成本低、實現方法簡單、技術成熟，是移動機器人中常用的傳感器。超聲波傳感器也有一些缺點，首先看下面這個圖。

因為聲音是錐形傳播的，所以我們實際測到的距離并不是一個點，而是某個錐形角度范圍內最近物體的距離。

另外，超聲波的測量周期較長，比如3米左右的物體，聲波傳輸這么遠的距離需要約20ms的時間。再者，不同材料對聲波的反射或者吸引是不相同的，還有多個超聲傳感器之間有可能會互相干擾，這都是實際應用的過程中需要考慮的。

紅外

一般的紅外測距都是采用三角測距的原理。紅外發射器按照一定角度發射紅外光束，遇到物體之后，光會反向回來，檢測到反射光之后，通過結構上的幾何三角關系，就可以計算出物體距離D。

當D的距離足夠近的時候，上圖中L值會相當大，如果超過CCD的探測范圍，這時，雖然物體很近，但是傳感器反而看不到了。當物體距離D很大時，L值就會很小，測量量精度會變差。因此，常見的紅外傳感器測量距離都比較近，小于超聲波，同時遠距離測量也有最小距離的限制。另外，對于透明的或者近似黑體的物體，紅外傳感器是無法檢測距離的。但相對于超聲來說，紅外傳感器具有更高的帶寬。

激光

常見的激光雷達是基于飛行時間的（ToF，timeofflight），通過測量激光的飛行時間來進行測距d=ct/2，類似于前面提到的超聲測距公式，其中d是距離，c是光速，t是從發射到接收的時間間隔。激光雷達包括發射器和接收器，發射器用激光照射目標，接收器接收反向回的光波。機械式的激光雷達包括一個帶有鏡子的機械機構，鏡子的旋轉使得光束可以覆蓋一個平面，這樣我們就可以測量到一個平面上的距離信息。

對飛行時間的測量也有不同的方法，比如使用脈沖激光，然后類似前面講的超聲方案，直接測量占用的時間，但因為光速遠高于聲速，需要非常高精度的時間測量元件，所以非常昂貴；另一種發射調頻后的連續激光波，通過測量接收到的反射波之間的差頻來測量時間。

比較簡單的方案是測量反射光的相移，傳感器以已知的頻率發射一定幅度的調制光，并測量發射和反向信號之間的相移，如上圖一。調制信號的波長為lamda=c/f，其中c是光速，f是調制頻率，測量到發射和反射光束之間的相移差theta之后，距離可由lamda*theta/4pi計算得到，如上圖二。

激光雷達的測量距離可以達到幾十米甚至上百米，角度分辨率高，通常可以達到零點幾度，測距的精度也高。但測量距離的置信度會反比于接收信號幅度的平方，因此，黑體或者遠距離的物體距離測量不會像光亮的、近距離的物體那么好的估計。并且，對于透明材料，比如玻璃，激光雷達就無能為力了。還有，由于結構的復雜、器件成本高，激光雷達的成本也很高。

一些低端的激光雷達會采用三角測距的方案進行測距。但這時它們的量程會受到限制，一般幾米以內，并且精度相對低一些，但用于室內低速環境的SLAM或者在室外環境只用于避障的話，效果還是不錯的。

視覺

常用的計算機視覺方案也有很多種，比如雙目視覺，基于TOF的深度相機，基于結構光的深度相機等。深度相機可以同時獲得RGB圖和深度圖，不管是基于TOF還是結構光，在室外強光環境下效果都并不太理想，因為它們都是需要主動發光的。

像基于結構光的深度相機，發射出的光會生成相對隨機但又固定的斑點圖樣，這些光斑打在物體上后，因為與攝像頭距離不同，被攝像頭捕捉到的位置也不相同，之后先計算拍到的圖的斑點與標定的標準圖案在不同位置的偏移，利用攝像頭位置、傳感器大小等參數就可以計算出物體與攝像頭的距離。而我們目前的E巡機器人主要是工作在室外環境，主動光源會受到太陽光等條件的很大影響，所以雙目視覺這種被動視覺方案更適合，因此我們采用的視覺方案是基于雙目視覺的。

雙目視覺的測距本質上也是三角測距法，由于兩個攝像頭的位置不同，就像我們人的兩只眼睛一樣，看到的物體不一樣。兩個攝像頭看到的同一個點P，在成像的時候會有不同的像素位置，此時通過三角測距就可以測出這個點的距離。與結構光方法不同的是，結構光計算的點是主動發出的、已知確定的，而雙目算法計算的點一般是利用算法抓取到的圖像特征，如SIFT或SURF特征等，這樣通過特征計算出來的是稀疏圖。

要做良好的避障，稀疏圖還是不太夠的，我們需要獲得的是稠密的點云圖，整個場景的深度信息。稠密匹配的算法大致可以分為兩類，局部算法和全局算法。局部算法使用像素局部的信息來計算其深度，而全局算法采用圖像中的所有信息進行計算。一般來說，局部算法的速度更快，但全局算法的精度更高。

這兩類各有很多種不同方式的具體算法實現。能過它們的輸出我們可以估算出整個場景中的深度信息，這個深度信息可以幫助我們尋找地圖場景中的可行走區域以及障礙物。整個的輸出類似于激光雷達輸出的3D點云圖，但是相比來講得到信息會更豐富，視覺同激光相比優點是價格低很多，缺點也比較明顯，測量精度要差一些，對計算能力的要求也高很多。當然，這個精度差是相對的，在實用的過程中是完全足夠的，并且我們目前的算法在我們的平臺NVIDIATK1和TX1上是可以做到實時運行。

在實際應用的過程中，我們從攝像頭讀取到的是連續的視頻幀流，我們還可以通過這些幀來估計場景中目標物體的運動，給它們建立運動模型，估計和預測它們的運動方向、運動速度，這對我們實際行走、避障規劃是很有用的。

以上幾種是最常見的幾種傳感器，各有其優點和缺點，在真正實際應用的過程中，一般是綜合配置使用多種不同的傳感器，以最大化保證在各種不同的應用和環境條件下，機器人都能正確感知到障礙物信息。我們公司的E巡機器人的避障方案就是以雙目視覺為主，再輔助以多種其他傳感器，保證機器人周邊360度空間立體范圍內的障礙物都能被有效偵測到，保證機器人行走的安全性。