从零开始搭建无人机导航系统（二）——初识传感器（二）
前言
上一篇中，我们初步了解了多旋翼无人机最常用，也是最核心的几种传感器——IMU、气压计、磁力计、GPS。基于以上几种传感器，我们能够搭建一套完整的组合导航系统，从而对无人机的姿态、速度、位置等信息进行最优估计。
然而，仅仅有以上几种传感器的无人机，相当于是一个 “瞎子”，它缺少对飞行环境的感知能力，即无法得知自身与环境的相对关系，也就无法对变化的环境做出应对策略。
为了让无人机拥有环境感知能力，本篇介绍另外几种非必要但很实用的传感器。有了这些传感器的加入，导航系统能够对环境信息进行感知，并进行建图（SLAM）或进行目标跟踪（CV）。
超声波雷达/TOF测距仪/激光测距仪
上一篇中提到，气压计是无人机导航系统中主要的高度测量传感器。然而，气压计的高度测量值容易受到环境气压波动的影响，尤其当无人机处于低空环境或处于机动飞行状态时，气压计的测量值波动更大。
为了得到稳定的无人机高度保持效果，则需要引入不受环境或无人机运动状态影响的高度参考量。因此，我们可采用相对距离测距传感器进行相对高度的测量。
- 超声波雷达
超声波雷达是早期多旋翼无人机最常用的测距传感器，也是低成本消费级多旋翼无人机首选的测距传感器之一。
其原理为发射超声波，利用声波反射的原理，根据声速在不同介质、温度下的传播速度，测量声波发射与接收之间的时间差，从而计算得到超声波测距仪与障碍物之间的距离。
它的优点很明显：成本低，测量束角可大可小，可根据需要调节。
缺点也非常明显：超声波属于机械波，在不同介质、不同温度、气压条件下的传播速度不同，且对于部分材质无法反射。此外，超声波测距仪也不适合作为长距离测距的传感器（声波在真空中传播的速度为340m/s，假设检测距离为20米，测量时间就会超过100ms，这样的测量时延显然偏大）。
- 激光测距仪
为了解决上述超声波传感器的缺陷，我们可以采用激光测距仪。它的测量距离远，能量较为集中，测量束角较小，线性度好，非常适合无人机用于相对高度的测量。
当然了，性能优越的代价是成本的增加，这对于厂商来说也是一个必须权衡的问题。
- TOF测距仪
尽管激光测距仪测量性能较好，但其高昂的成本使得其不适用于一些低成本的无人机。因此，选用TOF测距仪就是一个不二的选择了。
TOF是飞行时间(TIme of Flight)技术的缩写,即传感器发出经调制的近红外光，遇物体后反射，传感器通过计算光线发射和反射时间差或相位差，来换算被拍摄景物的距离，以产生深度信息。
与超声波测距仪相比，它具有更小的测量束角，更短的测量时间（近似为光速），更小的测量功率。由于采用红外光，其不像超声波那样容易衰减，也因此，测量数据更为稳定。
与激光测距仪相比，它的成本低的多，体积小，测距范围也能够满足无人机的相对测量要求，因此，目前主流的无人机相对高度测量方案大多采用TOF测距仪。
激光雷达
激光雷达是一种通过发射激光束探测目标的位置、速度等特征量的雷达系统。激光波段位于 0.5 μ m 0.5μm 0.5μm − 10 μ m -10μm −10μm，以光电探测器为接收器件，以光学望远镜为天线。激光雷达种类繁多，在无人机上使用的激光雷达，按结构可分为固态激光雷达与机械式激光雷达。
机械式激光雷达通过伺服电机，控制激光发射探头进行旋转，以达到360度范围内的距离测量目的。
固态激光雷达则不存在伺服机构，而采用激光阵列的形式进行距离探测。
相对而言，机械式激光雷达的成本更低，但性能参数不如固态激光雷达。对于低成本无人机而言，机械式激光雷达或低成本的固态激光雷达更为适用。
激光雷达具有较高的角分辨率与测量精度（通常可达到厘米级的测量精度），它通常被用于无人机的环境感知，对飞行环境中的障碍物距离进行探测，获得二维点云数据，通过与视觉传感器的组合，能够得到三维环境信息，从而完成建图（激光SLAM）。
当然，激光雷达也有其局限性：
- 低成本的激光雷达对于强光的适应性较差，强光环境下测量噪声较大。
- 垂直方向测量束角较小（三维激光雷达成本较高），一般只有1-3度，无法得到三维点云数据，单独使用时，若无人机大角度飞行，前方将存在较大的感知盲区。
- 激光雷达在雨雪雾等恶劣天气下的测量效果较差。
毫米波雷达
毫米波雷达通过发射天线发出相应波段的有指向性的毫米波，当毫米波遇到障碍目标后反射回来，通过接收天线接收反射回来的毫米波。根据毫米波的波段（通常为77G或24G），通过公式计算毫米波在途中飞行的时间，由此得到相对距离。
毫米波雷达根据多普勒效应，能够得到自身与障碍物之间的相对速度；毫米波雷达并列的接收天线，通过收到同一监测目标反射回来的毫米波的相位差，就可以计算出被监测目标的方位角。
毫米波雷达相比激光雷达具有更好的抗干扰性能，在雨雪雾等天气有着更好的表现。
尽管毫米波雷达有那么多优点，其缺点也是存在的：
- 角分辨率较低。
- 测量精度不如激光雷达高。
- 数据噪声较大。
尽管如此，毫米波雷达依然是无人机与自动驾驶领域最常用的环境感知传感器，其价格低廉，体积小，环境适应性强的优势是激光雷达所无法比拟的。
对于避障应用而言，在得到点云数据后，需要做一次聚类，剔除噪声点，将相似点云组成簇，便于避障算法使用。
视觉传感器
- 光流（单目视觉）
由于GPS信号在高楼密集的城市中，往往会出现信号遮挡，多径效应等现象，甚至有的时候会受到临近无线频率的干扰，导致GPS卫星丢失，导航定位失效的情况。
因此，我们需要一种额外的导航系统作为补充，在近低空环境起到高精度自身定位的作用。这种传感器就是单目视觉（光流）。
光流算法通过匹配相邻图像之间的像素偏移量以及摄像头的焦距等参数，推算无人机的飞行速度，通过IMU的补偿，得到无人机的位置信息，从而作为导航系统的位置、速度辅助观测量。
- 双目视觉
双目视觉则计算环境深度，可获取障碍物信息，从而构建地图。
事实上，自动驾驶的厂家往往采用多传感器对环境进行感知（如下图），单一的视觉传感器或者雷达传感器往往无法覆盖所有的业务场景，因此，充分发挥不同传感器的优势并将其组合，才算的上是一个完备的环境感知系统。
总结
上一篇中主要针对无人机的自身定位系统所采用的传感器进行了详解，本篇则针对无人机的环境感知系统所采用的传感器进行了详解，完整的无人机导航系统硬件架构图，如下所示。
具备以上传感器的无人机，可以认为是一个完备的空中机器人。搭建这样一台硬件架构的无人机只是组建无人机组合导航系统的开始，接下来，我们将从算法的角度，从零开始搭建完整的组合导航系统。
作者简介： 一个被Coding耽误的无人机算法工程师，控制、导航略懂一二，热衷技术，喜欢乒乓、音乐、电影，欢迎交流。
知乎： @遥远的乌托邦
GitHub: https://github.com/DistantUtopia
微信公众号： @遥远的乌托邦
