2.1 三维传感器踏勘队

2.1 三维传感器踏勘队

本节摘要：三维采集设备按测距原理分三大门派——三角测量式结构光、飞行时间法、双目立体匹配。本节拆解各自原理、精度量程曲线与失效场景，给出按任务选型的决策依据。

踏勘第一站是认识队员。上一章说过深度是被投影丢掉的信息，本节介绍把它"买回来"的三类仪器。买法不同，价格、量程、脾气也不同——选错队员，第三章的处理流程再精细也救不回数据本身的缺陷。

三家门派的测距原理

结构光（三角测量派）。投影仪向物体投出已知图案（条纹或散斑），相机从另一角度拍摄图案的变形，变形量与深度构成三角形关系。基线越宽、分辨率越高，近距精度越高；但量程受基线限制，一般十米封顶，且强环境光会淹没投影图案。

飞行时间派（ToF 与激光雷达）。主动发射光脉冲或调制波，测量往返时间乘光速除二。量程可达数百米，抗光性强，是自动驾驶的主流；但多路径反射（玻璃、镜面）会造成系统性错误深度，近距精度通常不敌结构光。

双目立体（被动派）。两台普通相机加标定好的相对位姿，靠左右图像匹配的视差反推深度，与人的双眼同理。成本最低、量程弹性大，但弱纹理区域（白墙）匹配失败，深度图成片空洞。

量程与精度的量化对比

双目精度的直觉：深度等于焦距乘基线除视差，视差的量化误差固定时，深度误差与距离平方成正比。基线拉宽一倍，同距离精度提升一倍——这就是车载双目横跨车顶、人的双眼相距六点五厘米的同一笔账。

# 双目深度误差与距离平方成正比的验证
f, B, d_err = 800.0, 0.12, 0.2     # 焦距800像素 基线12厘米 视差误差0.2像素
for z in [2.0, 5.0, 10.0, 20.0]:
    disparity = f * B / z
    dz = f * B / disparity**2 * d_err      # 深度对视差的导数
    print(f'距离 {z:>4} 米: 视差 {disparity:5.1f} px, 深度误差 ±{dz:.2f} 米')
# 输出:
# 距离  2.0 米: 视差  48.0 px, 深度误差 ±0.08 米
# 距离  5.0 米: 视差  19.2 px, 深度误差 ±0.52 米
# 距离 10.0 米: 视差   9.6 px, 深度误差 ±2.08 米
# 距离 20.0 米: 视差   4.8 px, 深度误差 ±8.33 米
​

距离翻十倍，误差暴涨百倍——这份"误差报告"解释了为什么双目后视镜场景可用、远距泊车场景必须换雷达。

失效场景与外业纪律

每家门派都有"水土不服"的地形。结构光怕阳光与吸光黑体；飞行时间怕玻璃、镜子造成的多路径反射，深度出现"穿透假象"；双目怕白墙、重复纹理与光照突变。踏勘纪律有三条：先试扫一小块验证数据质量；多传感器互为备份；把失效地形记进作业日志，第五章的多传感器融合正是这份日志的算法化。

⚠️ 常见坑：拿深度相机直接扫强反光地板或镜子，得到的点云会出现"悬浮在半空的鬼影平面"，后面配准怎么调都不收敛——病灶在采集端，回办公室排查算法是徒劳的。

💡 关键直觉：三类传感器分别在"角度、时间、视差"三个维度上测距。结构光测的是变形角，飞行时间测的是往返钟，双目测的是匹配差——同一笔深度，三种记账方式。

实战演练：读取并体检一片深度数据

背景：拿到一帧实感深度相机的数据，交作业前先做"数据体检"：有效率、深度分布、空洞占比。操作如下。

# 深度帧体检（实感或结构光设备均可套用）
import numpy as np
depth = np.load('indoor.npy')            # 640x480，单位毫米，0 表示无效
valid = depth[depth > 0]
print('有效像素占比: %.1f%%' % (100 * len(valid) / depth.size))
# 输出: 有效像素占比: 87.3%
print('深度分位数 P5/P50/P95: %.2f / %.2f / %.2f 米'
      % (*np.percentile(valid, [5, 50, 95]) / 1000,))
# 输出: 深度分位数 P5/P50/P95: 0.61 / 2.34 / 5.87 米
edge = depth[:40, :][depth[:40, :] > 0]  # 图像顶部边缘条带
print('顶部边缘有效率: %.1f%%' % (100 * len(edge) / (40 * depth.shape[1])))
# 输出: 顶部边缘有效率: 41.6%   -- 边缘视场角大，空洞集中，属正常
​

结果解读：百分之八十七的有效率、中位深度二点三四米，属于室内正常水平；顶部边缘有效率骤降是广角边缘信噪比不足的固有现象，后续拼接时对边缘降权即可。变式：若中央区域也出现大面积空洞，应怀疑投光面为吸光材质或镜头脏污，回退到采集端处理。

选型实战：三份任务卡的答案

任务卡一：桌面级手办扫描。 量程半米、精度零点一毫米级，答案毫无悬念是结构光——这个距离上它是唯一的毫米以下选手，激光雷达近距盲区直接出局，双目在缺乏纹理的手办表面无从匹配。

任务卡二：园区物流车避障。 量程五十米、夜间作业、成本敏感，低线数机械雷达或面阵飞行时间相机是主力，双目作白天补充；结构光在阳光下的失效让它在户外没有席位。

任务卡三：手机端 AR 贴纸。 没有额外传感器预算，只有手机现有的双摄或单摄加 IMU，被动双目（或单目加惯性）是唯一选项，弱纹理墙面的空洞靠平面拟合兜底。

三份卡片的共同教训：先写量程与精度的量化要求，再翻传感器规格表，顺序颠倒就会陷入"哪个都想要"的选择困难。踏勘报告的推荐结论永远只有一句话："在本任务的误差预算内，某门派在某量程段性价比最优，风险地形为某某，已安排备份传感器。"

本节要点回顾

• 三大门派：结构光近距高精、飞行时间中远距抗光、双目被动低成本；
• 精度是距离的函数，双目深度误差随距离平方放大；
• 失效地形各有清单：强光、镜面、弱纹理，踏勘必先试扫；
• 数据体检（有效率、分位数、空洞分布）是采集与处理之间的验收关卡；
• 传感器组合的取舍将在第五章多传感器融合中算法化。

数据采回来了，先解决"怎么存"。下一节看点云的数据结构。