感知概览

感知（Perception）是机器人系统理解周围环境的能力。它通过处理各种传感器数据，提取出机器人进行决策、导航和操作所需的环境信息。感知是机器人实现自主性的基础——没有可靠的感知，机器人就无法安全地在环境中行动。

常用传感器

激光雷达（LiDAR）

激光雷达通过发射激光束并测量返回时间来计算距离，能够生成精确的 2D 或 3D 点云数据。它是机器人导航和建图中最常用的传感器之一：

2D 激光雷达：扫描一个平面，适用于室内 2D 导航。ROS 2 中通过 sensor_msgs/LaserScan 消息发布数据。
3D 激光雷达：扫描三维空间，适用于 3D 建图和障碍物检测。ROS 2 中通过 sensor_msgs/PointCloud2 消息发布数据。

深度相机（RGB-D Camera）

深度相机（如 Intel RealSense、Microsoft Kinect、Orbbec）同时提供彩色图像和深度图像，适用于：

短距离障碍物检测
物体识别与位姿估计
3D 环境重建

ROS 2 中深度数据通过 sensor_msgs/Image（带深度编码）或 sensor_msgs/PointCloud2 发布。

IMU（惯性测量单元）

IMU 提供加速度计和陀螺仪数据，用于：

姿态估计（roll/pitch/yaw）
里程计融合
运动状态检测

ROS 2 中通过 sensor_msgs/Imu 消息发布。

其他传感器

超声波传感器：低成本的近距离测距，常用于避障。
GPS/GNSS：室外全局定位。
轮式编码器：测量车轮转速，计算机器人位移。
立体视觉相机：通过双目视差计算深度。
ToF（Time of Flight）相机：通过光飞行时间测量深度。

感知任务

障碍物检测

障碍物检测是安全导航的前提。常用方法包括：

代价地图更新：Nav2 的 Costmap2D 将激光雷达或深度相机数据实时投射到栅格地图中，标记障碍物单元格。
点云聚类：对 3D 点云进行聚类分割，识别离散的障碍物。
地面分割：区分地面点和障碍物点，避免将地面误判为障碍。

物体检测与识别

在机械臂操作和服务机器人场景中，需要识别和定位特定物体：

2D 目标检测：使用 YOLO、SSD 等深度学习模型检测图像中的物体。
6 自由度位姿估计：确定物体在三维空间中的精确位姿，如 PoseCNN、DOPE 等方法。
点云分割：使用 PointNet、PointNet++ 等网络直接处理 3D 点云。

建图与 SLAM

同步定位与建图（SLAM）是机器人在未知环境中一边构建地图一边定位自身的技术：

2D SLAM：如 SLAM Toolbox、Cartographer，使用 2D 激光雷达构建占据栅格地图。
3D SLAM：如 LOAM、LIO-SAM、RTAB-Map，使用 3D 激光雷达或 RGB-D 相机构建 3D 地图。

语义感知

语义感知（Semantic Perception）不仅检测障碍物的存在，还理解其语义含义（如「这是椅子」「这是人」「这是可推开的门」）：

语义分割：为图像或点云中的每个像素/点分配类别标签。
实例分割：在语义分割基础上区分同一类别的不同实例。
场景图（Scene Graph）：构建描述场景中物体及其关系的结构化表示。

ROS 2 中的感知工具

image_pipeline

image_pipeline 提供了一套相机数据处理流水线：

image_proc：RAW 图像转彩色、去畸变
depthimage_to_laserscan：将深度图像转换为 2D 激光扫描数据
image_view：图像可视化

PCL（Point Cloud Library）

PCL 是 ROS 2 中处理 3D 点云的标准库，提供滤波、分割、配准、表面重建等功能。ROS 2 通过 pcl_ros 包提供节点级接口。

perception_pcl

perception_pcl 提供了 PCL 与 ROS 2 的集成节点，如点云滤波、地面分割等。

代价地图感知层

Nav2 的 Costmap2D 通过插件化图层机制集成感知数据：

ObstacleLayer：从激光雷达或点云中检测障碍物。
VoxelLayer：3D 体素地图层，支持 3D 障碍物检测。
RangeSensorLayer：超声波/红外传感器层。

传感器仿真

在仿真环境中，Gazebo、Webots 等仿真器提供了高保真的传感器仿真插件，支持激光雷达、相机、IMU、GPS 等各种传感器。详见仿真概览。