第 2 章 多模態感測與環境感知系統

## 第 2 章 多模態感測與環境感知系統 在第一章中，我們建立了機器人的物理基礎，討論了動力學、傳動裝置以及如何克服機械上的「背隙」與「滯後」。然而，一個僅具備精確機構卻缺乏感知能力的機器人，僅能被視為預設程序下的自動機。要讓機器人從「自動」走向「自主」，必須賦予其感知環境的能力。本章將深入探討多模態感測技術，分析如何整合不同的感測模態，以提供機器人辨識環境障礙物、物體定位與狀態感知的核心基礎。 ### 2.1 激光雷達 (LiDAR) 與點雲處理 LiDAR 是目前工業與商用機器人中最核心的遠程測距感測技術。透過發射激光脈衝並測量反射回來的時間（Time of Flight, ToF），LiDAR 能產生高精度的空間點雲（Point Cloud）。 * **2D LiDAR（平面雷達）：** 常用於 AGV（自動導引車）或掃地機器人。它在水平平面上掃描，提供精確的距離與角度資訊，是構建 2D 地圖與基礎避障的基礎。 * **3D LiDAR（立體雷達）：** 能夠在多個維度提供點雲數據。這對於複雜環境（如倉儲貨架、非結構化戶外環境）至關重要，能辨識物體的高度與體積，不僅能避開障礙物，還能識別如「低矮的托盤」或「突出的貨架邊緣」。 **工程實務：** 在處理 LiDAR 數據時，工程師需進行「點雲過濾」與「特徵提取」，以過濾掉如灰塵、動態行人等噪點，並識別出靜態結構以進行建圖。 ### 2.2 超音波感測器：近場防撞與材料兼容性 雖然超音波感測器（Ultrasonic Sensors）的解析度不如 LiDAR，但在特定工業場景中，它是極佳的互補技術。 * **優點：** 超音波不依賴光學反射，因此在面對「透明玻璃」、「高反光金屬表面」或「黑色塑料」時，表現優於許多光學感測器。這些材質往往會導致激光或紅外線產生誤判。 * **應用：** 在人機協作（HRC）場景中，超音波感測器常作為「防撞保險」，安裝在機器人末端或周邊，偵測極近距離的動態障礙物。 ### 2.3 視覺感測與深度攝影機 (RGB-D) 視覺系統為機器人提供超越距離數據的「語義資訊」。現代機器人常用深度攝影機（如 Intel RealSense, Microsoft Azure Kinect）來整合色彩與深度資訊。 * **結構光 (Structured Light)：** 透過投射特定幾何圖案，計算像素偏移來獲取深度。優點是精確度高，適用於近距離物體抓取。 * **時飛技術 (ToF)：** 直接測量光子飛行時間。感測範圍較廣，且能提供完整的深度圖（Depth Map）。 * **立體視覺 (Stereo Vision)：** 模擬人類雙眼，透過兩個相機之間的位移來計算深度。這在光線良好的戶外環境中非常穩定。 透過這些視覺數據，機器人不僅能知道「那裡有一個物體」，還能辨識出「那是一個零件」或「那是一名工人」。 ### 2.4 慣性測量單元 (IMU) 與狀態估計 IMU 是機器人內部感測的核心。它包含加速度計、陀螺儀，有時還包含磁力計。 * **高頻數據：** IMU 能提供極高頻率（通常是 100Hz 以上）的角速度與加速度數據。 * **關鍵功能：** 在機器人移動時，IMU 用於維持姿態穩定（Pitch, Roll, Yaw）以及在 GNSS 訊號弱或輪式滑移時提供高頻的姿態補償。它是融合算法中極其關鍵的「預測」成分。 ### 2.5 感測融合 (Sensor Fusion)：建立穩健的環境觀 單一感測器往往存在固有缺陷（如 LiDAR 受於煙霧影響、IMU 隨時間產生的漂移、視覺受限於光照）。**多模態感測融合**是解決這些問題的核心技術。 我們通常採用以下兩種數學框架來處理融合： 1. **卡爾曼過濾 (Kalman Filter, KF) 系列：** * **EKF (Extended Kalman Filter)：** 用於處理非線性系統，是目前導航系統最廣泛使用的算法。 * **UKF (Unscented Kalman Filter)：** 在處理極高非線性（如複雜轉彎動力學）時，提供比 EKF 更精確的預測。 2. **因子圖 (Factor Graphs)：** 在現代 SLAM 架構中，利用圖優化（Graph Optimization）來融合多個感測源的約束。例如，將 IMU 的預積分（Pre-integration）與 LiDAR 的掃描匹配（Scan Matching）整合到同一個圖結構中。 | 感測器 | 優點 | | :--- | :--- | | **LiDAR** | 精確距離、大範圍掃描、數據規整 | | **超音波** | 低成本、能偵測透明/高反光表面 | | **RGB-D** | 豐富語義特徵、顏色辨識、精密抓取定位 | | **IMU** | 高頻率、捕捉即時動力學變動 | ### 本章小結 機器人的感測系統並非單一感測器的堆疊，而是**多模態感測融合**的結果。通過結合 LiDAR 的空間精度、超音波的近場可靠性、視覺的語義深度以及 IMU 的高頻動態感知，機器人才能在複雜且不確定的現實世界中建立起可靠的環境模型。在下一章中，我們將學習如何處理這些感測數據，透過運動規劃與控制算法，讓機器人能夠根據這些資訊，在複雜空間中規劃出安全且高效的移動路線。