机器人传感器将光线、距离、运动、关节位置、力、压力及其他物理量转换为测量值。物理人工智能依赖这些数据流来估计世界和机器本身。模型无法恢复传感器布局从未观测到的信息，也不应该将噪声读数视为完美状态。
传感器的选择从任务开始。导航需要自由空间和定位证据。操作需要物体几何形状、手腕姿势、接触和握持状态。人与人互动需要覆盖人员和防护装置。正确的套件取决于距离、分辨率、速率、延迟、环境、故障容忍度和成本。
传感器是 物理人工智能“看-想-行”循环的第一阶段。它们的输出只有在校准、同步和状态估计将其与机器人决策连接后才有用。如果设备帧和时间戳不一致，设备越多，也无法保证状态更好。
RGB摄像机捕捉外貌和语义线索
RGB摄像机记录颜色和纹理，有助于识别物体、读取标签、识别人物和解读场景。分辨率、视野、曝光、镜头畸变和帧率会影响性能。反射、眩光、黑暗、运动模糊和遮挡可能消除关键证据。
相机布置应覆盖工作区，同时不产生不可避免的盲区。固定相机提供稳定的全局视野，而手持眼镜则能随着机械臂移动获得近距离视野。多摄像头增加了覆盖范围，但增加校准、同步和带宽需求。
深度相机估计三维结构
立体光、飞行时间相机和结构光相机利用不同的物理原理估算深度。立体光依赖于匹配的图像特征，飞行时间测量回应的光时或相位，结构光则观察投影的图案。距离、阳光、反射表面和透明物体对它们的影响不同。
深度支持物体姿态、箱体几何、障碍物距离和抓取规划。边缘附近缺失或偏重深度可能导致不安全的碰撞几何。验证所选传感器的代表性材料、距离和光照，而非仅依赖标称范围规格。
| 传感器 | 措施 | 实力 | 共同限制 |
|---|---|---|---|
| RGB摄像头 | 彩色图像 | 语义与质感 | 没有直接的度量深度 |
| 立体声深度 | 深度与视差 | 被动和丰富的纹理场景 | 对低质感或眩光感较弱 |
| 飞行时间 | 主动测距 | 直接稠密距离 | 多径效应与阳光效应 |
| 结构光 | 投影图案深度 | 精准的室内近距离 | 干扰与户外限制 |
LiDAR 度量涵盖周围场景
激光雷达发射光线并测量回波以形成距离或点云。二维扫描仪支持平面导航，而多波束和固态设备则提供更丰富的三维覆盖。角度分辨率、回波强度、扫描模式和运动畸变塑造了数据。
对于移动机器人，激光雷达即使在视觉纹理薄弱时也能支持地图绘制、定位和障碍物检测。玻璃、黑暗表面、天气和有限的垂直覆盖仍可能导致故障。低矮的平面扫描仪可能会错过桌面或悬垂的障碍物。
IMU测量旋转和线性加速度
惯性测量单元通常结合陀螺仪和加速度计。它在较慢的相机或激光雷达更新之间提供高速运动证据。当惯性数据集成时，偏置和噪声会积累，因此通常需要另一个参考点来限制漂移。
安装刚性、轴线对齐、振动和温度都会影响信号。行走机器人还会受到可能饱和或干扰读数的冲击。校准和滤波应与运动频谱匹配，而不是平滑控制所需的快速事件。
编码器显示机器人内部运动
关节编码器测量电机或关节位置，推导值估计速度。增量和绝对器件在通电后位置恢复方式有所不同。电机端和输出端编码器在齿轮箱引入间隙、弹性或打滑时观察到不同的效应。
编码器是反馈控制的核心，但不能证明环境按预期移动。指令下的抓钳可以在物体滑动时关闭。将关节状态与视觉、力或触觉信号结合，将内部运动与任务结果联系起来。
力-转矩和触觉传感器测量相互作用
六轴力-转矩传感器可估算手腕、关节或底部的力矩和力矩。它支持接触检测、插入、顺应和碰撞监测。手指上的触觉阵列可估算压力分布、接触位置及靠近握把的滑动线索。
这些测量对于灵巧操作非常重要，有助于解释 为何人形机器人手部难以操作。传感器距离、过载、漂移、滞后和保护罩都可能改变有用的灵敏度。接触阈值需要验证工具和有效载荷的实际情况。
| 交互传感器 | 位置 | 有用的信号 | 设计权衡 |
|---|---|---|---|
| 腕部六维力/力矩传感器 | 臂与工具之间 | 净力与力矩 | 无法定位手指接触 |
| 关节转矩 | 执行器还是接头 | 负载与扰动 | 摩擦使估算变得复杂 |
| 触觉阵列 | 指面 | 压力与接触面 | 布线与耐用性 |
| 简单开关 | 抓手或保险杠 | 二进制接触 | 信息量不多，但很稳健 |
校准将测量数据与几何形状连接起来
内在校准描述了相机或传感器的内部测量模型。外在校准描述了其相对于另一个传感器或机器人框架的姿态。关节零偏移和工具-中心-点校准将指令运动学与实际机构连接起来。
校准在撞击、维护、温度变化或机械运动后会漂移。存储校准版本并记录数据，并添加健康检查以发现相机移位或安装座松动。一个模型在一个几何体上训练，但部署无声地使用另一个几何体时，模型可能会失败。
时间同步和空间对齐一样重要
移动机器人在不同时刻看到不同的状态。如果图像、关节角度和力读数的时间戳不一致，融合可以创造出从未存在过的状态。硬件触发、时钟同步和近采集时间戳可以减少这种误差。
除了采样率外，还要测量传输和处理延迟。缓冲可能对齐流，但会增加响应延迟。正确的策略取决于任务速度：慢速检测容忍比避免碰撞或动态抓取更多的延迟。
传感器融合应暴露不确定性和故障
Fusion 结合了互补的测量，如高速 IMU 与限制漂移相机或激光雷达。滤波器、优化和学习的估计器都可以使用。该架构应识别陈旧、饱和、缺失或不一致的输入，而不是在没有健康检查的情况下对每个流进行平均。
所得估计不仅用于仪表盘，还用于规划和控制。 世界模型 可能利用融合状态来预测结果。当覆盖率、信心度或传感器一致性低于验证阈值时，安全逻辑可能会减缓或停止。
通过任务级测试选择传感器
为每个任务决策制定测量预算：所需距离、精度、视野、更新率、延迟和允许的失效概率。测试代表性表面、照明、振动、温度和遮挡。在故障测试中包括脏镜片、阻挡回波和断开设备。
比较任务成功率与单个传感器被移除或降低的情况。这揭示了冗余和隐藏的依赖关系。在可行的情况下记录原始数据，以便算法可以重演，同时管理带宽、隐私和保留。最好的套件是最小的，既符合覆盖范围又符合安全，并有可诊断的余地。
评估“用于物理人工智能的机器人传感器：摄像头、 LiDAR、 IMU、编码器、力/力矩与触觉”时，还应保存模型版本、机器人配置、标定文件、测试日期和全部试验记录。把成功、失败、恢复与人工介入放在同一份数据中，才能区分模型能力、系统接口和现场流程造成的差异。
成本评估除了设备与算力，还要记录数据采集、工程调试、安全措施、维护、停机和人员培训。只有把这些持续投入与单位成功任务的价值比较，才能判断方案是否适合扩大。
上线后仍要持续检查分布变化、传感器漂移、机械磨损和人工接管原因。监测结果应能触发降级、停止与重新验证流程，并为下一轮数据采集和模型更新留下可追溯记录。
最终结论应明确写出已知限制、尚未验证的场景和下一项可证伪的实验，使后续团队能够沿着证据继续推进。
- 定义每个传感器支持的决策。
- 测量距离、准确率、速率和延迟。
- 一起校准时空。
- 测试材料和环境边缘情况。
- 设计故障检测和安全降级模式。
常见问题
每个机器人都需要什么传感器？
没有通用的设备。大多数机器人需要内部位置反馈，而外部传感器则依赖导航、操作、交互和安全要求。
激光雷达比深度相机更好吗？
两者都不是绝对优越。激光雷达通常提供强力的距离和更广的距离，而深度相机则提供密集的局部几何形状。环境、材料、视野和成本决定了选择。
为什么要把IMU和摄像头或激光雷达结合起来？
IMU提供高速运动信息，但集成时会漂移。视觉或激光雷达提供环境参考，可以纠正长期漂移。
力感和触觉传感器是一样的吗？
不是。手腕力-转矩传感器测量一个位置的净负荷。触觉传感器测量靠近表面的接触分布，可以揭示局部压力或滑移。
机器人传感器应多久校准一次？
在调试时及机械变更或撞击后校准，然后持续监测健康状况。该间隔取决于安装的稳定性、环境和任务容忍度。
传感器选择说明
传感器规格、固件和支持的接口会变化。核实当前制造商文档，并在机器人真实材料、照明、运动和故障条件下测试完整的传感器到决策链。