第26章 典型应用案例（二）：机器人导航与SLAM
返回课程目录：FMCW激光雷达技术课程（公开版）
引言：为什么FMCW激光雷达适合机器人？
在机器人自主导航与SLAM（同步定位与建图）任务中，传感器需要同时提供高精度距离测量、直接速度信息和强抗干扰能力。传统的脉冲式激光雷达（ToF LiDAR）虽然能提供良好 的点云，但无法直接测量径向速度，且在多机协同或复杂光环境中易受干扰。
FMCW（调频连续波）激光雷达通过相干探测原理，将距离、速度信息编码在频率差与相位中，一举解决了上述痛点，成为新一代服务机器人、仓储AGV、无人车等高端应用的理想选择。
【原文此处有示意图，图片内容见源资料对应页面】
FMCW LiDAR在SLAM中的独特优势
📡 直接速度测量
通过多普勒频移直接获取每个点云的径向速度，无需通过连续帧间匹配计算，大幅提升运动估计的实时性与准确性。
- 速度精度可达0.1 m/s级别
- 减少里程计累积误差
- 支持动态物体过滤
🛡️ 抗干扰能力
基于相干探测，只响应自身发射的调频光信号，有效避免其他激光雷达（同波段）或环境强光的干扰。
- 多机协同无串扰
- 室外强光下稳定工作
- 提升系统可靠性
🎯 高精度与灵敏度
毫米级测距精度，且对低反射率物体（如黑色物体）仍保持高探测灵敏度，适合复杂室内外场景。
- 毫米级测距精度
- 高动态范围接收
- 细节丰富点云
机器人导航中的FMCW LiDAR系统架构
一个典型的基于FMCW激光雷达的机器人SLAM系统包含以下核心模块：
【原文此处有示意图，图片内容见源资料对应页面】
该架构充分利用了FMCW LiDAR输出的距离-速度联合信息，使得SLAM算法能够更快速、更鲁棒地估计机器人位姿并构建环境地图。
关键技术对比：FMCW vs ToF LiDAR in SLAM
| 特性 | FMCW激光雷达 | 传统ToF激光雷达 | 对SLAM的影响 |
|---|---|---|---|
| 速度测量 | 直接测量（多普勒） | 间接计算（帧间匹配） | 提升实时性，减少累积误差 |
| 抗干扰性 | 极高（相干探测） | 较低（易受同频干扰） | 适合多机、复杂光环境 |
| 测距精度 | 毫米级 | 厘米级 | 构建更精细的地图 |
| 功耗与成本 | 较高 | 相对较低 | 目前主要用于高端应用 |
| 动态物体处理 | 易于区分（速度信息） | 依赖算法分离 | 提升动态环境鲁棒性 |
典型工作流程与伪代码示例
以下是一个简化的FMCW LiDAR数据在SLAM前端的处理流程：
# 伪代码：FMCW LiDAR SLAM 前端处理
def process_fmcw_frame(raw_chirp_data, prev_pose):
# 1. 信号处理：距离与速度解算
range_velocity_map = fmcw_signal_processing(raw_chirp_data)
# 2. 点云生成 (距离, 方位角, 俯仰角, 径向速度)
point_cloud_with_velocity = generate_point_cloud(range_velocity_map)
# 3. 动态点过滤（利用速度信息）
static_points = filter_static_points(point_cloud_with_velocity, velocity_threshold=0.3)
# 4. 特征提取（如平面、边缘）
features = extract_features(static_points)
# 5. 扫描匹配（结合速度先验）
estimated_pose = scan_matching(features, prev_pose,
velocity_prior=point_cloud_with_velocity.mean_velocity)
# 6. 发布用于建图与定位的点云
publish_for_backend(static_points, estimated_pose)
return estimated_pose
# FMCW信号处理核心（简化）
def fmcw_signal_processing(chirp_data):
# 去噪与预处理
cleaned = preprocess(chirp_data)
# 2D FFT 获取距离-速度谱
range_doppler = fft2d(cleaned)
# 峰值检测与解模糊
peaks = detect_peaks(range_doppler)
# 计算每个点的距离与速度
ranges = peaks.delta_f * C / (2 * sweep_slope)
velocities = peaks.doppler_f * wavelength / 2
return combine(ranges, velocities)
上述流程展示了如何利用FMCW独有的速度信息，在SLAM前端就进行动态点过滤和提供运动先验，从而提升整个系统的性能。
应用场景与未来展望
🏭 当前典型应用场景
- 仓储物流机器人：在密集多机协同环境中，抗干扰与直接测速能力至关重要。
- 服务机器人：在商场、医院等动态人流环境中，快速识别移动障碍并规划路径。
- 无人驾驶车辆：补充毫米波雷达与摄像头，提供高精度、抗光扰的激光感知。
- 高端农业机器人：在户外强光、尘土环境下稳定工作，实现精准作业。
🚀 未来发展趋势
- 芯片化与成本降低：硅光芯片集成有望大幅降低FMCW LiDAR成本，推动普及。
- 4D点云普及：距离、方位、俯仰、速度的4D点云将成为机器人标准感知输入。
- 与视觉深度融合：FMCW点云速度信息与图像语义信息融合，实现更智能的环境理解。
- 标准化与开源：开源SLAM算法（如LOAM、LIO-SAM）将更好地支持FMCW LiDAR。