室内导航系统 02：视觉还是激光雷达，答案取决于要解决哪种不确定性
“视觉还是雷达”经常被当成路线之争，实际是把五个不同问题混在了一起：里程计、全局定位、地图建立、障碍检测和安全停车。
同一个传感器很少能同时把五件事做好。正确做法是先确定每条链路允许什么误差和失效，再组合传感器。
各类传感器真正提供什么
| 传感器 | 强项 | 典型弱点 |
|---|---|---|
| 2D LiDAR | 平面几何稳定、算力低、Nav2 生态成熟 | 看不到桌面、悬空物、地面高差 |
| 3D LiDAR | 全空间几何、对光照不敏感、适合 LIO | 成本、功耗、点云计算与机械安装 |
| RGB-D | 近距离稠密深度和语义 | 阳光、黑色/反光表面、量程 |
| 双目相机 | 无主动光干扰，兼顾深度和纹理 | 低纹理、弱光、标定和算力 |
| 单目相机 | 成本最低、语义丰富 | 尺度不可观、退化明显，不宜单独承担安全 |
| IMU | 高频姿态与短时运动 | 偏置积分漂移，不能单独定位 |
| 轮速 | 平面运动连续、成本低 | 打滑、越障、轮径误差 |
| 毫米波雷达 | 烟尘、弱光、部分穿透场景 | 角分辨率和室内多径，生态较弱 |
一个关键判断
视觉更擅长回答“我看到了什么、这里像哪里”，激光更擅长回答“物体表面在哪里、几何距离是多少”。室内导航既需要语义，也需要几何。
按功能拆开选型
1. 里程计
控制器需要 50—100 Hz 左右连续、低延迟的 odom → base_link。可选组合：
- 平整差速底盘：轮速 + IMU；
- 全向底盘：各轮编码器 + IMU，额外处理侧滑；
- 视觉平台：VIO + IMU，可融合轮速；
- 3D LiDAR 平台：LIO + IMU，可用轮速作约束；
- 四足/轮足：机体 IMU + 关节/足端状态 + 视觉或 LIO。
回环优化可以修正全局漂移，却不能让控制用的里程计发生跳变。
2. 全局定位
全局定位关心长期可重复性：
- 2D 几何稳定的仓库：AMCL 或 slam_toolbox localization；
- 外观丰富、几何重复的办公区：视觉地点识别有优势；
- 大空间、跨楼层、光照变化：3D LiDAR/视觉与拓扑锚点组合；
- 经常改造的零售环境：需要长期建图和地图版本管理。
纯视觉在白墙长廊、关灯、强逆光时会退化；纯 2D 雷达在长直对称走廊、玻璃和开门状态变化时也可能歧义。
3. 建图
- 只为平面导航：2D 占据栅格最简单；
- 需要看桌面、货架与悬空物：RGB-D/3D LiDAR 构建体素或 TSDF；
- 需要轮足跨越门槛和坡道：高程地图与可通行性层；
- 需要“会议室、充电区、禁行区”：在几何地图上叠加语义和拓扑。
不要因为传感器能输出点云，就默认必须保存整栋楼的稠密点云。地图表达应服务规划与定位。
4. 障碍检测
室内最危险的物体往往不在 2D 激光平面上：桌板、叉车货叉、玻璃门、下垂电缆、台阶边缘、透明推车。
因此即使主定位使用 2D LiDAR，也建议加入前向深度或 3D 感知，生成：
- 近场碰撞区；
- 地面负障碍；
- 机体高度范围内的 3D 占据；
- 动态障碍速度估计。
5. 安全停车
机器学习感知不宜成为唯一制动依据。最终安全链应尽量短：
原始距离/防撞条/安全激光
→ 独立碰撞监控
→ 限速或停止
导航感知可以更聪明，但安全链必须能在主导航进程卡死时仍工作。
三套现实配置
低成本室内服务机器人
2D LiDAR + IMU + 轮速
前向 RGB-D
slam_toolbox / AMCL + Nav2
优点是生态成熟、调试容易。RGB-D 负责补充桌面和近场障碍，不让 2D LiDAR 独自承担全部感知。
视觉优先平台
双目或多目 + IMU
VIO / cuVSLAM / RTAB-Map
深度或语义生成局部 costmap
独立近场碰撞传感器
适合对成本、外观和语义要求高的产品，但必须认真解决弱光、纹理退化、镜头污染和标定。
轮足或复杂空间平台
3D LiDAR + IMU + 关节状态
前向/环视相机
LIO + 高程地图 + 可通行性估计
全局路线层 + 局部落足/轨迹层
轮足机器人的核心不是把 Nav2 的 footprint 换成四条腿，而是让局部地图表达地形高度、坡度、台阶和机体碰撞。
推荐结论
对于第一版室内移动机器人，最稳妥的起点仍是：
2D LiDAR 做平面几何和基础定位
+ IMU/轮速保证连续里程计
+ 深度/双目补近场 3D 障碍
+ 相机提供语义
当硬件形态、成本或场景明确要求无雷达，再切到视觉优先路线。官方 Nav2 并不要求必须使用 LiDAR，视觉导航完全可行；但“可以不用”不等于“少一个传感器就少一类问题”。
最终选型标准不是哪种传感器更先进，而是任意一个传感器退化时，机器人是否仍能知道自己有多不确定，并在越界前安全停下。