传感器与感知硬件

具身智能系统的感知能力完全由传感器硬件决定。本文档系统梳理机器人系统中各类传感器的物理原理、工程指标、产品选型与标定方法。

1. 视觉传感器 (Vision Sensors)

1.1 RGB 相机基础

快门机制 (Shutter Mechanism)

全局快门 (Global Shutter) 与卷帘快门 (Rolling Shutter) 是两种根本不同的曝光方式。

全局快门：所有像素在同一时刻开始曝光、同一时刻结束曝光。传感器在曝光结束后将所有像素的电荷同时转移到存储节点，再逐行读出。这要求每个像素单元内集成额外的存储电容，导致像素填充因子 (fill factor) 降低，通常在 30%~60% 之间。

卷帘快门：逐行曝光，第 N 行开始曝光时，第 N-1 行可能仍在读出。行间延迟 (row delay) 通常为 10~30 μs。对于 1080p (1920×1080) 传感器，首行与末行的时间差为：

total_skew = row_delay × (num_rows - 1)
           = 20 μs × 1079
           ≈ 21.6 ms

在机器人快速运动场景中（末端执行器速度 > 1 m/s），21.6 ms 的时间偏差会产生显著的图像畸变，影响视觉里程计 (Visual Odometry) 精度。

参数	全局快门	卷帘快门
运动畸变	无	有，与速度正相关
填充因子	30%~60%	70%~90%
暗电流噪声	较高	较低
成本	高 (2~5x)	低
典型应用	机器人视觉、工业检测	手机、消费相机
代表芯片	Sony IMX264 (GS)	Sony IMX477 (RS)

Bayer 滤色阵列 (Bayer Filter Array)

CMOS 传感器的每个像素本身只能感知光强度，无法区分颜色。Bayer 滤色阵列在像素上方覆盖 R/G/B 滤色片，排列为 RGGB 模式（绿色像素数量是红色和蓝色的两倍，因为人眼对绿色最敏感）。

┌───┬───┬───┬───┬───┬───┐
│ R │ G │ R │ G │ R │ G │
├───┼───┼───┼───┼───┼───┤
│ G │ B │ G │ B │ G │ B │
├───┼───┼───┼───┼───┼───┤
│ R │ G │ R │ G │ R │ G │
├───┼───┼───┼───┼───┼───┤
│ G │ B │ G │ B │ G │ B │
└───┴───┴───┴───┴───┴───┘

去马赛克 (Demosaicing) 算法通过插值计算每个像素缺失的两个颜色通道。常见算法包括双线性插值、自适应色彩平面插值 (ACPI)、VNG (Variable Number of Gradients)。插值过程不可避免地引入伪色 (false color) 和拉链效应 (zipper artifact)，在高频纹理区域尤为明显。

ISP 流水线 (Image Signal Processor Pipeline)

从原始传感器数据到可用 RGB 图像，需经过完整的 ISP 流水线：

Raw Bayer Data
    │
    ▼
Black Level Correction (减去暗电流基底)
    │
    ▼
Defect Pixel Correction (坏点修正)
    │
    ▼
Lens Shading Correction (镜头渐晕补偿)
    │
    ▼
White Balance Gain (白平衡增益，R/G/B 通道独立)
    │
    ▼
Demosaicing (去马赛克插值)
    │
    ▼
Color Correction Matrix (3×3 色彩校正矩阵)
    │
    ▼
Gamma Correction (gamma = 2.2 或 sRGB 曲线)
    │
    ▼
Noise Reduction (空域 + 时域降噪)
    │
    ▼
Sharpening (锐化，通常为 Unsharp Mask)
    │
    ▼
Output RGB Image

在机器人视觉中，ISP 的自动曝光 (AE)、自动白平衡 (AWB) 功能常被禁用或手动设定，以保证帧间一致性。许多视觉 SLAM 系统直接使用灰度图，跳过色彩处理。

1.2 工业相机 vs 消费相机

参数	工业相机	消费相机
快门	全局快门为主	卷帘快门为主
接口	GigE Vision, USB3 Vision, CoaXPress	MIPI CSI-2, USB
触发模式	硬件触发（μs 级精度）	软件触发
帧率控制	精确可编程	受限于 ISP
工作温度	-20°C ~ +60°C	0°C ~ +40°C
MTBF	> 50,000 小时	未标注
价格	$500 ~ $5,000	$10 ~ $100 (模组)

代表产品：

品牌	型号	分辨率	帧率	快门	接口	价格
Basler	acA1920-155uc	1920×1200	155 fps	GS	USB 3.0	~$700
FLIR (Teledyne)	BFS-U3-16S2C	1440×1080	226 fps	GS	USB 3.0	~$600
Allied Vision	Alvium 1800 U-500c	2592×1944	52 fps	RS	USB 3.0	~$400
Basler	acA4112-30uc	4096×3000	30 fps	RS	USB 3.0	~$1,200

Sony IMX 系列传感器芯片（被广泛用于各类相机模组）：

芯片	分辨率	像素尺寸	快门	典型应用
IMX477	12.3 MP	1.55 μm	RS	Raspberry Pi HQ Camera
IMX264	5 MP	3.45 μm	GS	工业检测
IMX547	5.1 MP	2.74 μm	GS	机器视觉
IMX678	8 MP	1.12 μm	RS	安防、无人机
IMX334	8.3 MP	2.0 μm	RS	车载环视

1.3 深度相机 (Depth Cameras)

结构光 (Structured Light)

工作原理：投射已知红外光斑图案 (pattern) 到场景中，用红外相机拍摄被物体表面调制后的图案，通过图案变形计算深度。Intel RealSense D435 使用伪随机红外散斑 (pseudo-random speckle) 配合双红外相机进行立体匹配。

IR Projector ──────── 已知图案投射 ──────── 场景
                                              │
                                              │ 图案被表面调制
                                              ▼
IR Camera(s) ──────── 捕获变形图案 ──────── 深度计算

Intel RealSense 系列规格：

参数	D435i	D455	D405
深度技术	主动红外立体	主动红外立体	主动红外立体
深度分辨率	1280×720	1280×720	1280×720
RGB 分辨率	1920×1080	1920×1080	无
深度帧率	最高 90 fps	最高 90 fps	最高 90 fps
工作距离	0.1~10 m	0.4~6 m (高精度)	0.07~0.5 m
深度精度	<2% @ 2m	<2% @ 4m	<2% @ 0.25m
基线	50 mm	95 mm	18 mm
IMU	有 (BMI055)	有 (BMI055)	无
接口	USB-C 3.1	USB-C 3.1	USB-C 3.1
价格	~$300	~$350	~$250

D455 相比 D435i 基线增大至 95 mm，远距离深度精度显著提升。D405 为近距离（7~50 cm）高精度设计，适合机械臂抓取场景。

飞行时间 (Time-of-Flight, ToF)

工作原理分为两类：

连续波 ToF (Continuous-Wave ToF)：发射调制红外光（频率通常为 20~100 MHz），测量反射光与发射光之间的相位差，换算距离：

d = (c × Δφ) / (4π × f_mod)

其中 c 为光速，Δφ 为相位差，f_mod 为调制频率。单频调制的最大无模糊距离 (unambiguous range)：

d_max = c / (2 × f_mod)

例如，f_mod = 75 MHz 时，d_max = 2.0 m。多频调制可扩展范围。

直接 ToF (Direct ToF, dToF)：发射短脉冲光，使用 SPAD (Single-Photon Avalanche Diode) 阵列检测单光子返回时刻，精度可达毫米级。Apple iPhone LiDAR Scanner 采用此方案。

产品	类型	分辨率	帧率	范围	精度	价格
Azure Kinect (DK)	iToF	1024×1024 / 512×512	15/30 fps	0.25~5.46 m	±11 mm	~$400
Sony IMX556 (Lucid Helios2)	iToF	640×480	30 fps	0.3~8.3 m	±5 mm @ 1m	~$2,000 (相机)
PMD flexx2	iToF	224×172	60 fps	0.1~4 m	±10 mm	~$500

ToF 相机的核心问题：多径干扰 (multipath interference)，凹角、透明物体处深度值系统性偏差；飞点 (flying pixels)，在深度不连续边缘产生错误中间值。

主动立体视觉 (Active Stereo)

结合结构光投影与双目立体匹配。投影红外纹理增强场景特征，使双目匹配在弱纹理区域（白墙、桌面）也能有效工作。Intel RealSense D400 系列实际上属于此类，而非纯结构光。

1.4 立体相机 (Stereo Cameras)

被动双目视觉通过两个固定基线的相机拍摄同一场景，利用视差 (disparity) 计算深度：

Z = (f × B) / d

Z 为深度，f 为焦距（像素），B 为基线长度（米），d 为视差（像素）。

深度精度与距离的平方成反比，与基线成正比：

ΔZ = Z² / (f × B) × Δd

Δd 为视差估计误差（通常 0.1~0.5 像素），这意味着 2 m 处的深度误差远大于 0.5 m 处。

Stereolabs ZED 2i 规格：

参数	规格值
分辨率	2208×1242 (2K) / 1920×1080 / 1280×720 / 672×376
帧率	15/30/60/100 fps (随分辨率递减)
基线	120 mm
视场角	110° (H) × 70° (V)
深度范围	0.3~20 m
深度精度	<1% @ 0.5~3 m
IMU	有 (加速度计 + 陀螺仪)
接口	USB 3.0
内置功能	神经网络深度估计、位置追踪
IP 防护	IP66
价格	~$500

ZED 2i 内置 NVIDIA Jetson 可直接运行的深度学习模型，在弱纹理区域通过学习型补全提升深度图质量。

1.5 事件相机 (Event Cameras)

事件相机与传统帧相机的根本区别：传统相机以固定帧率同步采集所有像素亮度值；事件相机中每个像素独立异步工作，仅当该像素检测到对数亮度变化超过阈值 C 时输出一个事件：

当 |log(I(x,y,t)) - log(I(x,y,t_last))| > C 时，输出事件 (x, y, t, p)

其中 p ∈ {+1, -1} 表示亮度增加或减少，t 为微秒级时间戳。

核心特性：

特性	事件相机	传统帧相机
时间分辨率	1~10 μs	10~~33 ms (30~~100 fps)
动态范围	120~140+ dB	60~70 dB
输出带宽	场景相关（稀疏）	固定（全帧）
运动模糊	无	有
功耗	10~50 mW	500 mW~2 W
冗余数据	极少	大量（静态区域）

代表产品：

产品	分辨率	时间分辨率	动态范围	接口	价格
iniVation DAVIS346	346×260	1 μs	120 dB	USB 3.0	~$5,000
Prophesee EVK4 HD	1280×720	1 μs	>120 dB	USB 3.0	~$4,000
CelePixel CeleX-V	1280×800	1 μs	120 dB	USB 3.0	~$3,000
Samsung DVS Gen4	640×480	<1 μs	140 dB	MIPI	研发中

DAVIS346 (Dynamic and Active-pixel Vision Sensor) 同时集成事件像素和传统帧像素，允许同步输出事件流和灰度帧，方便算法开发与调试。

机器人应用场景：高速抓取（需要 μs 级反应）、无人机在明暗交替环境（隧道出入口、室内外过渡）中的 SLAM、高动态场景下的视觉伺服。

当前限制：分辨率偏低，算法生态不成熟（大部分视觉算法基于帧设计），成本高，量产规模小。

2. LiDAR（激光雷达）

2.1 机械旋转式 (Mechanical Spinning)

工作原理：激光发射/接收模组安装在旋转电机上，以 10~20 Hz 速度 360° 旋转扫描。每个激光通道 (channel) 以固定垂直角度发射，多通道叠加形成三维点云。

                旋转轴
                  │
          ┌───────┼───────┐
          │  ┌────┼────┐  │
          │  │ TX │ RX │  │
          │  │ TX │ RX │  │  ← 多个通道（16/32/64/128 线）
          │  │ TX │ RX │  │
          │  │ TX │ RX │  │
          │  └────┼────┘  │
          └───────┼───────┘
                  │
            旋转电机 (10~20 Hz)

测距方法为 dToF：发射 905 nm 或 1550 nm 短脉冲，SPAD 或 APD (Avalanche Photodiode) 检测返回脉冲，测量飞行时间。

代表产品：

品牌	型号	线数	范围	精度	点频	帧率	FOV	价格
Ouster	OS1-128	128	120 m	±1~3 cm	5.2M pts/s	10/20 Hz	360°×45°	~$8,000
Ouster	OS0-128	128	50 m	±1~5 cm	5.2M pts/s	10/20 Hz	360°×90°	~$8,000
Velodyne	VLP-16 (Puck)	16	100 m	±3 cm	300K pts/s	5~20 Hz	360°×30°	~$4,000
Velodyne	Alpha Prime	128	245 m	±3 cm	4.8M pts/s	10/20 Hz	360°×40°	~$75,000
Hesai	Pandar128	128	200 m	±1 cm	6.9M pts/s	10/20 Hz	360°×40°	~$30,000

机械旋转式的优势：360° 全视角、成熟的测距精度。劣势：旋转机构寿命有限、体积大（直径 85~120 mm）、成本高、抗震性差。

2.2 固态式 (Solid-State)

无旋转机构，通过 MEMS 微镜、OPA (Optical Phased Array) 或闪光 (Flash) 方式实现扫描。

MEMS 微镜方案：微型反射镜在两轴方向快速摆动，将激光束引导至不同方向。Livox 采用独特的”非重复扫描” (non-repetitive scan) 模式，积分时间越长覆盖密度越高。

Livox 花瓣形扫描模式（0.1s 内）:

    ╭─────╮
   ╱ • • • ╲
  │ •     • │
  │•   ╳   •│  ← 中心密度高
  │ •     • │
   ╲ • • • ╱
    ╰─────╯

积分 1s 后覆盖率 > 99%

Flash LiDAR：一次发射覆盖整个 FOV（类似相机闪光灯），使用 SPAD 阵列接收。优点为无运动部件、帧率高；缺点为范围受限（发射功率分散）。

品牌	型号	技术	范围	精度	点频	FOV	价格
Livox	Mid-360	MEMS+旋转棱镜	70 m	±2 cm	200K pts/s	360°×59°	~$1,000
Livox	HAP	MEMS	150 m	±2 cm	450K pts/s	120°×25°	~$1,500
Hesai	FT120	Flash	30 m	±3 cm	192K pts/frame	100°×75°	~$500
Intel RealSense L515	iToF LiDAR	70 m	±5 mm@1m	23M pts/s	70°×55°	已停产

2.3 FMCW LiDAR (频率调制连续波)

传统 ToF LiDAR 测量脉冲往返时间；FMCW LiDAR 发射线性调频连续波，将返回光与本振光进行相干混频，通过拍频 (beat frequency) 同时获取距离和径向速度（多普勒效应）。

发射频率
    ▲
    │    ╱╲    ╱╲    ╱╲
    │   ╱  ╲  ╱  ╲  ╱  ╲   ← 发射信号（线性调频）
    │  ╱    ╲╱    ╲╱    ╲
    │ ╱
    │╱    返回信号（延迟 Δt）
    │  ╱╲    ╱╲    ╱╲
    │ ╱  ╲  ╱  ╲  ╱  ╲
    │╱    ╲╱    ╲╱    ╲
    └──────────────────────► 时间

拍频 f_beat = (B/T) × Δt
距离 R = (c × f_beat × T) / (2B)
速度 v = (Δf_doppler × λ) / 2

B 为调频带宽，T 为调频周期，λ 为激光波长。

FMCW 优势：

同时获得距离 + 速度（传统 dToF 只有距离）
相干检测灵敏度极高，远距离性能好
不受环境光干扰
可用 1550 nm 波长（人眼安全，允许更大功率）

代表产品：

品牌	型号	范围	精度	速度测量	价格
Aeva	Aeries II	500 m	±2 cm	有 (0.01 m/s 精度)	未公开 (量产目标 <$500)
SiLC	Eyeonic Vision	200 m	±1 cm	有	开发中

2.4 机器人 vs 自动驾驶 LiDAR 需求对比

需求维度	机器人（室内/近距）	自动驾驶（室外/远距）
范围需求	0.1~15 m	10~300 m
精度需求	±1~5 mm	±1~5 cm
FOV 需求	宽视场 (>90° vertical)	远距窄 + 近距宽
尺寸约束	严格 (<50 mm)	相对宽松
抗震性	高 (关节振动)	中等
成本预算	$200~$2,000	$500~$5,000 (量产目标)
代表选型	Livox Mid-360, Hesai FT120	Hesai AT128, Aeva Aeries II

3. 惯性测量单元 (IMU)

3.1 物理原理

MEMS 加速度计：质量块通过弹性梁悬挂于固定结构上。当受到加速度时，惯性力使质量块相对框架位移，位移通过电容变化检测：

        固定极板
        ────────
        ┃      ┃
   ┌────┨  d₀  ┠────┐
   │    ┃      ┃    │
   │    ────────    │
   │    ┃      ┃    │  ← 弹性梁
   │    ┃ 质量 ┃    │
   │    ┃  块  ┃    │
   │    ┃      ┃    │
   └────┨  d₀  ┠────┘
        ┃      ┃
        ────────
        固定极板

加速度 a 作用时：
ΔC = ε₀ × A × (1/(d₀-Δx) - 1/(d₀+Δx))
Δx = m × a / k (弹性恢复力平衡)

MEMS 陀螺仪：利用科里奥利力 (Coriolis effect)。振动质量块以已知频率驱动振动，当存在角速度时，科里奥利力在垂直于驱动方向和旋转轴的方向产生位移：

F_coriolis = -2m(ω × v_drive)

通过检测感测方向的位移（电容变化）测量角速度 ω。

3.2 噪声模型 (Allan Variance)

IMU 噪声通过 Allan 方差 (Allan Variance) 分析。在双对数坐标下，不同噪声源表现为不同斜率的直线段：

log(σ²(τ))
    │
    │╲
    │  ╲  斜率 = -1: 角度/速度随机游走 (ARW/VRW)
    │    ╲
    │      ────── 斜率 = 0: 偏置不稳定性 (Bias Instability)
    │            ╱
    │          ╱  斜率 = +1: 速率随机游走
    │        ╱
    └────────────────────── log(τ)
         τ_min (Bias Instability)

关键噪声参数：

噪声类型	符号	单位 (陀螺仪)	单位 (加速度计)	物理含义
角度随机游走 / 速度随机游走	ARW / VRW	°/√h	m/s/√h	白噪声积分后的扩散速率
偏置不稳定性	BI	°/h	μg	缓慢漂移的长时间稳定性下限
偏置重复性	BR	°/h	mg	开机间偏置变化
标度因子误差	SF	ppm	ppm	测量值与真值的比例偏差

3.3 IMU 等级对比

参数	消费级 (MPU-6050)	战术级 (ADIS16490)	导航级 (FOG)
ARW	0.3 °/√h	0.06 °/√h	0.001 °/√h
Bias Instability (Gyro)	20 °/h	1.8 °/h	0.003 °/h
VRW	0.06 m/s/√h	0.017 m/s/√h	0.003 m/s/√h
Bias Instability (Accel)	500 μg	32 μg	1 μg
采样率	1 kHz	4 kHz	1~10 kHz
价格	$5	$2,500	$10,000~$100,000
尺寸	4×4×0.9 mm	47×44×14 mm	拳头大小
适用场景	手机、玩具	无人机、机器人	潜艇、导弹

机器人系统常用选型：

芯片	等级	ARW	Bias Instability	价格	应用
BMI088 (Bosch)	工业	0.2 °/√h	8 °/h	~$10	无人机飞控
ICM-42688 (TDK)	消费+	0.18 °/√h	6 °/h	~$5	机器人 VIO
ADIS16475 (ADI)	工业	0.084 °/√h	2 °/h	~$300	精密导航
ADIS16490 (ADI)	战术	0.06 °/√h	1.8 °/h	~$2,500	军用/高精度

3.4 IMU 在传感器融合中的角色

IMU 提供高频（200~~4000 Hz）的短时运动估计，弥补视觉/LiDAR 的低帧率（15~~60 Hz）间隔。在视觉惯性里程计 (VIO) 中：

IMU 在两个图像帧之间进行运动预积分 (preintegration)
视觉提供低频但全局一致的位姿修正
紧耦合 (tightly-coupled) 方案在同一优化问题中联合估计 IMU 偏置和视觉特征

IMU 单独积分定位的漂移速度：位置误差以 O(t²) 增长（加速度计偏置被双重积分），角度误差以 O(t) 增长。消费级 MEMS IMU 单独积分 10 秒后位置误差可达数米，因此必须与其他传感器融合。

4. 力/力矩传感器 (Force/Torque Sensors)

4.1 六轴力/力矩传感器工作原理

六轴 F/T (Force/Torque) 传感器同时测量三维力 (Fx, Fy, Fz) 和三维力矩 (Mx, My, Mz)。核心感测元件为应变片 (strain gauge) 组成的惠斯通电桥 (Wheatstone bridge)。

传感器结构截面：

     外部法兰（连接工具/末端执行器）
    ╔════════════════════════╗
    ║                        ║
    ║   弹性体 (flexure)     ║  ← 应变片贴附于此
    ║   ┌──┐  ┌──┐  ┌──┐   ║
    ║   │  │  │  │  │  │   ║  ← 多个弹性梁
    ║   └──┘  └──┘  └──┘   ║
    ║                        ║
    ╚════════════════════════╝
     内部法兰（连接机器人末端）

当力/力矩作用于外部法兰时，弹性体产生微小形变（μm 级），应变片电阻随形变变化：

ΔR/R = GF × ε

GF 为应变系数 (Gauge Factor，金属约 2，半导体约 100~200)，ε 为应变量。

六个分量通过多个应变片的组合和标定矩阵 (calibration matrix) 解耦：

[Fx]       [C11 C12 ... C16] [V1]
[Fy]       [C21 C22 ... C26] [V2]
[Fz]   =   [C31 C32 ... C36] [V3]
[Mx]       [C41 C42 ... C46] [V4]
[My]       [C51 C52 ... C56] [V5]
[Mz]       [C61 C62 ... C66] [V6]

其中 V1~V6 为各电桥的电压输出，C 为 6×6 标定矩阵。

4.2 代表产品规格

ATI Industrial Automation（市场主导者）：

型号	力量程 (Fx/Fy)	力量程 (Fz)	力矩量程	分辨率 (力)	分辨率 (力矩)	采样率	价格
Mini45	±580 N	±1160 N	±20 Nm	0.125 N	0.004 Nm	7 kHz	~$5,000
Nano17	±25 N	±35 N	±0.25 Nm	0.003 N	0.015 Nmm	7 kHz	~$5,000
Axia80	±200 N	±600 N	±10 Nm	0.05 N	0.005 Nm	8 kHz	~$4,000
Gamma	±65 N	±200 N	±5 Nm	0.0125 N	0.001 Nm	7 kHz	~$6,000

OnRobot HEX 系列（协作机器人集成）：

型号	力量程	力矩量程	特点	价格
HEX-E	±200 N (Fz: 500 N)	±10 Nm	6 自由度	~$3,500
HEX-H	±600 N (Fz: 1500 N)	±40 Nm	重载版	~$4,000

4.3 关节力矩传感器 (Joint Torque Sensors)

区别于末端 F/T 传感器，关节力矩传感器安装在每个关节内部（减速器输出端），测量单轴力矩。

Franka Emika Panda 的设计：每个关节内置应变式力矩传感器，7 个关节共 7 个力矩测量通道，采样率 1 kHz。这使得 Panda 无需末端 F/T 传感器即可实现：

全身碰撞检测（力矩突变 > 阈值时紧急停止）
关节级阻抗控制 (impedance control)
重力补偿（精确测量每个关节的实际力矩并与模型对比）
外力估计（通过全身动力学模型反推末端接触力）

力矩分辨率：约 0.05 Nm。力矩范围：根据关节不同，12~87 Nm。

4.4 力传感与阻抗控制

力传感是实现阻抗控制 (Impedance Control) 的硬件基础。阻抗控制将机器人末端建模为弹簧阻尼系统：

F_ext = M × ẍ + D × ẋ + K × (x - x_d)

M 为期望惯量矩阵，D 为期望阻尼矩阵，K 为期望刚度矩阵，x_d 为期望位置。

无力传感时，机器人只能做位置控制，接触刚性环境时力会瞬间上升导致碰撞。有力传感时，控制器可实时调整位置轨迹以维持期望的力/位移关系，实现安全的物理交互（擦桌子、插拔、装配）。

力传感器的带宽和噪声直接决定阻抗控制的性能上限。1 kHz 以上的采样率和 0.01 N 级别的力分辨率是实现精细接触操控的基本要求。

5. 触觉传感器 (Tactile Sensors)

5.1 电阻式/电容式阵列

电阻式 (Piezoresistive)：压敏材料（导电橡胶、导电织物）在受压时电阻降低。简单、成本低，但非线性严重、迟滞 (hysteresis) 大（20%~40%）、温度漂移明显。

电容式 (Capacitive)：两个导电层之间夹柔性介电层，受压时极板间距减小，电容增大：

C = ε₀ × εᵣ × A / d

压缩时 d 减小，C 增大。优点为线性好、迟滞小 (<5%)；缺点为对电磁干扰敏感、布线复杂。

类型	空间分辨率	力分辨率	量程	迟滞	成本/单元
电阻式 (FSR 阵列)	2~5 mm	0.1 N	0~100 N	20~40%	$1~5
电容式 (MEMS)	0.5~2 mm	0.01 N	0~10 N	<5%	$10~50
压电式	1~3 mm	0.001 N	动态 only	N/A	$20~100

5.2 光学触觉传感器 (Optical Tactile Sensors)

GelSight 工作原理

GelSight 由 MIT 的 Edward Adelson 团队于 2009 年提出，其核心结构：

┌─────────────────────────────────┐
│         弹性体 (Elastomer)       │ ← 透明硅胶，表面涂反射涂层
│    ╔═══════════════════════╗    │
│    ║  反射涂层 (Reflective  ║    │ ← 接触面（朝外）
│    ║      Coating)         ║    │
│    ╚═══════════════════════╝    │
│                                 │
│    LED (R) LED (G) LED (B)      │ ← 多方向多色 LED
│         ●     ●     ●          │
│                                 │
│         ┌───────────┐           │
│         │  Camera   │           │ ← 内部 RGB 相机
│         └───────────┘           │
└─────────────────────────────────┘

工作流程：

物体接触弹性体表面时，使弹性体内表面产生局部形变
多方向 RGB LED 照亮形变后的反射涂层
内部相机拍摄涂层图像
通过光度立体法 (Photometric Stereo) 从多色照明重建表面法向量场
法向量积分得到高精度三维形状

GelSight 的测量能力：

空间分辨率：25~50 μm（由相机分辨率和光学系统决定）
深度分辨率：1~2 μm
可测量：接触面三维形状、法向量场、剪切力场、滑移检测

DIGIT (Meta/Facebook AI Research)

DIGIT 是 GelSight 原理的工程化实现，由 Meta FAIR 于 2020 年开源：

参数	DIGIT	GelSight Mini
尺寸	20×27×33 mm	25×25×28 mm
分辨率	640×480	320×240~640×480
帧率	60 fps	30~60 fps
接口	USB 2.0	USB
弹性体	定制硅胶	定制硅胶
开源	是（硬件 + 软件）	部分
价格	~$15 (DIY) / ~$300 (商用)	~$400
耐久性	弹性体寿命约 10,000~50,000 次接触	类似

BioTac (SynTouch)

BioTac 模拟人指尖结构：

┌─────────────────────────┐
│     柔性皮肤层            │ ← 弹性外壳 + 指纹状脊纹
│  ┌─────────────────┐    │
│  │  导电液体        │    │ ← 模拟皮下组织
│  │  ┌───────────┐  │    │
│  │  │ 电极阵列   │  │    │ ← 19 个阻抗电极
│  │  │ + 温度     │  │    │
│  │  │ + 压力     │  │    │
│  │  └───────────┘  │    │
│  └─────────────────┘    │
└─────────────────────────┘

测量维度：

19 通道阻抗（空间压力分布）
1 通道液压（总法向力，0~30 N）
1 通道温度（热导率区分材质）
可检测振动到 1 kHz（滑移检测）

参数	规格
空间分辨率	~2 mm (19 电极)
力分辨率	0.01 N
力量程	0~30 N
温度分辨率	0.003 °C
采样率	100 Hz (全通道) / 2.2 kHz (压力+温度)
价格	~$16,000

FingerVision

FingerVision 通过透明弹性体 + 外部相机实现视触觉融合：相机同时观察接触面形变和透过弹性体看到的物体视觉信息。

5.3 触觉传感的当前困境

触觉传感是人形机器人感知系统中最薄弱的环节，原因如下：

挑战	现状	需求目标
空间分辨率	1~~5 mm (电子式), 25~~50 μm (光学式)	人指尖: ~1 mm, 40+ 感受器/cm²
覆盖面积	指尖局部	全手掌、全身（人体 ~1.7 m² 皮肤）
耐久性	弹性体 10K~50K 次接触后磨损	百万次级别
成本	$300~$16,000/指尖	$10/指尖 (规模化目标)
多模态	力 OR 形状 OR 温度	同时测量力+形状+温度+振动
柔性布线	刚性 PCB 为主	柔性电子、织物传感器
标准化	无通用接口	类似相机的标准化协议

人手指尖拥有约 2,500 个触觉感受器（Merkel 细胞、Meissner 小体、Pacini 小体、Ruffini 末梢），两点辨别阈值约 1~2 mm，力分辨率约 0.01 N。当前最好的人工触觉传感器在综合指标上仍与人手有数量级差距。

6. 本体感知 (Proprioception)

6.1 关节编码器 (Joint Encoders)

编码器测量关节旋转角度，分为增量式 (Incremental) 和绝对式 (Absolute)。

增量式编码器：输出脉冲序列（A/B 相正交信号），通过计数脉冲数确定相对位移。需要上电归零 (homing)。

A 相: ┌──┐  ┌──┐  ┌──┐  ┌──┐
      │  │  │  │  │  │  │  │
   ───┘  └──┘  └──┘  └──┘  └───

B 相:    ┌──┐  ┌──┐  ┌──┐  ┌──┐
         │  │  │  │  │  │  │  │
   ──────┘  └──┘  └──┘  └──┘  └─

正转：A 领先 B 90°
反转：B 领先 A 90°
4x 解码：每周期计数 4 (上升沿 + 下降沿 × 2 通道)

绝对式编码器：输出当前绝对角度值，无需归零。实现方式：光学码盘 (Gray code)、磁编码器 (磁铁 + 霍尔阵列/AMR)。

类型	分辨率	精度	优点	缺点	代表产品
增量式光学	10,000~100,000 CPR	±1~5 arc-sec	高分辨率、高速	需归零、怕灰尘	Renishaw ATOM
绝对式光学	17~23 bit (单圈)	±5~20 arc-sec	无需归零、高精度	成本高	Renishaw RESOLUTE
绝对式磁性	12~14 bit	±0.05~0.1°	紧凑、耐脏	精度较低	AS5047P (ams)
绝对式磁性	17~19 bit	±0.02°	紧凑、高精度	温漂需补偿	AS5147U (ams)

机器人中的典型配置：

协作机器人通常在减速器两端各安装一个编码器：

电机侧 (Motor-side)：高分辨率增量编码器（10,000+ CPR），用于电机换相和速度环控制
关节输出侧 (Link-side)：绝对式编码器（17+ bit），用于实际关节角度测量

两个编码器的差值可以推算减速器柔性形变和关节力矩（替代力矩传感器的低成本方案）。

6.2 电机电流感测力矩估计

通过测量电机驱动电流估算输出力矩：

τ_motor = K_t × I_motor
τ_joint = τ_motor × N_gear × η_gear

K_t 为电机力矩常数 (Nm/A)，N_gear 为减速比，η_gear 为传动效率。

优点：不需额外力矩传感器，成本极低。缺点：受摩擦力影响大（静摩擦、粘滞摩擦、库仑摩擦），估计精度通常为实际力矩的 10%~30%；无法检测外部碰撞的高频分量；减速器回程差 (backlash) 导致力矩传递非线性。

电流测量通常通过分流电阻 (shunt resistor) 或霍尔电流传感器实现，采样率与 PWM 频率同步（10~50 kHz）。

6.3 MCU 集成与控制频率

本体感知数据由嵌入式微控制器 (MCU) 实时采集与处理：

控制层	频率	处理内容	典型硬件
电流环 (Current Loop)	10~50 kHz	电机换相、电流 PI 控制	STM32G4, TMS320F28x
速度环 (Velocity Loop)	1~10 kHz	速度 PID、编码器解码	同上
位置/力矩环	1 kHz	关节位置控制、力矩控制	STM32H7, RT1050
运动规划层	100~500 Hz	逆运动学、轨迹插值	ARM Cortex-A (Linux)

关节级 MCU 通过实时总线（EtherCAT、CAN-FD）与中央控制器通信，延迟 < 1 ms。EtherCAT 总线支持 1 kHz 以上的确定性通信周期，是当前高性能机器人的主流选择。

7. 传感器标定 (Sensor Calibration)

7.1 相机内参标定 (Intrinsic Calibration)

针孔模型 (Pinhole Model)

三维点 P = (X, Y, Z) 在图像平面的投影：

┌ u ┐       ┌ fx  0  cx ┐ ┌ X/Z ┐
│ v │   =   │  0  fy cy │ │ Y/Z │
└ 1 ┘       └  0   0  1 ┘ └  1  ┘

fx, fy 为焦距（像素单位），(cx, cy) 为主点 (principal point)。

畸变模型 (Distortion Model)

径向畸变 (Radial Distortion)：

x_distorted = x(1 + k1*r² + k2*r⁴ + k3*r⁶)
y_distorted = y(1 + k1*r² + k2*r⁴ + k3*r⁶)

r² = x² + y²，(x,y) 为归一化坐标。

切向畸变 (Tangential Distortion)：

x_distorted += 2*p1*x*y + p2*(r² + 2*x²)
y_distorted += p1*(r² + 2*y²) + 2*p2*x*y

完整畸变参数向量：[k1, k2, p1, p2, k3]（OpenCV 5 参数模型）。高阶模型可扩展至 8 或 12 参数。

标定流程 (OpenCV)

import cv2
import numpy as np

# 准备棋盘格角点坐标 (世界坐标系, z=0)
objp = np.zeros((rows*cols, 3), np.float32)
objp[:, :2] = np.mgrid[0:cols, 0:rows].T.reshape(-1, 2) * square_size

obj_points = []  # 世界坐标
img_points = []  # 图像坐标

for image in calibration_images:
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    ret, corners = cv2.findChessboardCorners(gray, (cols, rows), None)
    if ret:
        # 亚像素级精细化
        corners = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1),
                    (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001))
        obj_points.append(objp)
        img_points.append(corners)

# 标定
ret, K, dist, rvecs, tvecs = cv2.calibrateCamera(
    obj_points, img_points, gray.shape[::-1], None, None)

# K = [[fx, 0, cx], [0, fy, cy], [0, 0, 1]]
# dist = [k1, k2, p1, p2, k3]

重投影误差 (Reprojection Error) < 0.5 像素表示标定质量良好。

7.2 手眼标定 (Hand-Eye Calibration)

确定相机坐标系与机器人末端执行器坐标系之间的固定变换关系。分为两种安装方式：

Eye-in-Hand（相机安装在末端）：

A_i × X = X × B_i

A_i: 机器人末端从位姿 i 到位姿 j 的相对变换 (已知, 从关节编码器计算)
B_i: 相机从位姿 i 到位姿 j 的相对变换 (已知, 从标定板检测计算)
X:   相机到末端的固定变换 (待求)

Eye-to-Hand（相机固定在外部）：

A_i × X = X × B_i (公式形式相同, 但 A 和 B 的含义不同)

经典求解方法：Tsai-Lenz (1989), Park-Martin (1994), Daniilidis (1999, 对偶四元数)。

实际操作：驱动机器人运动到 15~25 个不同位姿（覆盖旋转和平移的各个方向），在每个位姿记录关节角度和标定板检测结果，联立求解。

7.3 IMU 与相机联合标定 (Kalibr)

Kalibr (ETH Zurich) 是最广泛使用的视觉惯性标定工具，同时标定：

相机内参与畸变
IMU 内参（轴偏差、标度因子）
相机与 IMU 之间的时空变换 T_cam_imu
时间偏移 t_offset (通常 1~30 ms)

标定过程：在标定板前以丰富运动模式（平移 + 旋转、各轴激励）移动传感器组合，记录图像序列和 IMU 数据，通过非线性优化联合估计所有参数。

关键约束：IMU 必须在标定过程中被充分激励（三轴加速度和三轴角速度都应覆盖），运动需包含足够的高频激励以观测 IMU 时间偏移。

7.4 LiDAR 与相机外参标定

确定 LiDAR 坐标系与相机坐标系之间的刚体变换 [R|t]。

目标法 (Target-based)：使用已知几何形状的标定板（带孔洞的棋盘格），在 LiDAR 点云中检测平面/边缘，在图像中检测角点，建立对应关系。

无目标法 (Targetless)：利用场景中的自然特征（边缘、平面），通过互信息 (Mutual Information) 或深度不连续一致性优化外参。

典型精度：旋转误差 < 0.5°，平移误差 < 2 cm。

7.5 时间同步 (Time Synchronization)

多传感器融合对时间同步精度要求极高。1 ms 的时间偏差在 1 m/s 运动速度下造成 1 mm 的位置误差。

同步方式	精度	复杂度	适用场景
硬件触发 (GPIO)	<10 μs	高（需定制硬件）	高精度系统
PTP (IEEE 1588)	<1 μs	中（需网络支持）	工业系统
NTP	1~10 ms	低	非实时场景
软件时间戳 + 离线校正	1~5 ms	低	快速原型

硬件触发方案：

MCU Timer (1 kHz 中断)
    │
    ├── GPIO → 相机外触发 (曝光开始时刻已知)
    ├── GPIO → LiDAR 同步脉冲
    ├── GPIO → IMU 数据就绪中断
    │
    └── 统一时间基准 (共同时钟源)

IMU 通常是最高频传感器 (200~4000 Hz)，作为时间插值的参考轴。相机和 LiDAR 的时间戳对齐到 IMU 时钟，通过硬件触发确保确定性延迟。

8. 传感器融合基础 (Sensor Fusion Fundamentals)

8.1 多模态融合的必要性

单一传感器模态存在系统性失效模式 (failure mode)，无法满足机器人全场景需求：

传感器	失效场景
RGB 相机	黑暗环境、强逆光、弱纹理表面、运动模糊
深度相机（结构光）	室外强光、黑色吸光表面、镜面反射、>10m 距离
LiDAR	雾/雨/雪散射、黑色低反射率、玻璃/水面、高成本
IMU	长时间漂移（积分误差）、无绝对位置参考
超声波	高频吸收、多径、窄视角
触觉	仅接触时有效、覆盖面积有限

互补性 (Complementarity) 是融合的核心价值：

传感器 A 失效           传感器 B 有效
    ×                      ✓         → 系统仍工作
传感器 B 失效           传感器 A 有效
    ✓                      ×         → 系统仍工作

同时失效的概率: P(A失效) × P(B失效) << max(P(A失效), P(B失效))
(假设失效模式独立)

8.2 融合层次

融合层次	英文	输入	输出	优缺点
早期融合 (原始数据级)	Early/Raw Fusion	原始传感器数据	统一特征表示	信息损失小，但数据维度高、对齐困难
特征级融合	Feature-level Fusion	各模态提取的特征	联合特征	平衡信息量与计算量
晚期融合 (决策级)	Late/Decision Fusion	各模态独立估计结果	最终决策	简单、模块化，但信息损失大

具体示例：

早期融合：将深度图与 RGB 图拼接为 RGBD 4 通道输入神经网络
特征级融合：LiDAR 点云特征 + 图像 CNN 特征在 BEV (Bird’s Eye View) 空间拼接
晚期融合：LiDAR 3D 检测结果与相机 2D 检测结果在目标级关联匹配

8.3 传感器模态综合对比

维度	RGB 相机	深度相机	LiDAR	IMU	触觉
信息密度	极高 (百万像素)	高 (30~100万点)	中 (10~500万点/s)	低 (6 DoF)	低~中
工作距离	0.1~∞ m	0.1~10 m	1~300 m	N/A	0 (接触)
环境光依赖	高	中（红外）	无	无	无
精度类型	2D 高精度	3D 中等精度	3D 高精度	相对运动	局部高精度
帧率	30~1000 Hz	30~90 Hz	10~20 Hz	200~4000 Hz	30~1000 Hz
功耗	0.5~3 W	2~8 W	8~25 W	0.01~0.1 W	0.01~1 W
成本	$10~$1,000	$200~$2,000	$500~$75,000	$5~$2,500	$15~$16,000
数据量	大 (30 MB/s@1080p30)	大 (10~30 MB/s)	中 (5~50 MB/s)	极小 (<1 KB/s)	小

8.4 经典融合框架

视觉惯性里程计 (VIO) 是机器人中最常见的融合范式：

算法	融合方式	前端	后端	开源	精度 (EuRoC)
VINS-Mono	紧耦合	光流+特征点	滑窗优化	是	ATE ~0.1 m
OKVIS2	紧耦合	特征点匹配	关键帧优化	是	ATE ~0.08 m
MSCKF	紧耦合	特征点	EKF	是	ATE ~0.15 m
ORB-SLAM3	紧耦合	ORB 特征	BA + 图优化	是	ATE ~0.05 m

LiDAR 惯性里程计 (LIO)：

算法	特点	点云处理	开源
LIO-SAM	因子图、紧耦合	特征提取 (边+面)	是
FAST-LIO2	直接法、iKD-tree	全点云直接配准	是
Point-LIO	逐点处理、高频	逐点更新	是

9. 公司格局表 (Industry Landscape)

9.1 视觉与深度传感

公司	总部	核心产品	技术路线	市场定位	估值/营收
Intel RealSense (已剥离)	美国	D400/L500 系列	主动立体+结构光	机器人/无人机	独立运营中
Stereolabs	法国	ZED 系列	被动/主动立体	机器人/空间计算	私有
Orbbec (奥比中光)	中国深圳	Femto/Gemini 系列	结构光+iToF	机器人/3D 扫描	已上市 (688322.SH)
iniVation	瑞士	DAVIS/DVXplorer	事件相机	研究/工业	私有，A 轮
Prophesee	法国	EVK 系列	事件相机	汽车/工业/IoT	$200M+ 融资
Sony Semiconductor	日本	IMX 系列传感器芯片	CMOS Image Sensor	芯片供应商	万亿日元级营收
Basler	德国	ace/dart/boost 系列	工业相机	工业视觉	已上市 (BSL.DE)
Teledyne FLIR	美国	Blackfly/Firefly	工业相机	工业/科研	Teledyne 子公司

9.2 LiDAR

公司	总部	核心产品	技术路线	主要市场	状态
Velodyne (Ouster 合并)	美国	VLP/Alpha	机械旋转	自动驾驶/机器人	与 Ouster 合并
Ouster	美国	OS 系列	数字 LiDAR (SPAD)	自动驾驶/机器人/测绘	已上市 (OUST)
Livox (DJI)	中国深圳	Mid-360/HAP/Tele-15	MEMS+棱镜	自动驾驶/机器人	DJI 子公司
Hesai (禾赛)	中国上海	AT128/FT120/Pandar	机械+MEMS+Flash	自动驾驶/机器人	已上市 (HSAI)
Aeva	美国	Aeries II	FMCW	自动驾驶/工业	已上市 (AEVA)
RoboSense (速腾聚创)	中国深圳	M 系列/E 系列	MEMS+机械	自动驾驶	已上市 (2498.HK)
Luminar	美国	Iris	机械扫描 1550nm	自动驾驶 (OEM)	已上市 (LAZR)

9.3 力觉与触觉

公司	总部	核心产品	技术	市场定位	状态
ATI Industrial Automation	美国	Mini/Nano/Gamma/Omega	应变片 F/T	工业机器人	Novanta 子公司
Robotiq	加拿大	FT 300-S	应变片 F/T	协作机器人	私有
OnRobot	丹麦	HEX-E/H	应变片 F/T	协作机器人	私有
GelSight Inc.	美国	GelSight Mini/Svelte	光学触觉	机器人/质检	私有，种子轮
Meta FAIR	美国	DIGIT	光学触觉 (开源)	研究	Meta 内部
SynTouch	美国	BioTac	多模态触觉	研究/假肢	私有，小规模
Contactile	澳大利亚	3-axis tactile	光学式	工业抓取	私有
XELA Robotics	日本	uSkin	电容式全覆盖	协作机器人	私有

9.4 IMU 与惯性传感

公司	总部	核心产品	技术	等级	状态
Analog Devices (ADI)	美国	ADIS16475/16490/16500	MEMS	工业~战术	已上市 (ADI)
Bosch Sensortec	德国	BMI088/BMI270/BMI323	MEMS	消费~工业	Bosch 子公司
TDK InvenSense	日本	ICM-42688/ICM-45686	MEMS	消费~工业	TDK 子公司
STMicroelectronics	瑞士	LSM6DSO/ISM330DHCX	MEMS	消费~工业	已上市 (STM)
Honeywell	美国	HG1930/HG4930	RLG/FOG	导航级	已上市 (HON)
Northrop Grumman	美国	LN-200/LN-270	FOG	导航级	已上市 (NOC)

10. 成本趋势与投资视角 (Cost Trends & Investment Perspective)

10.1 LiDAR 成本曲线 (2018~2026)

价格 (USD)
    │
70K │ ●                                    Velodyne HDL-64E (2018)
    │
60K │
    │
50K │
    │
40K │
    │
30K │   ●                                  Hesai Pandar128 (2020)
    │
20K │
    │
10K │       ●                              Ouster OS1-128 (2021)
    │           ●                           Hesai AT128 (2022, 车规)
 5K │               ●                      Ouster OS1-128 (2023)
    │
 2K │                   ●                  Livox Mid-360 (2023)
 1K │                       ●  ●           Livox Mid-360 / Hesai FT120 (2024~2025)
500 │                               ●     Flash LiDAR 目标 (2026)
    │
    └────┬────┬────┬────┬────┬────┬────► 年份
       2018 2019 2020 2021 2022 2023 2024~26

关键趋势：

2018~2023：128 线机械 LiDAR 价格从 $70,000 降至 $8,000（约 8x 降幅）
2022~~2025：固态 LiDAR 进入 $500~~$2,000 区间
2025~~2027：Flash LiDAR 目标 $200~~$500（30m 范围，机器人近距场景）
FMCW LiDAR 仍在 $3,000+ 阶段，预计 2027~2028 年进入 $500 以下

驱动因素：自动驾驶量产拉动规模效应、芯片化集成 (SoC LiDAR)、Flash 方案去除机械/MEMS 部件。

10.2 触觉传感器：最大未满足需求

当前市场规模：触觉传感器在机器人中的渗透率 < 5%，绝大多数工业机器人仍无触觉能力。

时间节点	预期进展	投资含义
2024~2025	GelSight/DIGIT 在研究实验室普及，单个 $300~$400	技术验证期
2025~2026	人形机器人原型（Tesla Optimus, Figure 01）开始集成触觉	需求信号出现
2026~2028	柔性电子触觉 skin 原型（大面积覆盖），成本降至 $50/指尖	早期产业化
2028~2030	全手/全身触觉量产方案，成本 $10~$20/指尖	规模化拐点

技术路径竞争：

光学触觉 (GelSight 类)：高分辨率但体积受限，难全身覆盖
电容式柔性阵列 (XELA 类)：可覆盖大面积，分辨率有限
柔性电子皮肤：学术前沿（Stanford, MIT），可量产性未验证

投资关注点：谁能解决”高分辨率 + 大面积覆盖 + 低成本 + 耐久性”的四角矛盾。

10.3 深度相机商品化

深度相机已从 2014 年的 $400+ (原版 Kinect) 降至 2025 年的 $100~$300 区间，技术路线收敛：

价格区间	产品	场景
$30~$80	手机 ToF 模组 (Sony IMX316)	消费电子
$100~$200	Orbbec Gemini 2, Oak-D Lite	教育/入门机器人
$200~$400	Intel D435i, ZED Mini	主流机器人
$400~$800	Azure Kinect, ZED 2i	高性能机器人
$1,000~$3,000	Lucid Helios2, Photoneo	工业 3D 视觉

投资判断：深度相机硬件已进入利润率压缩阶段，纯硬件创业机会有限。价值正向上游芯片 (Sony, 奥比中光自研 iToF 芯片) 和下游算法/解决方案转移。

10.4 传感器产业关键判断

LiDAR：固态化+芯片化是确定趋势，FMCW 是下一代技术高地。Hesai 和 Ouster 在机器人市场有先发优势。Aeva 的 FMCW 如能量产至 $500 以下，将改变游戏规则。
触觉：当前处于”类似 2015 年的 LiDAR 阶段”，技术路线未收敛，量产方案未定型。这是具身智能硬件中确定性最高的增量赛道。
视觉：传感器硬件本身不再是壁垒（Sony 芯片主导），壁垒在感知算法和系统集成。事件相机若成本降至 $200 以下，将在高速/高动态机器人场景中快速渗透。
IMU：MEMS 惯性传感器已高度商品化（Bosch, TDK 主导），利润率低。机会在高精度战术/导航级 (ADI, Honeywell) 和新型架构 (原子惯性传感器)。
力觉：ATI 长期主导六轴 F/T 市场，但关节内置力矩传感器（Franka 方案）正使独立 F/T 传感器在协作机器人中的必要性降低。

参考文献

Szeliski, R. (2022). Computer Vision: Algorithms and Applications (2nd ed.). Springer.
Hartley, R., & Zisserman, A. (2004). Multiple View Geometry in Computer Vision (2nd ed.). Cambridge University Press.
Gallego, G., et al. (2020). “Event-based Vision: A Survey.” IEEE TPAMI, 44(1), 154-180.
Li, Y., et al. (2020). “GelSight: High-Resolution Robot Tactile Sensors for Estimating Geometry and Force.” Sensors, 17(12), 2762.
Lambeta, M., et al. (2020). “DIGIT: A Novel Design for a Low-Cost Compact High-Resolution Tactile Sensor with Application to In-Hand Manipulation.” IEEE RA-L, 5(3), 3838-3845.
Furgale, P., Rehder, J., & Siegwart, R. (2013). “Unified Temporal and Spatial Calibration for Multi-Sensor Systems.” IROS 2013.
Qin, T., Li, P., & Shen, S. (2018). “VINS-Mono: A Robust and Versatile Monocular Visual-Inertial State Estimator.” IEEE TRO, 34(4), 1004-1020.
Xu, W., et al. (2022). “FAST-LIO2: Fast Direct LiDAR-Inertial Odometry.” IEEE TRO, 38(4), 2053-2073.
Dahiya, R. S., et al. (2010). “Tactile Sensing: From Humans to Humanoids.” IEEE TRO, 26(1), 1-20.
Woodman, O. J. (2007). “An introduction to inertial navigation.” Technical Report, University of Cambridge.
Intel RealSense D400 Series Datasheet. Intel Corporation.
Ouster OS Sensor Datasheet. Ouster, Inc.
ATI F/T Sensor Product Catalog. ATI Industrial Automation.

本文档为 Index 具身智能研究项目的第二层：传感器与感知硬件。上一层：机械本体与执行器，下一层：状态估计与SLAM。