机器人的方向感从哪来定位传感器一次讲透机器人要导航、要避障、要执行任务第一步得先知道自己在哪、朝哪个方向、走了多远。这个方向感靠的是两类最基础的传感器IMU惯性测量单元和轮速计编码器。它们一个像内耳一个像脚感各有绝活也各有致命伤。单独用谁都撑不住只有融合起来才能又准又稳。先说 IMU机器人的内耳人闭着眼走路靠前庭系统也能估个大概。IMU 就是机器人的前庭——它测的是加速度和角速度。加速计测三个方向的线加速度静止时能感知重力方向用来算倾斜角陀螺仪测三个方向的角速度积分一下就是姿态变化磁力计可选测地磁场辅助确定航向但室内容易受干扰IMU 的三大优势很实在频率高——通常 1001000Hz比摄像头30Hz、激光雷达1020Hz快得多能在两帧之间填补运动空白不挑环境——黑暗、强光、无纹理都能正常输出短时精度高——几秒内积分出来的运动估计很靠谱但它有个致命缺陷漂移。因为位置是加速度积分→速度→再积分得到的误差会一路累积位置误差随时间二次方增长。一个普通 MEMS IMU静止放几十秒积分出来的位置可能已经漂了好几米。一句话记住IMU 是闭着眼走路的感觉走越久偏越远必须时不时睁开眼校正。再说轮速计机器人的脚感轮速计测的是轮子转了多少圈、转多快再按周长换算成走了多远。对轮式机器人左右轮转速差还能算出航向——这就是轮式里程计。它的优势精度高不打滑时、频率高、便宜可靠而且误差是线性累积比 IMU 稳定得多。但它有三大硬伤打滑——轮子转了、车没走那么远。启动急刹、湿滑地面、压到电线门槛都会让它数错步数轮子非等径——左右轮磨损或气压不同实际走的是弧线里程计却以为在走直线误差是系统性、持续的累积误差——每步小误差叠起来走越远偏越多轮速计的假设是纯滚动、不打滑、轮子等径现实里这些假设都不完全成立。关键在融合1 1 2单打独斗谁都有短板所以实战里都是多传感器融合VIO视觉 IMU——视觉低频但无漂移负责校正IMU 高频填补帧间空白。VINS、OKVIS 都是这条路LIO激光 IMU——激光测距精确、不怕光照IMU 做点云去畸变。FAST-LIO、LIO-SAM 很经典全融合轮速 IMU 视觉/激光——轮速做基础、IMU 检打滑、视觉/激光做全局校正主流机器人方案都用这套融合算法上EKF 保证实时性因子图优化保证全局精度两者结合是当前趋势。一线踩坑真正费劲的不是算法行业里反复翻车的地方反而不是算法本身而是这些脏活累活标定不准——摄像头、激光、IMU 之间的相对位姿和时间同步没做好融合效果大打折扣标定往往占整个定位系统开发工作量的三四成打滑没检测——IMU 测的运动和轮速计对不上时就是打滑信号得及时降权轮速计异常没兜底——某路传感器失效摄像头被挡、IMU 跳变系统要能自动降权或剔除等恢复了再接回来所以新手别从零写融合算法优先用成熟方案ROS 的 robot_localization、FAST-LIO、VINS 等把精力花在场景适配和参数调优上投入产出比更高。定位是机器人一切功能的地基——地基不牢导航避障都是空中楼阁。关于作者越微智能Yuewell专注具身智能与工业 AI 视觉落地基于自研 VLA 多模态大模型提供全品牌机器人二次开发适配宇树/优必选/智元/傅利叶与工业级视觉算法定制支持从算法、硬件到产线实机部署的全栈交付。