从手机里的 9 轴 IMU 到自动驾驶的激光雷达，机器如何"看"世界？本页系统梳理视觉、激光雷达、毫米波雷达、超声波、惯性测量单元（IMU）与多传感器融合六条技术路线的工作原理、优缺点、成本量级，以及 2026 年的市场格局与供应商版图。
移动机器人、自动驾驶汽车、智能轮椅要自主移动，本质上都要回答三个问题：周围有什么（感知）→ 我在哪（定位）→ 我该往哪走（规划）。感知是第一步，而六种传感器各有分工。
| 传感器 | 回答的问题 | 一句话定位 | 成本量级（模组级） |
|---|---|---|---|
| 摄像头（视觉） | 那是什么？ | 唯一能"认出"物体类别的传感器 | 单目几美元～RGB-D 相机 ¥300-2000 |
| 激光雷达 | 那有多远、什么形状？ | 主动发光的"尺子"，直接输出 3D 点云 | 消费 2D ¥150～3D 固态 ¥800-2000 |
| 毫米波雷达 | 那东西动多快？ | 全天候测速测距的"哨兵"，穿透雨雾灰尘 | 60GHz ¥50-150～4D ¥500-1150 |
| 超声波 | 近处有没有东西？ | 最便宜的"电子手杖"，近距兜底 | 单颗 ¥1-10 |
| IMU 惯性单元 | 我姿态如何、转了多少？ | 机器的"内耳"，不依赖任何外部信号 | 消费级 $2-5～工业级 $45+ |
| 多传感器融合 | 综合以上所有 | 用互补掩盖单一传感器的失效边界 | 整套避障 BOM ¥500-1500（机器人级） |
每个方案包含：工作原理（示意图）→ 优缺点 → 关键指标 → 市场现状 → 参考链接。
通俗原理：摄像头本质是"电子眼睛"——CMOS 感光芯片把光信号变成像素阵列。单目摄像头拍到的只是平面图像，距离靠算法猜；双目模仿人眼，通过左右画面的差异（视差）用几何方法算出距离；RGB-D 深度相机则自己发射红外结构光或泛光（iToF/dToF），每个像素直接带一个距离值，输出彩色+深度的"点云图"。识别"这是人、那是宠物、那是台阶"则靠深度学习算法——这是所有传感器里唯一能做到语义级识别的。
通俗原理：激光雷达是"主动发光的尺子"——发射一束激光，测它碰到物体再返回的时间，乘以光速除以二就是距离。让激光转起来扫一圈，就得到周围一圈的距离轮廓（2D 激光雷达，扫地机器人头顶那个小凸起就是）；再加垂直方向的扫描或面阵接收，就得到立体点云（3D 激光雷达）。因为没有旋转部件的固态激光雷达（MEMS 转镜、OPA、SPAD 面阵）是当前降本主战场。
通俗原理：毫米波雷达发射波长 1-12.5mm 的电磁波（24/60/77GHz 频段），是"会听回声的哨兵"。它最大的两个天赋：一是穿透性——雨、雾、灰尘、黑夜完全不影响；二是直接测速——运动物体的回波频率会发生偏移（多普勒效应），速度一步到位，不需要连续帧去"算"。传统 3D 毫米波只能测"距离+速度+水平角"，看不到高度（所以路上方的龙门架常被误刹车）；4D 成像雷达用多收发天线阵列补上了高度维度，点云密度接近低线数激光雷达。
通俗原理：超声波传感器就是"蝙蝠的耳朵"——发射一段高频声波（通常 40kHz，人耳听不见），等它撞到障碍物弹回来，用往返时间乘以声速算出距离。它是所有传感器里最简单、最便宜的：一个压电陶瓷片加简单电路就能工作。汽车倒车"滴滴"声就是 12 颗超声波探头在报距离。它还有个独特本领：声波能在玻璃和镜面上反射——恰好补上激光雷达和毫米波"看不见玻璃"的盲区。
通俗原理：IMU 是机器的"内耳与前庭"。你在电梯里闭眼也知道在加速、坐车闭眼也感觉得到转弯——人靠内耳淋巴液，机器靠 MEMS 芯片上振动的微小结构。6 轴 IMU = 3 个轴的角速度（陀螺仪）+ 3 个轴的加速度（加速度计）；再加 3 轴磁力计（指南针）就是 9 轴。它的核心价值是完全自主：不需要光、不需要卫星、不需要网络，100-1000Hz 高频输出。但单独用它做导航会"越走越歪"——误差随时间积分累积（漂移），所以它永远是配角：给 GPS、激光 SLAM 提供高频姿态补间。
通俗原理：没有完美的传感器，只有互补的传感器组合。融合分三个层级：数据级（把原始点云/像素先对齐再一起算，信息损失最小）、特征级（各传感器先识别出"目标"，再做目标关联）、决策级（各自给结论投票，最简单但信息损失大）。经典算法是卡尔曼滤波家族（EKF/UKF），前沿是自动驾驶领域的 BEV+Transformer——把所有传感器投影到统一鸟瞰图坐标系里用神经网络联合编码。一个真实案例：若创 EV1 智能轮椅堆叠了 2 激光雷达 + 10 ToF + 6 超声波 + 2 摄像头，每个方向、每个距离段都有至少两种传感器覆盖。
★ 越多代表该维度越强。价格为 2026 年 8 月公开渠道模组级量级参考。
| 维度 | 视觉(摄像头) | 激光雷达 | 毫米波雷达 | 超声波 | IMU | 融合方案 |
|---|---|---|---|---|---|---|
| 测距能力 | ★★☆（双目/ToF 10m 内） | ★★★★★（厘米级，250m） | ★★★★（350m，4D） | ★★（≤5m） | —（不测外部距离） | ★★★★★ |
| 测距精度 | ±1-2%（随距离衰减） | ±2-3cm | ±10cm 级 | ±1cm（近距） | — | 取最优传感器 |
| 角分辨率 | ★★★★（像素级） | ★★★★（0.1-1°） | ★★（4D 1.5-2°） | ★（无，锥形波束） | — | ★★★★ |
| 测速能力 | ★★（需多帧推算） | ★★★（多帧） | ★★★★★（多普勒直接测） | ★ | ★★★★（加速度/角速度） | ★★★★★ |
| 语义识别 | ★★★★★（唯一可行） | ★（需 AI 补充） | ★ | — | — | ★★★★★ |
| 抗光照 | ★☆（强光/黑夜失效） | ★★★★（主动光源） | ★★★★★ | ★★★★★ | ★★★★★（无光感） | ★★★★★ |
| 抗雨雾雪 | ★★ | ★★☆（衰减） | ★★★★★ | ★★★☆ | ★★★★★ | ★★★★ |
| 玻璃检测 | ★（透明物深度错） | ★（穿透/漏检） | ★（直接穿透） | ★★★★（声波可反射） | — | ★★★（超声补盲） |
| 低矮/细小物 | ★★★ | ★★★★（低矮台阶可测） | ★ | ★★★ | — | ★★★★ |
| 模组成本量级 | 单目 $几 ～ RGB-D ¥300-2000 | 消费 2D ¥150 ～ 3D ¥800-2000 | 60GHz <¥150 ～ 4D ¥500-1150 | ¥1-10/颗 | $2.8-45 | 整套 ¥500-1500+ |
| 算力需求 | 最高（NPU 必备） | 低-中 | 低（片上 DSP） | 极低 | 极低 | 高 |
| 2026 市场规模 | 机器视觉 $253 亿 | 中国 431.8 亿元 | 中国近 200 亿元 | 全球 $78 亿 | 全球 $92 亿 | （跨赛道） |
| 机器人上典型角色 | 语义理解 / 远景 | 建图导航主力 / 避障主传感器 | 全天候测速 / 兜底 | 最后 5 米保险 | 姿态 / 坡度 / 融合补间 | 整体方案 |
同一种能力（如"测距"）在不同技术路线上的价格可以差 1000 倍。条形图按 2026 年 8 月可查的典型模组价（人民币，对数感知宽度）。
以下建议以室内外移动机器人 / 智能轮椅 / 家用机器人视角给出，兼顾 2026 年最新价格走势。
按类别整理；行业报告类数据（市场规模/份额）为第三方口径，仅供参考，重大决策请以原始报告为准。
| 类别 | 来源 | 说明 |
|---|---|---|
| 市场报告 | Grand View Research | 机器视觉市场规模（2025 $22.6B → 2026 $25.3B） |
| Global Market Insights | 超声波传感器市场（2026 $7.8B，CAGR 9%） | |
| Business Research Insights | 60GHz 毫米波市场预测（2026 $2.04B） | |
| 厂商官网 | 禾赛科技 / 速腾聚创 | 激光雷达（ATX/E 系列/JT 系列价格与出货） |
| 奥比中光 / Intel RealSense | RGB-D 深度相机（Gemini/Femto/D435i） | |
| 加特兰 / TI mmWave | 毫米波雷达芯片（77GHz SoC / 8T8R） | |
| 博世传感 / TDK InvenSense / 村田 | IMU 与超声波传感器 | |
| 行业分析 | 36氪 · 禾赛分析 | 激光雷达价格战与 2026 出货结构 |
| 国泰君安 · 毫米波行业报告 | 4D 成像雷达规模化与国产芯片替代 | |
| IIM · 全球 IMU 产业报告 | IMU 市场规模与供应商格局 | |
| 实例参考 | Strutt（若创 EV1） | 多传感器融合轮椅量产实例（传感器堆叠公开） |