双目视觉在移动机器人中的应用与优化实践

1. 双目视觉在移动机器人领域的核心价值

在服务机器人和AGV（自动导引运输车）的感知系统中，双目相机正逐渐成为主流的环境感知方案。相比单目相机，双目系统通过模拟人眼的视差原理，可以直接获取场景的深度信息，这种被动式测距方式不依赖主动光源，在复杂光照条件下表现出更好的鲁棒性。我在为物流仓储AGV部署视觉系统时发现，采用双目方案后，在货架间距测量上的误差从单目方案的±15cm降低到了±3cm以内。

双目系统的核心优势在于其兼具视觉丰富性和几何精确性。RGB图像提供丰富的纹理和语义信息，而深度图则构建了准确的空间关系。这种特性特别适合需要同时进行物体识别和避障的移动机器人场景。例如医院服务机器人在走廊行进时，既要识别门牌号和行人，又要实时计算通行空间，传统激光雷达方案难以兼顾这两类需求。

2. 双目系统硬件选型关键参数

2.1 基线距离的工程权衡

基线（两个镜头的中心距）是双目系统的关键参数。我们在AGV项目中测试过60mm、120mm和240mm三种基线配置：

• 60mm基线在0.5-3米范围内测距精度最佳（±1%），但3米外深度误差急剧增大
• 240mm基线在5-15米范围保持±2%精度，但近距存在盲区
• 120mm基线在1-8米范围保持±1.5%精度，最终成为平衡选择

提示：仓储AGV通常选择80-150mm基线，而室外巡检机器人建议200mm以上基线。

2.2 镜头与传感器的匹配原则

传感器分辨率与镜头视场角需要协同设计。使用OV9281全局快门传感器（1280×800@60fps）时，我们搭配了90°水平视场角的镜头，这使得在2米距离上单个像素对应约1.5mm的物方分辨率。过大的视场角会导致边缘畸变加剧，增加立体匹配难度。

3. 立体匹配算法的工程实现

3.1 基于SGM的实时优化方案

半全局匹配（SGM）算法在精度和效率间取得了较好平衡。我们在Jetson AGX Orin平台上实现了以下优化：

python复制# 使用CUDA加速的SGM实现
sgbm = cv2.StereoSGBM_create(
    minDisparity=0,
    numDisparities=64,  # 实测AGV场景最佳值
    blockSize=5,
    P1=8*3*5**2,