企业官网建设流程全解析

这篇文章我憋了很久，想聊点实在的。一直在做智能搬运相关的东西，前两年上 AGV 项目，最头疼的不是底盘，不是电机，而是“这车到底怎么看清路”。一开始用磁条、二维码，跑得倒是挺稳，可一旦环境稍微变一下，或者有人把货堆歪了，小车直接傻眼。后来把固态激光雷达装上去，整个项目才算真正活了。

所谓“火眼金睛”，说白了就是给 AGV 换上一双能实时感知三维环境的眼睛。固态激光雷达这几年价格被打下来之后，已经成了智能搬运方案里性价比很高的传感器，不只是实验室里炫技，是真能落地干活的那种。这篇文章我会从选型、原理、部署到算法调度，把整个项目的关键细节捋一遍，尤其把我们在现场踩过的坑都交代清楚，给正在折腾 AGV、准备工创赛智能搬运赛道、或者公司里要上无人搬运项目的朋友做个参考。

1. 先聊聊为什么 AGV 一定要装“眼睛”

1.1 传统搬运小车“瞎跑”的痛点

早先的 AGV 导航方案五花八门，但主流其实就两种：磁条导航和二维码导航。磁条导航是在地面贴磁条，小车沿着磁条走；二维码导航是在固定位置贴二维码，小车通过识别二维码确定自身位置。

这两套方案我全都用过，一个共同的毛病是“基础设施依赖太重”。你想想，一个几千平米的仓库，要贴多少磁条、铺多少二维码？工作量巨大不说，地面稍微有点破损、沾点油污，扫描头就可能读不到。更麻烦的是，一旦业务调整，货架位置变了、搬运路线改了，整条磁条/二维码网络都要跟着折腾，几乎是推倒重来。

而且这种方案下的 AGV 本质上是个“按剧本表演的演员”——它只知道沿着预设路线走，出现突发障碍物（一个托盘、一把叉车、甚至一个蹲下系鞋带的人）就只能急停报警，等人工来救。调度员一天到晚在系统里处理“AGV 报错、需要人工干预”的消息，根本没有发挥出自动化的效率。

1.2 激光雷达凭什么替代磁条和二维码

激光雷达一上来，思路完全不同。它是靠发射激光束、接收回波来感知周围环境，不需要在地面布置任何辅助物。AGV 通过激光雷达扫描周围环境的轮廓，再和地图做匹配，就能实时确定自己在哪、周边有什么。

这个改变带来的最大好处是“环境自适应”。小车不再依赖地标，而是依赖建筑本身的特征，比如柱子、墙壁、货架边缘。环境变了，重新扫描建图就行，几分钟搞定。更关键的是，激光雷达能感知动态障碍物——前面有人走过去，小车可以减速等待；前方突然出现一个纸箱，小车可以绕过去。

说白了，装了激光雷达的 AGV 才开始像个“有意识的搬运工”，而不是沿着轨道转圈的“遥控玩具”。这也是我想聊下面这个方案的起因：我们自己组了一台基于固态激光雷达的 AGV，最后在工创赛智能搬运赛道和厂里的小范围试点里都跑出了不错的效果。

1.3 机械式激光雷达哪里不行

有人说，激光雷达不是早就有了吗？确实，旋转机械式激光雷达用了很多年。我最早接触的是 16 线的机械雷达，性能还算稳，但在 AGV 这种场景里暴露的问题非常明显。

机械式激光雷达的原理是内部有一个电机，带动激光发射模组不断旋转，靠机械旋转扫描出一个 360° 的环境轮廓。问题就出在这个“机械旋转”上。电机是运动部件，存在磨损，连续跑几个月后噪声变大、转速不稳、点云抖动，维护成本不低。而且机械雷达体积大、功耗高，塞进一台紧凑型搬运小车里非常勉强，顶部挂一个旋转的“小塔”，既不美观也容易磕碰。

注意：在振动比较剧烈的 AGV 底盘上，机械式激光雷达的寿命衰减会明显加快。我们曾经有一台测试车，装机械雷达连续跑了两周，点云就开始出现“弧线错位”。拆开检查，是电机轴承磨损导致的。这种问题在工业现场非常致命，因为点云错位意味着定位漂移，AGV 可能会撞到货架。

所以我们需要一种“没有旋转电机也能测距”的激光雷达，这就把目光投向了固态激光雷达。

2. 固态激光雷达的内部结构和原理拆解

2.1 三种主流固态方案，到底怎么选

固态激光雷达，字面意思就是“没有机械旋转部件的激光雷达”。它的扫描方式不再依赖电机，而是用电子或微机电手段控制激光束方向。目前市面上主流方案有三种，算是我在选型阶段反复纠结过的三条路：

• MEMS 微振镜方案：核心是一个可摆动的微型振镜，激光射到镜子上，镜子快速摆动，从而把光束“扫”出去。这个方案技术最成熟，量产成本低，市面上不少固态雷达用的就是它。
• OPA 光学相控阵方案：用阵列天线控制光的相位，实现光束偏转，完全没有任何机械结构。听起来很完美，但目前工艺难度高，探测距离和分辨率还有瓶颈，成本也偏高。
• Flash 闪光方案：一次性发射大范围激光面阵，接收器直接拍一张“深度图”。响应快、结构简单，但探测距离相对较短，适合近距离避障。

我当时对比了一圈，商用成熟度最高、性能价格比最合适的是 MEMS 方案。它在测距能力、角分辨率、体积和成本之间找到了比较平衡的点，而且供应链已经很成熟，坏了也好换。

2.2 看懂固态雷达的关键参数

很多人选雷达只看“线数”和“距离”，这在固态雷达上不够用。固态雷达不像机械雷达那样按“线”扫一圈，而是按“视场角（FOV）”扫一个扇面。参数侧重点完全不一样，我建议重点关注这几个：

• 视场角（FOV）：固态雷达的水平视野和垂直视野是有限的，不像机械雷达那样 360° 旋转。选型时必须保证 FOV 覆盖到 AGV 前进的主要方向，比如水平 120°、垂直 25° 这种参数就够用了。如果要做 360° 覆盖，就得装多台，或者选一台带旋转底座的混合固态方案。
• 角分辨率：决定了“能不能看清远处的小物体”。水平角分辨率 0.1° 肯定比 0.2° 看得更细，但点云数据量也会翻倍，对主控算力要求更高。实测下来，做导航用 0.2° 左右就够，做避障甚至要求更低。
• 测距范围：室内 AGV 一般用 30-50 米就足够了。仓库里通道也就几米宽，距离指标太高反而浪费成本，因为近距离盲区更值得关注。
• 点频（每秒点数）：点频越高，点云越密，但处理压力也越大。常见的是 10 万到 50 万点/秒之间，配合算法要保证主控能实时吃完数据，不能内存爆掉。
• 防护等级（IP 等级）：AGV 在车间跑，灰尘、水汽免不了。IP65 以下的基本不用考虑，不然雷达用了半年进灰，性能直线下降。

选型这件事，最核心的思路是先定算法需求，再反推传感器参数。比如我们的 AGV 主要做 SLAM 导航和动态避障，那激光雷达的 FOV 必须能覆盖左右大角度，否则转弯时“盲区”太大会很危险。

2.3 为什么固态雷达更适合 AGV

装了固态雷达之后，最直观的感受是“省心”。没有旋转电机，故障率低了一大截，点云稳定，测量误差不会因为电机抖动而漂移。体积也小，可以嵌入车体前部，不再像机械雷达那样顶个小塔，整台车看起来规整许多，通过性也更好。

功耗同样重要。机械雷达启动瞬间电流能到好几安培，固态雷达要低很多，这对于靠电池供电的 AGV 来说非常友好。我们实测，换用固态雷达后，整车续航提升了大约 15%，白白多跑了一个多小时的活儿。

还有一个在工业现场很关键的点：噪声。机械雷达转动时会发出持续的高频声音，在安静的产线环境里特别刺耳，操作工反馈“像一直有只苍蝇在旁边飞”。固态雷达基本静音，用户体验好太多。不要小看这种细节，一台车两班倒跑起来，噪音大不大直接影响现场人员对设备的接受度。

3. 从选型到上车：固态激光雷达的部署实操

3.1 选型思路与安装位置

当时我们锁定的是一款国产 MEMS 固态激光雷达，具体参数是：水平 FOV 120°、垂直 FOV 25°、测距 30 米，点频约 30 万点/秒，IP67 防护。价格在几千块这个档位，对于 AGV 项目来说是能接受的。

安装位置试过好几个方案，最终定在车头前方、离地大约 30 厘米的位置。这个高度刚好能扫到货架底层、托盘腿、以及地面上散落的杂物。注意不能装太高，否则会漏掉地面上的低矮障碍物，AGV 骑上去就麻烦了；也不能太低，不然遇到一点点坡道雷达视角就会压得太低，有效测距大幅缩水。

固定支架设计了带长圆孔的调节板，方便微调俯仰角度。调试的时候先把车停在标准平地上，用水平尺校准雷达安装面，确保雷达中心轴大致水平。如果雷达带着角度安装，点云数据会整体倾斜，建图的时候墙面全变斜的，定位算法直接跪。

3.2 标定与点云预处理

雷达上车之后不是插上电就能直接用，还要做标定。需要标定的主要是雷达相对车体中心的位置偏移和角度偏移。这个实验做起来不难，但在大项目里特别容易被人忽略，后面定位精度不足就开始瞎调参数，其实根子在这。

实操方法：先建一张干净的地图，选一个特征明显的墙角，让 AGV 停在已知位姿上，记录雷达扫描到的墙角位置，和理论上应该扫到的位置做对比，算出一个固定的坐标变换（x/y/yaw 偏移量）。标定这一步做准了，后续建图和定位的很多怪问题都不会出现。

点云预处理同样很关键。原始点云里有不少干扰：玻璃、镜面会产生反射，产生“虚点”；地面上的尘土也可能被扫进来，形成噪声。我们的处理链路是这样的：

1. 设置感兴趣区域（ROI），只保留雷达前方 15 米、高度在 -0.2~1.5 米之间的点，把无关区域直接裁剪掉，减少计算量。
2. 做半径滤波，每个点周围固定半径内如果没有足够多的邻居点，就判定为离群点并删除。这一步对消除“虚点”很有效。
3. 地面点分割，通过拟合平面把地面上的点单独分离出来。分离后地面点主要用于自我定位，而障碍物点用于避障规划，各司其职。

3.3 让 AGV“看懂”环境

硬件上车、点云干净了，下一步就是让 AGV 真正“看懂”周围环境。我们用的方案是经典的 2D SLAM 建图 + 自适应蒙特卡洛定位（AMCL）：先把点云投影成 2D 栅格地图，再在地图上做定位。这套方案在 ROS 生态里很成熟，资料多、社区活跃，上手成本低，非常适合 AGV 项目。

建图的时候，AGV 需要有人遥控着慢慢走遍整个工作区域，雷达实时扫描，算法把扫描结果拼成一张完整地图。第一次建图时最好让场地里“清场”，没有任何移动的人和车。地图建得干净，后面定位才稳。如果场地太大，建议分区域建图后拼接，不要一次建图贪大，容易出现累计误差。

注意：建图时车速一定要慢，匀速 0.3 m/s 左右。走得太快，雷达帧间位移过大，匹配算法跟不上，地图会“糊”，就像拿手机拍照时手抖一样。这个环节急不得。

定位是另一门学问。AGV 启动时往往不知道自己在哪，需要在“全局地图”里找一个初始位姿。可以手动指定大概位置，也可以让小车自动扫描几帧数据匹配出位置。定位算法持续跟踪雷达扫描和地图之间的匹配，一旦发生偏差就轻轻修正回来。实测下来，在厂区环境下，纯激光定位精度可以做到 ±5 cm 以内，这个精度应付货架对接、托盘叉取完全没问题。

4. 让小车“长脑子”：路径规划与多机协同

4.1 A* 算法：AGV 路径规划的地基

AGV 有了环境感知能力，下一步就是解决“怎么走”的问题。路径规划算法里，A* 算法是整个 AGV 调度绕不开的基础，也是工创赛智能搬运赛道里很多队伍都会重点优化的方向。

A* 的核心思想是在栅格地图上搜索一条从起点到终点的最短代价路径。它用一个评估函数：f(n) = g(n) + h(n)。g(n) 是起点到当前格子的实际代价，h(n) 是当前格子到终点的预估代价（通常用曼哈顿距离或欧氏距离）。每次循环，算法从优先队列里取 f(n) 最小的节点向外扩展，直到找到终点。

我拿我们自己三台 AGV 的实际路径规划举个例子：

• 地图栅格化为 0.05m 的小格，每格标记为可通行或障碍物。
• 对每台 AGV，先用 A* 算出全局路径，得到一串关键路点。
• AGV 沿路点行驶，同时用动态窗口法（DWA）做局部规划，实时避开突发障碍物。

A* 看起来简单，但工程细节不少。比如把格子设太大，路径会穿墙而过；设太小，算法搜索空间爆炸，路径计算时间成倍增长。我们试过 0.02m 的栅格，地图 50m×30m，一次路径搜索要几百毫秒，调度系统明显卡顿；后来改成 0.05m，搜索时间降到几十毫秒，路径平滑度也还能接受。

另外，为了让路径更符合 AGV 的运动学约束（小车不能横着走、不能原地掉头），我们会在 A* 跑完后再做一步轨迹平滑，消除路径上的锯齿状折线，改成更容易跟踪的圆弧过渡。否则小车走到拐角处就会“一顿一顿”，像新手在练倒车入库。

4.2 从单机到多机：调度系统怎么设计

一台 AGV 会走路只是开始，实际仓库里往往是好几台车一起跑，这时候防碰撞和任务分配就是大头。我们把调度系统拆成两层：中央调度层和单车执行层。

中央调度层负责“谁去执行哪个任务、走哪条路线、在哪个路口谁先过”。我们用了一个很朴素但有效的方案：对每台车生成的 A* 路径，在时间维度上加锁。也就是每条路径上的每个栅格，在某个时间窗口内只允许一台车占用。如果两车路线冲突，调度器比较优先级，低优先级的车在路口前停车等待，高优先级的车先通过。

这个“时间窗 + 栅格锁”机制实现起来不复杂，但能极大避免多车碰撞。我们在厂区试点时跑三台 AGV，任务并发十几个，整个下午没有一次碰撞和死锁。如果连 A* 都没做好，调度系统设计得再花哨，底层路径都不靠谱，那就全是空中楼阁。

工创赛智能搬运赛道，很多时候不考多复杂的调度算法，反而更看重队员对整个系统的理解。比如怎么把传感器数据、路径规划、电机控制串起来，怎么在有限时间内稳定完成任务。如果参赛队伍里有一个人专门负责激光雷达点云处理、一个人负责决策算法、一个人负责结构和电路，配合默契胜算会大很多。当然，前提是大家都懂一点对方在干什么，否则联调的时候会互相甩锅。

多机协同里还有一个容易踩的坑：“任务分配”不是分完就完了，得实时监控每台车的状态。比如一台车电量低了、故障了、或者卡在某个地方不动了，调度器要把任务重新分给其他车。我们的做法是让每台车每秒钟上报一次状态（位置、电量、任务进度、故障码），调度器汇总后统一决策。状态上报频率太低，调度反应迟钝；太高，网络带宽和主控负担压力大。1Hz 是我们试下来比较稳的频率。

5. 实战踩坑记录与排查速查表

5.1 我们在现场遇到的真实问题

这一部分我觉得是从文档里学不到的东西，全是我们真金白银换出来的经验。捡几个最有代表性的问题讲讲。

问题一：建图时点云抖得像帕金森。一开始以为是雷达坏了，后来排查发现是底盘电机产生的电磁干扰。电机驱动线、编码器线和雷达信号线走在一起，信号被污染。解决办法是重新布线，把动力线和信号线分开走，雷达线束加屏蔽层并接地。重新布完线，点云立刻干净了。

问题二：AGV 跑着跑着突然“被吸住”。现象是定位在某个区域反复漂移，像车被神秘力量拉走。后来把地图叠加在现场平面图上一看，原来那个区域是一排玻璃窗，激光打到玻璃上发生镜面反射，点云里出现大量虚假回波，定位算法被“带偏”。解决办法是建图时在玻璃区域贴漫反射膜，同时在点云预处理中把高反射率区域做特殊过滤。

问题三：多车会车时频繁“互相恐惧”。两车在路口相遇，互相检测到对方，都停下来等对方先走，结果双双死锁在现场。这个问题的本质是避障策略和调度策略的冲突——单车避障模块看到障碍就停车，但调度模块没有告诉它“这个障碍物是另一台合法的车，可以协商通行”。解决方法是给每台车广播自己的位置，避障算法里把“已知 AGV”和“未知障碍物”区分处理，已知 AGV 走调度器的协调逻辑，未知障碍物才触发紧急避让。

5.2 排查思路速查表

为了让大家在实际落地时不那么慌乱，我把最常见的几类问题整理成了一张排查清单，基本上按这个顺序逐项排除，能覆盖大部分定位和感知故障。

排查的基本原则：先机械、后电气、再软件。很多问题看着是算法不聪明，其实根源是硬件安装不牢固或电源不干净。先把基础打好，再往上调系统，否则就是头疼医头，脚疼医脚，永远调不完。

还有一个小技巧，雷达每次启动后先看原始点云，别急着开定位。点云干净了，后面的流程基本不会出大问题。把原始点云想象成双腿走路时眼睛看到的画面，如果画面本身都是花的，大脑再怎么处理也白搭。

5.3 关于团队配合和项目节奏

最后再说一个和纯技术没太大关系、但实际影响很大的事：做 AGV 项目，尤其是工创赛或者公司内部研发项目，团队配合的节奏比技术本身还重要。

一开始我们吃过亏，软硬件两头各干各的。软件组写好了路径规划，硬件组还在改雷达支架；等硬件成型，软件又发现 FOV 被遮挡了一角，只能返工。后来我们调整了流程，每周至少一次联调，所有人围着同一台车转，问题一条条过。雷达安装、点云调试、路径规划测试、整车主航，这些环节必须严格按顺序来，每道关卡过完再进入下一环，能省下大量返工时间。

另外，做 AGV 项目一定要留好日志。我们每台车都记录完整的传感器数据包和算法输出的轨迹日志，哪个环节出问题，拉出对应的日志就能定位，不用靠猜。这也是整个项目能快速迭代的关键。我见过不少团队车子一跑就崩，然后全组人围着车干瞪眼，毫无排查头绪。其实日志随手一存，排查效率能提升一个数量级。

6. 一些个人的体会与经验总结

固态激光雷达给 AGV 带来的变化，表面上看是传感器换了代，本质上是从“盲人摸象”进步到“睁眼走路”。而且现在雷达成本降得太快了，和几年前的机械式方案相比，同样预算能买到性能翻倍的固态方案。我相信接下来这个方向的落地项目会越来越多，不只是大型仓库，小型工厂、实验室、校园配送这些场景都会慢慢普及。

如果让我给准备入坑的朋友一句话建议：先别急着买一堆设备，拿一台基础小车，配一个固态雷达，把建图、定位、避障这三件事闭环跑通，后面所有功能都是在这个骨架上加东西。骨架稳定，项目就成功了一半。

我自己在做这个项目的过程中，最深的体会是“感知决定上限”。算法再精巧，传感器给的数据是脏的，整个系统也跑不顺。把雷达装好、点云处理干净、标定做准确，后面所有算法都会顺很多。这也是我在文中反复强调“先看原始点云”的原因。这个习惯，帮我避开了一大堆后续的疑难杂症。

最后再分享一个小技巧：调试的时候可以在场地里故意放几个不同高度的小障碍物，比如圆锥桶、纸箱、矿泉水瓶，测试 AGV 的避障能力。如果激光雷达安装高度和 FOV 设计合理，这些障碍物都能被稳定检测到并触发避让。如果漏检了，调试时及时发现，好过项目交付后客户自己发现。搞完这一套，你的 AGV 才算真正装上了“火眼金睛”，而不是只装了一个好看的传感器。