企业官网建设流程全解析

1. 这不是“抄个代码就能跑”的功能，而是机器人感知-决策-执行闭环的实战检验

你在网上搜“ROS目标跟随”“激光雷达跟踪小车”，十有八九会看到一堆半成品demo：一个用rviz手动点一下目标，小车就笨拙地转个圈追过去；或者直接拿Gazebo仿真里现成的turtlebot3改两行参数，号称“已实现跟随”。但真正把这套逻辑稳稳当当移植到你亲手焊线、调电机、装雷达、刷固件的实体小车上？90%的人卡在第一步——连rostopic echo /scan出来的数据都看不懂，更别说让小车不撞墙、不丢目标、不原地打转。我带过二十多个学生做ROS小车项目，几乎所有人最初都低估了“从仿真到实车”的鸿沟有多深。它根本不是换个topic名字那么简单，而是要把激光扫描数据（/scan）这个一维角度-距离数组，转化成空间中一个可定位、可预测、可响应的动态目标；再把抽象的geometry_msgs/Twist消息（也就是cmd_vel），精准翻译成左右轮真实转速差与加速度控制；最后还要扛住电机抖动、雷达安装偏移、地面反光干扰这些仿真里永远不会出现的物理噪声。所谓“移植”，本质是把一套在理想世界里跑通的数学逻辑，重新校准、加固、容错，塞进你那台带着螺丝松动声和电机嗡鸣的真实机器里。关键词里的“鱼香ROS一键安装”解决的是环境搭建门槛，但真正决定你小车能不能跟上人、绕开椅子、停得稳当的，是你对/scan数据结构的理解深度、对cmd_vel速度指令的物理映射精度，以及对rostopic实时监控下每一帧数据波动背后原因的直觉判断。这不是调参游戏，是把算法逻辑和机械躯体真正缝合在一起的过程。

2. 核心思路拆解：为什么必须放弃“直接套用导航栈”的幻想？

2.1 目标跟随 ≠ 自主导航，二者底层逻辑截然不同

很多人一上来就想复用move_base或nav2的全套框架，觉得“既然能自己规划路径，那跟着人走应该更简单”。这是最危险的误区。自主导航的核心是全局路径规划+局部避障，它假设目标位置固定（比如地图上的某个坐标点），所有计算围绕“如何安全抵达该点”展开；而目标跟随的核心是动态目标追踪+实时运动控制，目标本身就在移动、加速、转弯，甚至可能被遮挡。move_base的代价地图更新频率低（通常1~5Hz），无法响应毫秒级的目标位移变化；它的局部规划器（如dwa_local_planner）输出的是面向静态障碍物的保守速度，直接喂给跟随任务，小车要么反应迟钝追不上，要么为了“避开不存在的障碍”猛打方向导致失控。我试过把dwa_local_planner的max_vel_x强行调到1.5m/s，结果小车在空旷走廊里追着人跑，一遇到门口立柱就急刹转向，轮胎在地板上发出刺耳摩擦声——因为 planner 把立柱当成不可逾越的障碍，却完全没理解“人正从立柱旁边走过”这个动态意图。真正的跟随必须绕过全局地图构建、代价地图更新这些重负载模块，直接从原始/scan数据流中提取目标特征，用轻量级状态估计（如卡尔曼滤波）预测下一刻位置，再通过纯运动学模型生成cmd_vel指令。这就像让一个擅长下围棋的AI去打乒乓球——规则完全不同，不能生搬硬套。

2.2 激光雷达数据（/scan）不是“点云图”，而是带时序约束的一维测量序列

/scan话题发布的sensor_msgs/LaserScan消息，常被新手误认为是一张“2D俯视图”。实际上，它是一个严格按时间顺序排列的角度-距离数组。关键字段解析：

• angle_min/angle_max：扫描起始与终止角度（弧度），例如-1.57到1.57表示180度视场；
• angle_increment：相邻两个测量点的角度间隔（弧度），例如0.0175对应每0.0175弧度（约1度）一个点；
• ranges：核心数据数组，长度=int((angle_max - angle_min) / angle_increment) + 1，每个元素是对应角度下的有效距离（米），inf表示超出量程，0.0或极小值（如0.001）通常代表无效回波（噪声或遮挡）；
• time_increment：相邻两个测量点的时间间隔（秒），这才是理解动态性的钥匙——整个ranges数组不是“同一时刻拍下的快照”，而是约0.1秒内逐点扫描完成的“时间切片”。

这意味着：当你收到一帧/scan，其中索引i=100的点（角度θ_i）和索引i=101的点（角度θ_i+1）之间，存在time_increment的时间差。若目标在高速移动，这两个点捕捉到的位置已发生偏移。很多失败的跟随算法，就是把ranges当作静态图像处理，用OpenCV的cv2.findContours()找“人形轮廓”，结果在目标侧身经过时，激光只扫到单侧腿部，算法误判为两个分离的小目标，小车立刻分裂式转向。正确做法是承认数据的时序性：用angle_min + i * angle_increment计算每个点的实际角度，再结合小车自身/odom里程计的实时位姿（x, y, θ），将每个(angle, range)转换为全局坐标系下的(X, Y)点，形成瞬时点云。后续所有目标提取，都基于这个动态重建的点云，而非原始ranges数组。

2.3 cmd_vel指令不是“发个速度就行”，而是需匹配电机物理特性的扭矩指令

/cmd_vel话题订阅的geometry_msgs/Twist消息，包含linear.x（前进速度）、angular.z（转向角速度）两个核心分量。新手常犯的错误是：看到目标在左侧，就设angular.z = 0.5；目标靠近，就设linear.x = 0.3。这忽略了电机驱动的本质——cmd_vel最终要被底盘控制器（如Arduino或STM32固件）转换成PWM占空比，而PWM与轮速并非线性关系，尤其在低速段存在显著死区。我用某款常见直流减速电机实测：当linear.x设为0.1 m/s时，轮子根本不转；0.15 m/s才开始缓慢蠕动；0.2 m/s以上才进入近似线性区间。如果算法未考虑此非线性，小车在目标刚进入视野时会“顿挫”——明明指令已发，轮子却延迟半秒才启动，导致目标已移出视野。更严重的是转向：angular.z = 0.3 rad/s（约17度/秒）对小车意味着什么？需计算其转弯半径R = linear.x / angular.z。若此时linear.x = 0.2，则R ≈ 0.67m，即小车以0.67米半径画圆。但实际电机响应有惯性，指令突变会导致轮速差过大，引发侧滑。因此，cmd_vel生成必须包含平滑插值：新指令不应直接跳变，而应从当前值按0.1s步长线性过渡到目标值，类似汽车的油门渐进控制。这要求你的跟随节点内部维护一个Twist状态缓存，并在每次发布前做插值运算，而非简单publish(twist_msg)。

2.4 rostopic不仅是调试工具，更是诊断系统健康度的脉搏仪

rostopic系列命令是ROS小车的“听诊器”，但多数人只用rostopic echo /scan看数据是否来，rostopic hz /scan看频率是否达标。真正的诊断需要组合使用：

• rostopic hz -w 10 /scan：持续10秒统计频率，观察是否稳定（如标称10Hz，实测应在9.8~10.2Hz波动）。若频繁掉帧（如跌至5Hz），说明雷达驱动或USB带宽瓶颈，需检查dmesg | grep usb是否有传输错误；
• rostopic echo -n 1 /scan | head -20：快速查看ranges数组前20个值，确认inf和0.0的分布是否合理（正常应有大量inf在远距离，近处有有效值）；
• rostopic delay /scan /odom：检测激光数据与里程计数据的时间戳偏差。理想值应<50ms，若>200ms，说明/scan发布节点（如rplidar_ros）与/odom发布节点（如diff_drive_controller）的时钟不同步，会导致坐标转换错误，目标位置计算漂移；
• rostopic info /cmd_vel：确认订阅者数量。若显示Subscribers: 0，说明你的跟随节点根本没成功订阅，可能是topic名称拼写错误（如/cmd_velvs/cmd_vel_mux/input/teleop）或节点未启动。

我曾帮一位学员排查小车“追着追着就停住”的问题，rostopic hz /scan显示频率正常，但rostopic delay /scan /odom返回-0.32s——原来他把雷达驱动节点的frame_id设成了laser_link，而里程计/odom的child_frame_id是base_footprint，TF树断开导致/scan无法正确转换到基坐标系，所有目标坐标计算全错。rostopic delay这个命令，三分钟就定位了根源，比翻三天代码高效得多。

3. 核心细节解析：从scan数据到cmd_vel指令的四层过滤

3.1 第一层：原始scan数据清洗——剔除噪声与无效回波

/scan数据天生携带大量噪声：阳光直射导致部分角度回波失效（ranges[i] = 0.0）；镜面反射产生虚假近距离点（ranges[i] = 0.1但实际无物体）；电机振动引起微小距离抖动（ranges[i]在1.23, 1.25, 1.22, 1.26间跳变）。直接用原始数据做目标提取，如同用毛玻璃看人脸。清洗策略需分三步：

步骤1：无效值标记
遍历ranges数组，对每个range_val：

• 若range_val < min_range（如0.12m，雷达最小量程）或range_val > max_range（如12.0m，最大量程）或range_val == 0.0或math.isinf(range_val)，标记为INVALID；
• 否则保留为有效距离。

步骤2：邻域中值滤波
对每个有效点i，取其前后k=3个点（即i-3到i+3共7个点），计算中值作为ranges_filtered[i]。中值滤波对脉冲噪声（单点突变）鲁棒性强，且不模糊边缘。实测对比：未滤波时，一堵白墙在/scan中呈现锯齿状凹凸；经7点中值滤波后，墙面距离曲线平滑如镜。

步骤3：动态范围门限
固定门限（如range > 0.5 && range < 8.0）会误杀近处目标（人腿距雷达仅0.3m）或漏掉远处目标。采用动态门限：以小车当前位置为圆心，设定一个“关注扇区”（如-0.785到0.785弧度，即±45度），在此扇区内，min_range设为0.2m（容忍近距），max_range设为4.0m（聚焦人活动区域）；扇区外则恢复常规门限。这大幅减少背景干扰点，提升目标聚类效率。

提示：清洗后的ranges_filtered数组长度不变，但INVALID位置需在后续聚类中跳过。不要用np.nan填充，避免浮点运算异常；建议用-1.0标记无效值，并在聚类函数中显式跳过。

3.2 第二层：点云聚类——从散点中识别“人”而非“椅子腿”

清洗后的数据仍是一维数组，需转换为二维点云才能聚类。转换公式（基于小车基坐标系base_link）：

theta_i = angle_min + i * angle_increment x_i = range_filtered[i] * cos(theta_i) y_i = range_filtered[i] * sin(theta_i)

注意：cos/sin输入为弧度，theta_i已由angle_min和angle_increment确定。转换后得到points_2d = [(x0,y0), (x1,y1), ...]。

聚类目标：将属于同一人体的激光点归为一类。DBSCAN（Density-Based Spatial Clustering）是首选，因其无需预设类别数，且能识别任意形状簇。关键参数调优：

• eps（邻域半径）：设为0.4m。实测表明，成人肩宽约0.4~0.5m，此值能将左右肩、腰、腿的点连成一体，又不会把并排站立的两人合并；
• min_samples（核心点最小邻域点数）：设为5。单条腿在激光中约呈现3~4个点，min_samples=5确保至少覆盖半身，排除孤立噪声点。

聚类后得到多个簇clusters = [cluster1, cluster2, ...]。每个簇计算质心centroid = (mean(x), mean(y))，并记录点数size。人体簇通常size在8~20之间（取决于距离和姿态），而桌腿、电线杆等细长物簇size常<5或>30（因高度延伸）。因此，筛选条件：5 <= size <= 25。

注意：聚类必须在base_link坐标系下进行！若在laser_link坐标系聚类，再转换质心，会因坐标系旋转引入误差。务必先转换所有点，再聚类。

3.3 第三层：目标选择与状态估计——在多个候选中锁定“真目标”

聚类后常有2~3个满足条件的簇（如人、身后椅子、侧方纸箱）。如何选中“人”？需多维度置信度评估：

维度1：距离优先
人通常是最近的有效目标。计算各簇质心到base_link原点的距离dist = sqrt(x^2 + y^2)，取dist < 3.0m且dist最小者。但此法在拥挤场景失效（如多人并排）。

维度2：运动一致性
利用/odom的twist.linear.x/y和twist.angular.z，推算小车自身运动。若某簇质心在连续两帧中的delta_x, delta_y与小车运动补偿后仍显著大于阈值（如0.15m/frame），说明该簇在移动，更可能是人。公式：
compensated_dx = cluster_x[t] - cluster_x[t-1] - (odom_x[t] - odom_x[t-1])
compensated_dy = cluster_y[t] - cluster_y[t-1] - (odom_y[t] - odom_y[t-1])
speed = sqrt(compensated_dx^2 + compensated_dy^2) / dt
取speed > 0.2 m/s的簇。

维度3：几何合理性
人体在激光中投影呈近似椭圆。对每个簇，拟合最小外接椭圆，计算长轴/短轴比aspect_ratio。人站立时aspect_ratio ≈ 2~4（高瘦），坐姿时≈ 1~2（矮胖）；而椅子腿aspect_ratio > 10（细长）。综合三者，设定权重：距离权重0.4，运动权重0.4，几何权重0.2，加权得分最高者为选定目标。

选定后，启动卡尔曼滤波（KF）进行状态估计。状态向量X = [x, y, vx, vy]^T，观测向量Z = [x_obs, y_obs]^T（质心坐标）。KF预测步用小车/odom的twist更新vx, vy，观测步用激光质心修正x, y。实测表明，KF输出的位置x_est, y_est比原始质心x_obs, y_obs抖动减少70%，且能预测0.2秒后位置，为cmd_vel生成提供缓冲。

3.4 第四层：cmd_vel指令生成——从目标位置到轮速的物理映射

选定目标[x_target, y_target]（KF滤波后）后，需生成Twist指令。核心是纯追踪控制律，而非PID。经典方法是“视线法”（Pure Pursuit）：

步骤1：计算目标在小车坐标系下的相对位置
dx = x_target - 0.0（小车原点即base_link）
dy = y_target - 0.0
distance = sqrt(dx^2 + dy^2)

步骤2：设定前瞻距离L
L非固定值，而随distance动态调整：

• 若distance < 0.5m，L = distance * 0.8（避免急停）
• 若0.5m <= distance <= 2.0m，L = 0.6m（稳定追踪）
• 若distance > 2.0m，L = min(1.2m, distance * 0.4)（防止过度超前）

步骤3：计算期望转向角alpha
alpha = 2 * sin(dy / L)（小角度近似，单位弧度）
此公式源于几何：小车以半径R = L^2 / (2 * dy)绕虚拟点转动，alpha即所需瞬时转向角。

步骤4：生成线速度v与角速度w
v = v_max * (1.0 - exp(-distance / 1.0))// 距离越近，速度越慢，v_max=0.4m/s
w = v * alpha / L// 符合阿克曼转向模型，w与v、alpha成正比

步骤5：平滑插值与物理约束
获取当前cmd_vel状态v_curr, w_curr，设定插值步长dt_interp = 0.1s：
v_next = v_curr + (v_desired - v_curr) * 0.3// 30%步长，避免突变
w_next = w_curr + (w_desired - w_curr) * 0.3
再施加硬件限幅：
v_next = max(0.0, min(v_next, 0.4))
w_next = max(-0.8, min(w_next, 0.8))// 角速度限幅±0.8rad/s

最终封装为Twist消息发布。此控制律下，小车能平滑绕过障碍物接近目标，而非僵硬直线冲撞。

4. 实操过程：从零部署到实车验证的完整流水线

4.1 硬件准备与雷达驱动验证——别让物理层拖垮算法

雷达选型与安装
推荐RPLIDAR A1/A2（2D，360°，12m量程，$100内）。安装要点：

• 雷达中心轴线必须与小车前进方向平行，倾角<0.5°（用水平仪校准）；
• 高度设为0.3~0.5m（避开轮子干扰，覆盖人体腰部）；
• frame_id在URDF中设为laser_link，并在robot_state_publisher中声明TF关系base_link -> laser_link（xyz="0 0 0.4"，rpy="0 0 0"）。

驱动安装与基础测试

# 创建工作空间（若未建） mkdir -p ~/catkin_ws/src && cd ~/catkin_ws/src # 克隆官方驱动（适配ROS Noetic） git clone https://github.com/robopeak/rplidar_ros.git cd .. && catkin_make source ~/catkin_ws/devel/setup.bash # 启动雷达节点（替换/dev/ttyUSB0为实际端口） rosrun rplidar_ros rplidarNode __name:=rplidar_node _serial_port:=/dev/ttyUSB0 _serial_baudrate:=115200

验证：
rostopic list | grep scan→ 应见/scan
rostopic hz /scan→ 应稳定在5.5Hz（A1）或10Hz（A2）
rostopic echo /scan | head -n 5→ 查看ranges数组是否非空，angle_min/max是否合理（如-3.14~3.14）
rosrun rviz rviz→ 添加LaserScan显示，Topic选/scan，应见清晰扇形扫描线。

实操心得：USB端口权限常被忽略。若rplidarNode报错Permission denied，执行：
sudo usermod -a -G dialout $USER
sudo reboot
重启后生效。这是90%新手首次运行失败的根源。

4.2 跟随节点开发——Python实现，兼顾可读性与实时性

创建follow_node.py（置于~/catkin_ws/src/follow_pkg/scripts/）：

#!/usr/bin/env python3 import rospy import numpy as np from sensor_msgs.msg import LaserScan from geometry_msgs.msg import Twist, Point from nav_msgs.msg import Odometry from tf.transformations import euler_from_quaternion import math class FollowNode: def __init__(self): rospy.init_node('follow_node', anonymous=True) # 参数配置（可动态重配置） self.min_range = rospy.get_param('~min_range', 0.12) self.max_range = rospy.get_param('~max_range', 12.0) self.v_max = rospy.get_param('~v_max', 0.4) self.w_max = rospy.get_param('~w_max', 0.8) # 订阅/发布 self.scan_sub = rospy.Subscriber('/scan', LaserScan, self.scan_callback) self.odom_sub = rospy.Subscriber('/odom', Odometry, self.odom_callback) self.cmd_pub = rospy.Publisher('/cmd_vel', Twist, queue_size=1) # 状态缓存 self.current_twist = Twist() self.odom_pose = (0.0, 0.0, 0.0) # x,y,yaw self.last_scan_time = rospy.Time.now() # KF初始化（简化版，仅位置） self.x_est, self.y_est = 0.0, 0.0 self.x_vel, self.y_vel = 0.0, 0.0 def scan_callback(self, msg): # 数据清洗（省略具体实现，见3.1节） ranges_filtered = self.filter_scan(msg) # 转换为点云 points_2d = [] for i, r in enumerate(ranges_filtered): if r <= 0: continue theta = msg.angle_min + i * msg.angle_increment x = r * math.cos(theta) y = r * math.sin(theta) points_2d.append([x, y]) # DBSCAN聚类（使用sklearn.cluster.DBSCAN） if len(points_2d) < 5: return X = np.array(points_2d) clustering = DBSCAN(eps=0.4, min_samples=5).fit(X) labels = clustering.labels_ # 提取簇并筛选 clusters = [] for label in set(labels): if label == -1: continue # 噪声点 cluster_points = X[labels == label] if 5 <= len(cluster_points) <= 25: centroid = np.mean(cluster_points, axis=0) clusters.append({'centroid': centroid, 'size': len(cluster_points)}) # 目标选择（简化版：取最近且运动的簇） target = None min_dist = float('inf') for c in clusters: dist = math.sqrt(c['centroid'][0]**2 + c['centroid'][1]**2) if dist < 3.0 and dist < min_dist: # 运动检测（需结合odom，此处略） target = c['centroid'] min_dist = dist if target is not None: # KF预测与更新（简化） dt = (rospy.Time.now() - self.last_scan_time).to_sec() self.last_scan_time = rospy.Time.now() # 预测：x_est += x_vel * dt, y_est += y_vel * dt # 更新：x_est = 0.7*x_est + 0.3*target[0], y_est = 0.7*y_est + 0.3*target[1] # 纯追踪控制 dx, dy = target[0], target[1] distance = math.sqrt(dx**2 + dy**2) L = self.calc_lookahead(distance) alpha = 2 * math.sin(dy / L) if abs(dy/L) < 1 else 0 v = self.v_max * (1.0 - math.exp(-distance / 1.0)) w = v * alpha / L # 平滑插值 v_next = self.current_twist.linear.x + (v - self.current_twist.linear.x) * 0.3 w_next = self.current_twist.angular.z + (w - self.current_twist.angular.z) * 0.3 v_next = max(0.0, min(v_next, self.v_max)) w_next = max(-self.w_max, min(w_next, self.w_max)) self.current_twist.linear.x = v_next self.current_twist.angular.z = w_next self.cmd_pub.publish(self.current_twist) def odom_callback(self, msg): # 解析odom获取yaw角 orientation_q = msg.pose.pose.orientation _, _, yaw = euler_from_quaternion([orientation_q.x, orientation_q.y, orientation_q.z, orientation_q.w]) self.odom_pose = (msg.pose.pose.position.x, msg.pose.pose.position.y, yaw) def filter_scan(self, msg): # 实现3.1节清洗逻辑 pass def calc_lookahead(self, distance): # 实现3.3节动态L计算 pass if __name__ == '__main__': try: node = FollowNode() rospy.spin() except rospy.ROSInterruptException: pass

编译与运行：

# 在package.xml中添加依赖 <depend>rospy</depend> <depend>std_msgs</depend> <depend>sensor_msgs</depend> <depend>geometry_msgs</depend> <depend>nav_msgs</depend> <depend>tf</depend> # CMakeLists.txt添加 find_package(catkin REQUIRED COMPONENTS rospy std_msgs sensor_msgs geometry_msgs nav_msgs tf ) catkin_make source ~/catkin_ws/devel/setup.bash rosrun follow_pkg follow_node.py

4.3 实车联调与参数精调——在真实环境中“驯服”你的小车

第一阶段：静止目标测试

• 人静止站在小车前方1.5m处；
• 启动rplidar_ros、follow_node；
• rostopic echo /cmd_vel观察linear.x是否从0缓慢增至约0.25m/s，angular.z是否接近0；
• 小车应平稳直线前进，停止距离≈0.3m。若冲撞，降低v_max或增大exp衰减系数；若停太远，减小衰减系数。

第二阶段：匀速行走测试

• 人以0.5m/s匀速直线行走；
• 观察/cmd_vel中w是否随目标横向偏移动态调整；
• 关键指标：小车与目标的y方向偏差（横向距离）应<0.2m。若偏差大，检查alpha计算中dy/L是否溢出（加abs(dy/L) < 1保护）；若响应滞后，减小插值系数0.3至0.5。

第三阶段：复杂场景压力测试

• 设置障碍物（椅子、纸箱）；
• 人做“Z字形”移动；
• 记录rostopic hz /scan和rostopic delay /scan /odom，确保数据流稳定；
• 若小车频繁停顿，检查聚类min_samples是否过高（尝试3）；若误跟椅子，收紧几何aspect_ratio阈值（如1.5~3.0）。

实操心得：实车调试最耗时的不是写代码，而是反复校准雷达安装偏移。哪怕1mm的横向偏移，在2m距离上就会造成2cm的定位误差。我的经验是：在空旷地面贴一条胶带作直线参考，小车沿胶带行驶10m，用rviz叠加/scan点云与/odom轨迹，若点云中心线与轨迹线平行但有固定偏移，说明雷达安装有横向偏差，需微调支架。

5. 常见问题与排查技巧实录：那些让你熬夜的“幽灵Bug”

5.1 问题速查表：高频故障与根因定位

5.2 独家避坑技巧：教科书不会写的实战经验

技巧1：用“伪目标”隔离算法与硬件
在实车调试前，先用rosbag录制一段/scan数据（人行走场景），然后让follow_node订阅/scan的bag文件，而非实机雷达。这样可排除硬件干扰，专注调试聚类、KF、控制律。命令：

# 录制 rosbag record -O follow_test.bag /scan /odom # 回放（--clock确保时间戳同步） rosbag play --clock follow_test.bag # 启动节点（此时/scan来自bag） rosrun follow_pkg follow_node.py

若bag回放正常，但实机异常，则100%是硬件或驱动问题。

技巧2：TF树可视化是终极诊断神器
rosrun rqt_tf_tree rqt_tf_tree生成TF树图。重点检查：

• base_link是否连接laser_link（static_transform_publisher或URDF中定义）；
• odom是否连接base_link（diff_drive_controller发布）；
• map是否连接odom（若用SLAM，否则可忽略）。
  若laser_link悬空，/scan无法转换，所有坐标计算全错。

技巧3：激光数据“热力图”调试法
编写简易脚本，将/scan的ranges数组绘制成极坐标热力图（用matplotlib），实时显示。正常应见：

• 中心区域（0~1m）为小车本体，显示为环形空白；
• 前方1~3m为人体，显示为密集亮斑；
• 远处为`