在机器人和自动驾驶领域，测距是感知环境的核心技能之一。相比激光雷达和超声波传感器，视觉传感器凭借低成本、高信息量、易于集成等优势，成为大多数应用的首选。但视觉传感器本质上是一张2D图像，如何从中提取出三维空间的深度信息？我们来聊聊视觉传感器测距的几种主流方法：它们是如何工作的、各自的优缺点，以及在实际项目中如何选择。

最直观的方法就是利用“三角测量”原理，这正是双目立体视觉的核心。想象一下你的两只眼睛：左眼和右眼看到的同一物体位置略有不同，这种差异被称为视差。人脑通过计算视差，就能大致判断物体的远近。在机器视觉中，我们使用两个平行放置的摄像头，通过校正图像、匹配左右图像中的对应点，然后根据视差和基线距离（两个摄像头之间的距离），利用几何公式计算出物体的深度。这种方法的优点在于，它不需要任何外部光源或标定物，完全依靠场景本身的纹理来匹配。缺点是计算量大，对低纹理区域（比如白墙）效果很差，而且基线距离限制了其有效测距范围——基线越长，测距越远，但设备体积也会变大。

既然双目有基线限制，那单目摄像头能否测距？答案是肯定的，但需要更“聪明”的方法。单目测距的一种常见思路是“参考物法”。在自动驾驶中，摄像头识别出前方车辆，已知该车型的平均宽度（比如1.8米），再根据其在图像中的像素宽度和相机内参，就能估算出距离。这有点像“用尺子比划”——你需要知道目标的实际尺寸。另一种更高级的单目测距方法称为“从运动恢复结构（Structure from Motion，SfM）”。通过连续拍摄多帧图像，算法追踪特征点的运动轨迹，结合相机的运动信息（比如从IMU获取），就能反推出场景中每个点的深度。这种方法在无人机和AR应用中很常见，但需要计算量巨大的优化过程。

近年来，深度学习彻底改变了视觉测距的面貌。以单目深度估计为例，深度神经网络直接学习从一张RGB图像到深度图的映射。训练时，输入大量标注好的图像-深度对（例如从激光雷达采集的数据），网络就能学会根据图像中的颜色、纹理、边缘、阴影等线索来推测深度。更酷的是，无监督方法甚至不需要标注数据：它利用双目图像的重投影误差或单目视频的时序一致性作为损失函数，让网络自己“悟出”深度规律。Monodepth2就通过左图重建右图的重投影误差来训练网络，效果惊人地好。深度学习测距的优点是速度快、泛化能力强，尤其在纹理丰富的场景中表现优异。但缺点也很明显：它对训练数据的分布敏感，如果遇到训练集未包含的极端场景（比如暴雨、夜间），预测结果可能完全错误。

在实际应用中，你可能会听到“RGB-D相机”这个词。它其实是视觉传感器和红外投影的结合体，比如微软的Kinect和Intel的RealSense。它们通过发射不可见的红外散斑或飞行时间（ToF）脉冲，测量光返回的时间或散斑变形来直接获得深度。这种方案在室内环境下精度很高（毫米级），但受环境光干扰严重，不适合室外强光环境。

面对一个具体项目，如何选择呢？如果预算有限、场景纹理丰富、允许一定计算延迟，双目立体视觉是不错的选择。如果需要高度集成、对动态场景敏感，单目加IMU的视觉惯性里程计（VIO）方案很流行。如果追求高精度和实时性，特别是室内环境，RGB-D相机（如RealSense）是首选。而对于自动驾驶或复杂户外场景，深度学习单目深度估计正逐渐成为主流——虽然它还需要结合雷达或雷达点云进行融合验证。

视觉传感器测距没有“万能药”，每种方法都有自己的适用边界。理解它们的原理和局限性，才能在实际系统中搭建出既鲁棒又经济的感知方案。随着Transformer架构和端到端学习的进步，视觉测距可能会越来越接近人类的直觉——瞥一眼就知道远近。但在此之前，掌握好坐标系、相机模型和几何约束，依然是每个工程师的必修课。