想象一下，工厂中机械臂精准抓取传送带上移动的零件，仓储物流机器人灵活穿梭于货架间搬运货物，服务机器人平稳为你递上一杯水——这些场景背后，都依赖于机器人一项核心能力：准确判断自身与目标物体之间的距离。这项看似简单的”物距”测量能力，正是机器人3D视觉技术的基石。

三维视觉的核心任务，便在于破解物体与传感器的空间密码：物距。

与传统2D图像仅提供平面信息不同，3D视觉旨在获取场景的深度信息，最终输出的是物体在三维空间中的几何坐标。而物距测量，正是对空间中某一点到传感器距离的精准量化。实现这一目标的技术路径多种多样，但核心原理都围绕着几个关键步骤展开。

1. 立体视觉：模仿人类的”双眼视差”

• 原理基础： 如同人类利用双眼从不同角度观察物体来判断远近，立体视觉系统配备两个（或多个）按照固定基线距离摆放的相机。
• 关键过程：匹配与计算
• 图像采集： 左右（或上下）相机同时拍摄同一场景的图像。
• 特征匹配： 强大的算法在左右图像中识别并匹配同一物理点的对应特征点。
• 视差计算： 计算特征点在左右图像中位置的像素级差异，称为视差。
• 距离公式： 核心在于三角测量原理。 视差与物体距离成反比。公式表达为：距离 = (基线距离 × 焦距) / 视差。
• 基线距离越大或焦距越长，测量范围越远越精确。
• 视差越小（即对应点在左右图位置越接近），说明物体距离越远。
• 特点: 被动成像（依赖环境光），计算量大，对纹理和光照较敏感，精度受基线长度影响显著。

2. 结构光：主动投射”编码光栅”

• 原理基础： 主动向目标物体投射已知的、经过精密编码的光图案（如条纹、点阵、二进制编码图）。
• 关键过程：形变解码
• 光图案投射： 图案投影器将特定模式的光投射到物体表面。
• 图像捕获： 一个（或多个）相机捕获物体表面反射回来的、已被物体高度和形状”扭曲”后的变形图案。
• 形变分析与解码： 通过将捕获的变形图案与原始投射图案进行比对分析，计算每个像素点处图案的位移或相位变化量。
• 距离计算： 这种位移或相位变化量直接反映了物体表面各点到相机/投影器的几何位置差异。结合相机-投影器的几何标定关系（视差原理的变体），即可计算出精确的物距和三维点云数据。
• 特点: 主动照明，受环境影响小（尤其适用于弱光环境），精度高（可达亚毫米级），测量速度快，但易受强光干扰（尤其是室外）。

3. 飞行时间法：测量光子的”往返时间”

• 原理基础： 直接测量光线（通常是红外激光或LED调制光）从传感器出发，照射到目标物体后反射回来所需的时间。
• 关键过程：时间计量
• 调制与发射： 光源发出经过调制的脉冲光或连续波调制光。
• 接收与计时： 探测器接收物体反射回来的光信号。
• 时间差测量： 核心在于精确计算光信号的”飞行时间”。 对于脉冲光，直接测量发射脉冲与接收脉冲之间的时间差。对于连续调制光，则测量发射波与接收波之间的相位差（因相位差与飞行时间直接相关）。
• 距离公式： 距离 = (光速 × 飞行时间) / 2 (除以2是因为光线走了往返路径)。
• 特点: 直接测量距离，原理清晰简洁。 对环境光照有一定鲁棒性，不易受物体纹理、颜色影响。但受限于光速极快，需要非常精密的时间测量器件（如SPAD），硬件成本高，精度和抗干扰性是关键挑战，特别是在室外复杂强光环境下。

4. 激光雷达：扫描空间的”点云构建者”

• 原理基础： ToF技术的延伸应用。通过高速旋转的精密扫描机构（如MEMS微镜、旋转棱镜），将激光束快速、有序地扫过整个场景。
• 关键过程：扫描测距
• 激光扫描： 激光器发出的光束被扫描机构偏转，有规律地照射场景中的不同点。
• 逐点测距： 对扫描光线照射到的每一个点，利用ToF原理精确测量该点到激光雷达的距离。
• 结果输出： 海量的距离测量值（加上对应的扫描角度信息）构建出描述整个场景空间结构的点云数据。物距信息蕴含在每个点的坐标中。
• 特点: 获取的是周围环境的完整三维信息（点云），视野广阔，测量距离远（从几米到几百米不等），精度高，是自动驾驶、高级测绘的核心传感器。

物距测量的核心价值：赋能机器人智能决策与精准执行

理解了机器人如何测量物距，就更能理解其在真实世界应用的强大力量：

• 导航避障： 移动机器人实时感知前方障碍物的距离与体积，规划安全路径。物距数据是其空间认知的核心输入。
• 引导抓取： 工业机械臂通过识别目标物体的精确三维坐标和距离，实现高精度抓取与装配。物距精度直接决定操作成败。
• 体积测量： 物流智能叉车或分拣机器人快速识别包裹尺寸，优化仓储空间利用。基于物距的空间坐标重建是基础。
• 精准操作： 手术机器人依靠微观尺度下的高精度物距测量（如采用特殊结构光），实现精细组织操作。

精度之挑战：光照、材质与环境的博弈

追求更高精度、更强鲁棒性的物距测量是技术发展的永恒主题。环境强光可能淹没结构光或ToF信号；反光或吸光的特殊材质会影响测量的稳定性；动态场景需要更快的处理速度和目标追踪能力；复杂几何结构和透明物体对各类方法都构成挑战。

深度学习等人工智能方法正被深度融入传统3D视觉流程，从提升特征匹配效率、优化深度图质量到直接端到端预测距离信息。传感器的融合（如RGB相机+深度相机/激光雷达）也成为提升鲁棒性的重要手段。

正是这些不断进化、各具特色的物距测量原理，共同赋予了机器人那双洞察空间距离的”慧眼”，让它们在工厂、仓库、医院乃至我们家中，真正拥有了感知三维世界、与人环境流畅互动的基础能力。