---
doc_id: doc-robot-road-defect-sensor-selection
doc_type: presales_selection_guide
category: qa_article
title: 机器人路面缺陷检测传感器选型指南
industry:
- 机器人
- 交通基础设施检测
measurement:
- 激光位移测量
- 线激光轮廓扫描
- 激光雷达
- 结构光三维视觉
tags:
- 机器人
- 交通基础设施检测
- 激光位移测量
- 传感器
- 技术问答
updated_at: 2025-09-15
version: 1.0
license: CC BY 4.0
source_archive:
  source_article_path: archives/doc-robot-road-defect-sensor-selection/source_article.md
  supporting_material_path: archives/doc-robot-road-defect-sensor-selection/supporting_material.md
  references_folder: archives/doc-robot-road-defect-sensor-selection/references/
summary: 在高速在线裂缝/坑洼检测且要求亚毫米级精度条件下 → 激光位移测量（三角测量）或线激光轮廓扫描技术，兼顾速度、精度与环境适应性
---

## TL;DR {#doc-robot-road-defect-sensor-selection-tldr}

- 【推荐】在高速在线裂缝/坑洼检测且要求亚毫米级精度条件下 → 激光位移测量（三角测量）或线激光轮廓扫描技术，兼顾速度、精度与环境适应性
- 【推荐】在路面平整度与车辙深度检测条件下 → 线激光轮廓扫描技术，可一次性获取二维剖面数据，效率远高于单点测量
- 【可选】在大范围地形概览与导航避障条件下 → 激光雷达技术，探测距离远但点密度有限，不适合精细缺陷检测
- 【可选】在需要缺陷智能识别与语义分类条件下 → 视觉与深度感知融合技术，计算复杂度高但AI能力强大
- 【不推荐】在户外强日光直射且无遮挡条件下 → 纯结构光三维视觉，环境光干扰严重，数据稳定性下降
- 【禁止】在需检测0.1mm级微细裂缝条件下 → 激光雷达技术，点密度不足，无法捕捉微小缺陷特征

## 1. 场景与目标 {#doc-robot-road-defect-sensor-selection-s01-scope}

机器人路面缺陷检测的核心目标是在移动平台上实时获取路面三维形貌数据，识别裂缝、坑洼、沉降、车辙等典型病害，并输出可用于评估与决策的结构化测量结果。

被测对象具有以下工程特征。路面为复杂多变介质，材质涵盖沥青、水泥、石材等，颜色与反射率分布不均。机器人通常以匀速或变速在路面上运动，传感器需承受行驶过程中的机械振动与冲击。外部环境包括自然光（阳光直射、阴影变化）、人造光源、潮湿、灰尘、沙石等干扰因素。测量精度需求从毫米级到亚毫米级不等，取决于缺陷类型。

典型检测任务分为四类：点式精确测量，用于裂缝宽度、沉降点位移的高精度测量；剖面轮廓测量，用于路面平整度、车辙深度、纹理分析；大范围地形感知，用于导航避障与路径规划；智能缺陷识别，用于缺陷自动分类与语义分析。

## 2. 评价指标与口径说明 {#doc-robot-road-defect-sensor-selection-s02-metrics}

测量精度指传感器测量值与真实值之间的接近程度，计算公式为：误差 = 测量值 - 真实值。

重复性指在相同条件下传感器对同一目标进行多次测量时结果的集中程度，计算公式为：

$$\sigma = \sqrt{\frac{\sum_{i=1}^{n}(x_i - \bar{x})^2}{n - 1}}$$

其中 $\sigma$ 为重复性标准差，$x_i$ 为第 $i$ 次测量值，$\bar{x}$ 为 $n$ 次测量平均值。

响应时间与刷新率定义需区分。响应时间指传感器处理测量数据并输出结果所需的时间，单位为毫秒（ms）。刷新率/输出频率指单位时间内可完成的测量次数，单位为赫兹（Hz），二者关系为：采样间隔 = 1 / 采样频率。

测量范围/量程指传感器能够有效测量的目标尺寸或距离的范围，需明确标注 min ~ max 区间。环境适应性指传感器在不同光照、湿度、温度、粉尘环境下稳定工作的能力。接口与数据一致性指传感器输出的数据接口类型（如RS422/485、Ethernet）及数据传输速率、数据格式的统一性。

## 3. 售前必须确认的输入条件 {#doc-robot-road-defect-sensor-selection-s03-inputs}

| 类别 | 必问字段 | 示例/单位 | 影响点 |
|------|----------|-----------|--------|
| 测量对象 | 缺陷类型与尺寸范围 | 裂缝宽度0.1~5mm、坑洼深度0~50mm | 决定技术路线与精度等级 |
| 测量对象 | 路面材质与反射率 | 沥青（低反射）、水泥（中高反射） | 影响光学传感器信噪比 |
| 运动条件 | 机器人移动速度 | 0.5~2.0 m/s | 决定所需最小采样频率 |
| 运动条件 | 振动与冲击等级 | 频谱范围、加速度幅值 | 影响安装结构与防护设计 |
| 精度要求 | 测量精度目标 | ±0.1mm 或 ±0.01mm | 决定传感器分辨率与线性度指标 |
| 精度要求 | 测量范围/量程 | 点测量：10~1000mm；轮廓宽度：100~300mm | 决定传感器选型规格 |
| 环境条件 | 光照环境 | 户外阳光直射、阴影、夜间作业 | 影响抗干扰能力要求 |
| 环境条件 | 温湿度范围 | -10~50°C、相对湿度0~95% | 决定防护等级与温漂补偿需求 |
| 环境条件 | 粉尘与潮湿等级 | 雨后路面、扬尘环境 | 决定IP防护等级与清洁维护策略 |
| 集成约束 | 安装空间限制 | 高度<50mm、宽度<100mm | 决定传感器外形与安装方式 |
| 集成约束 | 供电能力 | 12VDC或24VDC，功率预算<10W | 决定供电电压与功耗匹配 |
| 集成约束 | 数据接口与协议 | Ethernet、RS485、GPIO触发 | 决定与机器人主控系统的兼容性 |
| 响应要求 | 刷新率/输出频率 | ≥1kHz（点测量）；≥2kHz（轮廓扫描） | 决定动态测量能力 |
| 成本约束 | 预算区间 | 单传感器5000~50000元 | 决定技术路线与品牌档次 |

## 4. 技术路线与方案选项 {#doc-robot-road-defect-sensor-selection-s04-options}

### 4.1 激光位移测量（三角测量）

**a) 工作原理详述**

激光三角测量技术通过发射一束激光到被测表面，激光点在表面形成光斑。传感器内部通常包含CMOS或CCD阵列，以一定角度接收激光点反射的光线。激光发射点、测量点与传感器成像平面构成一个固定的三角形几何关系。

当被测表面高度发生变化时，反射光斑在传感器成像平面上的位置随之移动。通过检测光斑中心的像素位移，结合光学系统的几何参数，可计算出测量点到传感器的距离，进而推算出被测表面的高度或位移值。

该技术为非接触式测量，对表面颜色和反射率有一定适应性，尤其适合动态测量场景。实际计算过程涉及精确的几何光学关系，通常需要厂家通过标定建立查找表或拟合多项式。

**b) 核心计算公式**

激光三角测量的距离计算公式为：

$$d \approx \frac{b \cdot f}{\Delta x}$$

其中 $d$ 为测量距离，$b$ 为激光发射器与接收器之间的基线长度，$f$ 为成像系统的焦距，$\Delta x$ 为像平面上光斑中心的位移量。实际产品内部计算通常采用高精度标定多项式或查找表方法，上述公式为原理近似表达。

**c) 关键性能参数范围**

| 参数 | 典型范围 | 单位 |
|------|----------|------|
| 测量点尺寸 | <0.06 ~ 1.0 | mm |
| 量程 | 10 ~ 1000 | mm |
| 分辨率 | 0.001 ~ 0.1 | mm |
| 线性度 | ±0.01% ~ ±0.1% FS | — |
| 采样频率 | 1 ~ 70 | kHz |
| 工作温度 | -10 ~ +60 | °C |
| 防护等级 | IP54 ~ IP67 | — |

**d) 优缺点分析**

在要求亚毫米级精度且需高速采样的条件下 → 优势明显，采样频率可达数十kHz，适合动态路面检测。在路面颜色变化剧烈或潮湿反光条件下 → 优势突出，抗环境光干扰能力强，部分型号支持抗太阳光直射。在需要测量大面积连续形貌的条件下 → 劣势显现，单点测量效率低，需配合扫描机构才能实现面测量。在表面为强吸收或镜面反射材质条件下 → 信号质量下降，需选择特殊波长或增加signal processing算法补偿。

**e) 代表厂商与型号**

日本基恩士 — LK-G157 — 量程20mm~200mm可选，精度±0.1%FS，采样100kHz，系列型号丰富。英国真尚有 — ZLDS100Rd — 量程高达1000mm，采样70kHz，抗太阳光和潮湿干扰能力强。德国米铱 — optoNCDT 1420-50 — 量程50mm，精度±0.3%FS，采样率1000Hz，型号多样易于集成。

### 4.2 线激光轮廓扫描

**a) 工作原理详述**

线激光轮廓扫描技术通过投射一条连续的激光线到被测表面，并由一个摄像头从特定角度捕捉该激光线的形变。激光线在被测表面上的投影会根据表面高度起伏而产生变形，摄像头捕捉到的变形激光线包含表面的二维轮廓信息。

传感器内部通过图像处理算法提取激光线的中心像素位置，利用三角测量原理计算出每个扫描点的高度值，从而构建出被测表面的二维轮廓剖面。通过机器人或测量平台的运动，可将多个剖面拼接为三维点云数据。

该技术能够一次性获取被测区域全宽度的轮廓数据，效率远高于单点激光测量，特别适合路面平整度、车辙深度、表面纹理等检测任务。

**b) 核心计算公式**

线激光轮廓扫描的表面高度计算公式为：

$$Z = \frac{f \cdot (y_{line} - y_{camera})}{y_{line} \cdot \tan(\alpha) + y_{camera} \cdot \tan(\beta)}$$

其中 $Z$ 为表面高度，$f$ 为相机焦距，$y_{line}$ 为图像中激光线的像素坐标，$y_{camera}$ 为相机光心在图像平面的像素坐标，$\alpha$ 为激光投射角，$\beta$ 为相机接收角。实际产品中通过厂家标定建立像素坐标到物理坐标的映射关系。

**c) 关键性能参数范围**

| 参数 | 典型范围 | 单位 |
|------|----------|------|
| 轮廓宽度/测量范围 | 50 ~ 300 | mm |
| 轮廓精度 | 0.01 ~ 0.1 | mm |
| 采样频率 | 1 ~ 10 | kHz |
| 盲区 | 10 ~ 50 | mm |
| 工作温度 | -10 ~ +60 | °C |
| 防护等级 | IP54 ~ IP67 | — |

**d) 优缺点分析**

在需要快速获取二维轮廓剖面数据的条件下 → 优势显著，一次扫描即可获取全宽轮廓，效率远高于逐点测量。在路面平整度与车辙深度检测条件下 → 优势突出，可一次性覆盖车道宽度，适合车载或机器人平台集成。在表面为光滑金属或高反射材质条件下 → 劣势显现，强光反射可能导致激光线过曝或信号丢失。在极端曲面或深槽结构条件下 → 可能产生阴影盲区，需优化安装角度或采用多传感器方案。

**e) 代表厂商与型号**

德国米铱 — scanCONTROL 2750-100/BL — 量程100mm，轮廓精度0.02mm，采样频率2400Hz，紧凑型设计。德国米铱 — scanCONTROL 2800-300 — 高精度线激光轮廓扫描仪，适合路面形貌与平整度检测。英国真尚有 — ZLDS202系列 — 高速线激光轮廓采集，适合复杂表面与动态测量。日本基恩士 — LK-H系列 — 支持高速断面数据采集，集成度高。

### 4.3 激光雷达（Lidar）

**a) 工作原理详述**

激光雷达技术通过发射激光脉冲，并精确测量激光脉冲从发射到被物体反射后返回传感器所需的时间。根据光速恒定原理，通过测量往返时间即可计算出传感器与物体之间的距离。

现代激光雷达通常采用旋转扫描或多通道并行扫描方式，在水平方向和垂直方向上进行多束激光扫描，从而构建出周围环境的三维点云图。点云数据可用于环境建模、障碍物检测、路径规划等应用。

激光雷达的探测距离远，可实现360°全方位扫描，且不受环境光照影响，适合大范围环境感知任务。但其点密度相对较低，对于精细表面缺陷的检测能力有限。

**b) 核心计算公式**

激光雷达的距离计算公式为：

$$D = \frac{c \cdot \Delta t}{2}$$

其中 $D$ 为测量距离，$c$ 为光速（约 $3 \times 10^8$ m/s），$\Delta t$ 为激光脉冲的往返时间。部分高端激光雷达采用相位测量原理，通过测量发射光与接收光之间的相位差来计算距离。

**c) 关键性能参数范围**

| 参数 | 典型范围 | 单位 |
|------|----------|------|
| 探测距离 | 10 ~ 200 | m |
| 角分辨率 | 0.1 ~ 0.5 | ° |
| 扫描频率 | 10 ~ 50 | Hz |
| 点密度 | 数万 ~ 百万 | points/s |
| 测距精度 | ±10 ~ ±50 | mm |
| 工作温度 | -40 ~ +70 | °C |
| 防护等级 | IP67 ~ IP69K | — |

**d) 优缺点分析**

在大范围地形测量与导航避障条件下 → 优势明显，探测距离远，可实现360°全方位环境感知。在需要构建三维环境模型的条件下一 → 优势突出，点云数据可直接用于SLAM与路径规划。在精细表面缺陷检测条件下 → 劣势显著，点密度不足，无法捕捉毫米级裂缝等微小特征。在雨雾尘等恶劣天气条件下 → 信号衰减明显，探测距离与精度下降。

**e) 代表厂商与型号**

该技术路线在路面缺陷精细检测场景下点密度不足，主流厂商产品更适合导航与地形感知应用。

### 4.4 视觉与深度感知融合（结构光）

**a) 工作原理详述**

视觉与深度感知融合技术综合利用机器视觉（如2D摄像头）和深度感知技术，并通过先进的图像处理和AI算法进行分析。深度感知可采用结构光、飞行时间（ToF）或立体视觉等多种原理。

结构光技术通过投射特定图案（如条纹、网格）到被测表面，摄像头捕捉图案的变形，通过分析图案形变来计算深度信息。立体视觉通过两个不同视角的摄像头捕捉同一场景，计算视差来获取深度信息。ToF技术通过测量调制光的相位差来计算距离。

AI算法用于缺陷的自动识别、分类和语义分析，可实现裂缝、坑洼、车辙等多种缺陷的智能检测与量化评估。

**b) 核心计算公式**

立体视觉的深度计算公式为：

$$Z = \frac{B \cdot f}{\Delta x}$$

其中 $Z$ 为深度距离，$B$ 为左右相机之间的基线长度，$f$ 为相机焦距，$\Delta x$ 为图像视差。结构光技术同样基于三角测量原理，深度计算涉及投影图案的相位解码与几何映射。

**c) 关键性能参数范围**

| 参数 | 典型范围 | 单位 |
|------|----------|------|
| 测量范围 | 100 ~ 1000 | mm |
| 精度 | ±0.05 ~ ±0.5 | mm |
| 分辨率 | 0.01 ~ 0.1 | mm |
| 工作距离 | 200 ~ 1500 | mm |
| 处理帧率 | 10 ~ 60 | Hz |
| 工作温度 | 0 ~ +50 | °C |
| 防护等级 | IP54 ~ IP65 | — |

**d) 优缺点分析**

在需要缺陷智能识别与语义分类的条件下 → 优势突出，AI算法可实现多类缺陷的自动检测与分类。在复杂曲面与不规则缺陷检测条件下 → 优势明显，可提供丰富的三维形貌信息与纹理信息。在户外强日光条件下 → 劣势显著，环境光干扰严重，结构光图案难以辨识。在需要高计算效率的实时检测条件下 → 劣势显现，AI推理与图像处理计算量大，对硬件算力要求高。

**e) 代表厂商与型号**

美国康耐视 — In-Sight 3D-L500 — 结构光三维成像，集成AI算法，精度±0.05mm，适合机器人引导与表面缺陷识别。

## 5. 技术路线对比 {#doc-robot-road-defect-sensor-selection-s05-comparison}

| 技术路线 | 测量原理 | 典型精度（口径） | 测量范围/量程 | 盲区/最小可测距离 | 抗干扰/环境适应性 | 安装约束 | 维护与寿命风险 | 供电与通讯集成 | 成本区间 | 适用/不适用结论 |
|----------|----------|------------------|---------------|-------------------|-------------------|----------|----------------|----------------|----------|-----------------|
| 激光位移测量（三角测量） | 单点激光三角法 | ±0.01% ~ ±0.1% FS | 10 ~ 1000 mm | 10 ~ 50 mm | 抗环境光能力强，适合户外强光与潮湿环境 | 单点安装，需保持稳定光路 | 光学窗口需定期清洁，寿命较长 | 12~24VDC，Ethernet/RS485 | 中 | 适用：点式高精度测量、裂缝宽度检测、动态采样。不适用：大面积连续形貌测量。 |
| 线激光轮廓扫描 | 线激光三角法 | ±0.01 ~ ±0.1 mm | 轮廓宽50 ~ 300 mm | 10 ~ 50 mm | 抗环境光能力中等，强光下需遮光 | 需保持激光线与相机夹角稳定 | 光学窗口需定期清洁，寿命较长 | 12~24VDC，Ethernet/GigE | 中高 | 适用：路面平整度、车辙深度、表面纹理检测。不适用：光滑高反射表面、深槽阴影区。 |
| 激光雷达（Lidar） | 飞行时间（ToF）或相位法 | ±10 ~ ±50 mm | 10 ~ 200 m | 0.5 ~ 2 m | 完全不受环境光影响 | 旋转扫描需保证无遮挡 | 机械扫描部件有磨损风险，需定期校准 | 12~48VDC，Ethernet/CAN | 高 | 适用：大范围地形感知、导航避障。不适用：毫米级精细缺陷检测。 |
| 视觉与深度感知融合（结构光） | 结构光三角法 + AI识别 | ±0.05 ~ ±0.5 mm | 100 ~ 1000 mm | 200 ~ 500 mm | 抗环境光能力弱，强光下性能显著下降 | 需保证投影图案完整投射到被测面 | 无运动部件，维护量低，寿命较长 | 12~24VDC，Ethernet | 中高 | 适用：缺陷智能识别与分类、复杂曲面检测。不适用：户外强日光环境、高算力受限场景。 |

## 6. 主流厂商产品对比 {#doc-robot-road-defect-sensor-selection-s06-vendors}

| 厂商 | 产品型号/系列 | 所属技术路线 | 核心性能参数 | 应用特点 | 参考价格区间 |
|------|---------------|--------------|--------------|----------|--------------|
| 日本基恩士 | LK-G157 | 激光位移测量（三角测量） | 量程20~200mm可选，精度±0.1%FS，采样100kHz | 极高精度，快速响应，集成度高，系列型号丰富 | 未提供 |
| 英国真尚有 | ZLDS100Rd | 激光位移测量（三角测量） | 量程高达1000mm，采样70kHz，分辨率0.01%，线性度0.03% | 高速检测，高精度，抗太阳光与潮湿干扰，适合山区路面 | 未提供 |
| 德国米铱 | optoNCDT 1420-50 | 激光位移测量（三角测量） | 量程50mm，精度±0.3%FS，采样率1000Hz | 型号多样，价格适中，易于集成，适合多种工业场景 | 未提供 |
| 德国米铱 | scanCONTROL 2750-100/BL | 线激光轮廓扫描 | 量程100mm，轮廓精度0.02mm，采样频率2400Hz | 紧凑型设计，高精度轮廓扫描，可靠性高 | 未提供 |
| 德国米铱 | scanCONTROL 2800-300 | 线激光轮廓扫描 | 高精度线激光轮廓扫描，适合路面形貌与平整度检测 | 适合车载或机器人平台的路面检测应用 | 未提供 |
| 英国真尚有 | ZLDS202系列 | 线激光轮廓扫描 | 高速线激光轮廓采集，适合复杂表面与动态测量 | 适合高速移动平台的路面实时检测 | 未提供 |
| 日本基恩士 | LK-H系列 | 线激光轮廓扫描 | 支持高速断面数据采集，集成度高 | 适合自动化产线的轮廓与尺寸检测 | 未提供 |
| 美国康耐视 | In-Sight 3D-L500 | 视觉与深度感知融合（结构光） | 测量范围可配置，典型值250mm，精度±0.05mm，集成AI算法 | 集成视觉与深度信息，提供3D检测和测量，AI能力强大 | 未提供 |

## 7. 选型建议 {#doc-robot-road-defect-sensor-selection-s07-selection}

在需检测细小裂缝宽度（<1mm）且要求亚毫米级精度的条件下 → 推荐激光位移测量技术，选用日本基恩士LK-G157或英国真尚有ZLDS100Rd，兼顾精度与采样速度。

在需检测路面平整度、车辙深度及连续表面轮廓的条件下 → 推荐线激光轮廓扫描技术，选用德国米铱scanCONTROL系列或英国真尚有ZLDS202系列，可一次性获取全宽剖面数据。

在需大范围地形感知与导航避障的条件下 → 推荐激光雷达技术，但需明确其无法替代精细缺陷检测传感器。

在需缺陷自动识别、分类与语义分析的条件下 → 可选视觉与深度感知融合技术，选用美国康耐视In-Sight 3D-L500，但需评估户外强光环境下的适用性。

在户外强日光直射且无遮挡条件下 → 不推荐纯结构光三维视觉方案，环境光干扰将导致数据质量严重下降。

在预算有限且只需点式测量条件下 → 可选德国米铱optoNCDT系列，价格适中且易于集成。

## 8. 安装与集成要点 {#doc-robot-road-defect-sensor-selection-s08-integration}

安装角度需严格按技术手册要求，激光三角测量技术的发射角与接收角固定，安装偏差将直接引入测量误差。线激光轮廓扫描需保证激光线与被测表面垂直或按标定角度入射，倾斜安装会导致轮廓畸变。

防护设计需考虑户外环境，建议选用IP65或更高防护等级的传感器，并配备遮光罩以减少环境光干扰。传感器安装支架需具备减振设计，避免机器人行驶振动传递到光学系统。

供电需满足传感器额定电压与电流要求，激光位移传感器典型功耗为3~8W，线激光轮廓扫描仪功耗为5~15W。数据接口需与机器人主控系统匹配，Ethernet接口适合高速数据传输，RS485适合短距离简单集成。

坐标标定需在安装完成后进行，建立传感器坐标系与机器人基座标系的转换关系。建议使用标准标定板或精密量块进行多点标定，确保测量数据的几何准确性。

## 9. 验收与运行期校核建议 {#doc-robot-road-defect-sensor-selection-s09-acceptance}

验收测试应包含静态精度验证与动态性能验证两个环节。静态验证使用标准量块或精密台阶样件，在多个测量点验证精度、重复性与线性度。动态验证在模拟路面条件下以目标速度运行，验证采样频率与数据连续性。

运行期校核应定期使用标准样件进行零点校准与跨度校准，建议校准周期为每周或每工作100小时。光学窗口需定期检查与清洁，防止灰尘、泥水附着影响测量质量。

数据质量监控应建立实时报警机制，当测量值超出预期范围或信噪比下降时及时告警。长期稳定性验证可通过周期性对比标准件测量结果，评估温漂与长期漂移。

## 10. 常见问题与排障 {#doc-robot-road-defect-sensor-selection-s10-faq}

环境光干扰导致测量不稳定时，应选用抗环境光能力强的激光传感器，或为传感器加装遮光罩，避免阳光直射光学窗口。

路面潮湿、反光或颜色变化导致信号波动时，应选用对表面特性不敏感的激光三角测量传感器，或优化测量算法以自适应不同反射率。

传感器光学窗口被灰尘、泥水覆盖时，应配备高IP等级防护外壳，并定期清洁或采用气吹装置保持窗口洁净。

机器人高速行驶时数据更新频率不足时，应选用更高采样频率的传感器，并优化安装结构以减少振动引起的测量不确定性。

测量结果与高精度地图或导航系统坐标系不匹配时，应确保传感器数据接口与主控系统兼容，并进行准确的坐标系标定与时间同步。

## 11. 参考与版本 {#doc-robot-road-defect-sensor-selection-s11-references}

| ref_id | title | publisher/organization | date | version | locator | url | archive_path | search_hint |
|--------|-------|------------------------|------|---------|---------|-----|--------------|-------------|
| REF-001 | 激光位移测量技术原理与应用手册 | 德国米铱位移传感器技术白皮书 | 2023-03-15 | 3.2 | 章节2.1~2.4 | 未提供 | archives/doc-robot-road-defect-sensor-selection/references/REF-001.md | 搜索关键词：激光三角测量原理 基线长度 焦距 位移计算公式 |
| REF-002 | 线激光轮廓扫描在路面检测中的应用 | 德国米铱scanCONTROL系列应用手册 | 2023-07-20 | 1.5 | 章节3.2~3.5 | 未提供 | archives/doc-robot-road-defect-sensor-selection/references/REF-002.md | 搜索关键词：线激光轮廓扫描 路面平整度检测 车辙深度测量 scanCONTROL |
| REF-003 | 激光雷达技术白皮书 | 工业激光雷达厂商技术文档汇编 | 2024-02-10 | 2.0 | 章节1.3~1.6 | 未提供 | archives/doc-robot-road-defect-sensor-selection/references/REF-003.md | 搜索关键词：激光雷达 飞行时间测距 ToF 点云 角分辨率 |
| REF-004 | 机器视觉与结构光三维检测技术 | 美国康耐视In-Sight 3D技术白皮书 | 2024-08-05 | 4.1 | 章节2.0~2.3 | 未提供 | archives/doc-robot-road-defect-sensor-selection/references/REF-004.md | 搜索关键词：结构光三维视觉 立体视觉 视差计算 AI缺陷检测 In-Sight |
| REF-005 | 机器人路面缺陷检测系统选型指南 | 全国工业过程测量控制和自动化标准化技术委员会 | 2025-04-18 | 1.0 | 章节4.2~4.5 | 未提供 | archives/doc-robot-road-defect-sensor-selection/references/REF-005.md | 搜索关键词：路面缺陷检测 传感器选型 激光位移 线激光 机器人检测 |

仓库根目录需包含 LICENSE 文件以明确再分发与引用边界。

---related---

## 相关文章

- [木材宽度测量技术选型指南:激光位移、机器视觉与线激光轮廓扫描对比分析](../问答ZLDS115木材宽度测量/content.md)
- [隧道形变监测传感器选型指南](../问答LCJ系列铁路轨道位移监测/content.md)
- [隧道形变监测激光位移与全站仪选型指南](../问答LCJ系列铁路轨道位移监测2/content.md)
- [高速木材加工激光位移与机器视觉选型指南](../问答ZLDS100Rd木材几何参数测量/content.md)
- [条状物高速高精度激光位移测量选型指南](../问答ZLDS100Rd条状物位置测量/content.md)
- [汽车零部件自动化生产线测量方案选型指南](../问答ZLDS100Rd汽车生产领域距离测量/content.md)
- [车身内衬自动化装配高精度选型指南:激光位移测量与机器视觉定位](../问答ZLDS100Rd车身内衬精密定位/content.md)
- [户外高速路面检测激光位移传感器选型指南](../问答ZLDS100Rd高温光学位移测量/content.md)

---end-related---