在上一篇行业综述中，我们从宏观视角梳理了智驾与机器人视觉相机的行业现状、硬件品类与未来发展趋势。我们知道，相机是感知系统的语义核心，但不同类型相机的成像逻辑、测距原理、硬件架构完全不同。
很多人只知道相机能够采集画面，但不清楚为什么不同方案成本差距悬殊，室内设备偏爱结构光、户外设备多用双目，单目相机需要依靠BEV模型估算深度，而3D相机可以直接获取物体距离。
本篇从底层技术原理出发，系统性拆解机器人、自动驾驶领域四大主流视觉方案：单目RGB、双目立体视觉、结构光3D相机、ToF飞行时间相机。从成像逻辑、技术本质、优缺点、工程取舍、适配场景全方位做底层拆解。
一、2D视觉：单目RGB相机（最基础、量产最大）
1. 核心原理
单目相机成像遵循小孔成像模型。
通过CMOS感光芯片接收环境反射光线，将三维真实场景，投影压缩为二维像素平面。
画面纹理信息完整，但成像过程会丢失深度维度。
单目设备本身无法直接获取物体距离，目前车载、机器人方案里的单目深度信息，全部依靠算法推理实现：结合纹理尺寸、物体遮挡关系、地面几何先验与大数据训练后的AI模型拟合估算距离。
2. 技术优势
结构最简单、成本极低，模组体积小巧，安装适配性强；
分辨率上限高，画面纹理细腻，物体分类、标识识别等语义任务表现突出；
标定流程简单，设备长期运行稳定性高，故障概率低；
常规光照环境下通用性强，适配绝大多数感知场景。
3. 底层天生缺陷
不存在原生深度数据，距离数值依靠模型推算，远距离场景误差明显；
白墙、平整空地、天空等弱纹理区域，深度推理容易失效；
存在尺度混淆问题，容易混淆近处小物体与远处大物体；
无法独立完成高精度避障、三维建图、精准测距工作。
4. 工程适用场景
自动驾驶：前视主摄、侧方补盲相机、环视泊车摄像头；
机器人：纯视觉SLAM、标识识别、环境画面监控；
实际落地中一般搭配BEV深度模型或激光雷达弥补深度短板。
二、2.5D视觉：双目立体相机（机器视觉通用方案）
1. 核心原理
设计逻辑模仿人眼视差原理。
两台参数完全一致、同步触发拍摄的相机保持固定基线间距，同步采集同一帧场景画面。算法匹配左右画面内相同物体的像素坐标，计算像素之间的视差差值，依靠三角几何公式直接换算真实物理深度，不需要借助AI模型估算。
基础逻辑：视差数值越大，物体距离设备越近；视差数值越小，物体距离设备越远。
2. 技术优势
依靠物理计算生成深度，数据可信度高于单目AI估算；
可输出稠密深度图，同时保留RGB纹理与深度两类信息；
属于被动视觉方案，无需主动发射光源，室内外场景均可使用；
无强光红外光源干扰问题，户外环境鲁棒性较好。
3. 核心缺陷（工程痛点）
工作效果高度依赖环境纹理
纯白墙面、纯色地面、大雾天气等低纹理场景，像素匹配点大量消失，深度计算直接失效。算力消耗偏高
需要完成立体校正、逐像素匹配、视差优化整套流程，对嵌入式设备算力有一定要求。标定维护要求严苛
设备震动、镜头热变形、模组松动都会改变基线参数，深度精度会快速下降。
4. 工程适用场景
室外巡检机器人、无人机、户外移动设备；
不允许加装主动光源、追求纯被动视觉的项目；
NAV2室内小车，作为激光雷达之外的辅助定位感知设备。
三、3D视觉：结构光相机（室内测距高精度方案）
1. 核心原理
归类为主动式3D视觉设备。
设备主动向外投射带有固定编码的光斑、条纹或网格图案，光线接触物体表面后发生形态形变。接收相机采集畸变后的图案，结合预设编码规则与三角测距算法，解算出完整的物体三维外形与对应深度数值。
简单理解：设备主动制造人工纹理，即使纯白无纹理环境，也能提供可供匹配的特征点。
2. 技术优势
无灯光黑暗环境下也能稳定完成测距，不依赖环境自然光；
白墙、纯色桌面等无纹理场景可以正常工作；
近距离测距精度可达毫米级别；
输出深度图细节丰富，适合三维重建、精密抓取任务。
3. 硬性短板
设备无法在太阳光环境稳定工作
自然光包含大量红外杂光，会覆盖、冲刷设备投射的编码光斑，户外场景下测距功能直接失效。
除此之外，有效测距距离短，模组整体成本、体积都高于普通双目相机。
4. 工程适用场景
仅适配室内环境
人形机器人机械臂精准抓取；
室内物体三维扫描、场景重建；
人脸识别门禁、室内静态高精度测距设备。
四、3D视觉：ToF飞行时间相机（动态感知低成本方案）
1. 核心原理
同样属于主动式3D视觉。
发射端输出高频调制红外光线，光线接触物体后折返，芯片记录光线发射与接收的时间差、相位差，结合光速参数直接换算物体距离。
不需要像素匹配、纹理分析等复杂运算，依靠光的传播速度直接得出深度。
2. 技术优势
图像帧率高，信号响应速度快，适配高速动态避障；
后端处理算法简单，算力消耗低，适配低端嵌入式硬件；
无光黑暗场景可以稳定运行，不受环境纹理缺失影响；
硬件结构简化，整体采购成本低于结构光设备。
3. 技术缺陷
深度图分辨率偏低，物体细节还原能力弱，仅能识别大致轮廓；
测距精度会随距离增加明显衰减；
多台同规格设备近距离同时工作时，容易出现红外串光干扰；
户外强光环境下，红外信号容易被自然光抵消。
4. 工程适用场景
扫地机器人、仓储AGV近距离快速避障；
算力资源有限的小型嵌入式设备；
近距离人体感应、简易测距场景。
五、四大视觉方案横向对比（工程选型参考）
1. 单目RGB
优点：画面成像效果好，语义识别能力强，采购成本低，设备运行稳定
缺点：无原生深度数据，依靠AI推算，远距离测距误差大
定位：自动驾驶主力感知设备，侧重环境语义识别，搭配BEV模型弥补深度短板
2. 双目立体视觉
优点：被动式物理测距，精度可靠，室内外通用，无主动光源干扰
缺点：低纹理场景失效，算力需求更高，日常标定维护繁琐
定位：户外机器人、无光源限制场景下的高精度纯视觉方案
3. 结构光
优点：室内测距精度上限高，无光、无纹理环境均可正常工作
缺点：太阳光环境完全失效，测距距离短，硬件成本偏高
定位：室内三维重建、人形机器人精密抓取场景专用设备
4. ToF
优点：响应延迟低、算力需求小、黑夜环境稳定，硬件成本可控
缺点：深度细节表现力差，远距离精度不足，多机容易互相干扰
定位：低成本设备近距离动态避障、简易测距场景
六、工程落地最终选型逻辑
侧重语义识别、大规模量产、长期稳定运行，优先选择单目RGB搭配BEV大模型；
户外场景、需要纯视觉原生物理深度，优先选择双目视觉；
室内场景、毫米级高精度抓取与三维建模，优先选择结构光；
硬件算力有限、仅需要近距离快速动态测距，优先选择ToF。
七、总结
2D与3D视觉设备不存在绝对优劣，只存在场景适配的区别。
单目设备的核心作用是识别环境内物体与标识；双目设备负责在户外场景完成可靠测距；结构光设备主打室内高精度三维感知；ToF设备满足低成本、低延迟的近距离测距需求。
高阶自动驾驶、高端移动机器人的成熟方案不会单独依赖某一类视觉硬件，而是采用多类视觉设备互补，搭配激光雷达融合感知，再通过BEV框架统一空间建模，弥补各类相机本身的固有短板，实现全天候、全场景稳定感知。