从IMU到LiDAR，无人机为何需要一套“感知底座”？

摘要：低空经济正在把无人机从“飞行的照相机”，变成能够进入仓库、楼宇、农田、火场、城市物流和eVTOL等复杂场景的任务型空中机器人，传感与导航芯片的价值也因此从单点器件升级为场景适应能力。

导语：从射频到“大脑”，无人机还缺一套“感知与导航底座”

在此前两篇关于无人机芯片的文章中，作者已经分别讨论了两条正在被低空经济重塑的芯片价值链：

第一篇《从Qorvo到康希，无人机开始有自己的射频芯片了？》，关注的是无人机的通信与射频链路：当无人机从消费航拍走向工业巡检、物流配送、集群作业和更远距离的低空飞行，射频前端、功放、滤波器、低噪声放大器和卫星/GNSS相关器件，不再只是借用手机、Wi-Fi和通信设备供应链，而开始出现更明确的无人机场景需求。

第二篇《从STM32到Jetson，为何无人机统一不了“大脑”？》，讨论的是无人机的计算与控制芯片：从飞控MCU、任务处理器、AI计算平台到边缘计算模块，无人机内部并不存在一颗能够统一所有任务的“大脑”。飞行控制、路径规划、视觉识别、云台控制、载荷处理和边缘AI，往往由不同层级的计算芯片共同承担。

如果说射频解决的是“连得上、传得远”，计算与控制解决的是“怎么算、怎么飞”。当无人机真正进入低空经济，还会遇到第三个问题：它能不能看清环境、知道自己在哪里，并判断能不能继续靠近目标。

这正是本文要讨论的第三条芯片价值链：无人机传感与导航芯片。

一架消费级无人机，在公园、海边或山顶飞行时，最重要的是飞得稳、拍得清、传得回。但低空经济真正要解决的问题，不是在开阔天空中多飞几公里，也不是把航拍画面拍得更漂亮，而是让无人机进入过去很难自动化作业的真实产业现场：仓库、楼宇外墙、光伏电站、油气场站、农田、火场、城市社区，以及未来的eVTOL航线。

这些地方并不“适合飞”。仓库里没有稳定GPS，无人机要在高货架和窄通道之间盘点库存；玻璃幕墙会反射强光，楼宇巡检无人机要贴近外立面飞行，还要避免把反光、阴影和裂缝混在一起；电力、油气和光伏巡检不是拍几张照片，而是要识别发热点、热斑、泄漏风险和结构变化；农业植保不只是把农药喷下去，还要判断作物长势、地形起伏和喷洒距离；消防救援会遇到夜间、烟雾、高温和遮挡，普通可见光相机很快就不够用；城市物流真正困难的也不是飞到小区上空，而是最后几十米能不能识别降落点、避开人车树线，并安全完成投放；到了eVTOL，传感与导航更不只是“好不好用”，而是要走向冗余、可靠和可认证。

因此，本文把视角放在无人机进入复杂场景所需要的“感知与导航底座”上：IMU、陀螺仪、加速度计、磁力计、气压计，GNSS、RTK和GNSS/INS组合导航，CIS图像传感器、红外热成像，ToF/dToF、LiDAR、毫米波雷达，多光谱、环境光传感器、主动光源，以及VIO、LiDAR SLAM、Sensor Hub和多传感器融合。在无人机领域，传感器正在从单颗器件的孤立升级，转向可量产、可标定、可验证、可长期运行的感知与导航系统。

无GPS的地方，才最先考验无人机的感知能力

低空经济的第一批真实应用，先发生在更低、更窄、更难飞的地方：仓库货架之间、地下管网内部、下水道、罐体和封闭厂区。

IKEA（宜家）与Verity的合作是一个典型样本。截至2024年，IKEA已有超过250架无人机在9个国家的73个地点运行，用于库存检查，并进一步推进24/7仓储作业模式。这个案例证明无人机可以进入高货架、窄通道、人机混行的仓储现场，持续把物理库存变成可计算的数据资产。

On Running与Verity、GEODIS与Gather AI的案例进一步说明，仓储无人机已经从一次性盘点工具，走向连续库存可视化系统。Verity称其方案已经在80多个仓库中执行每月数百万次全自主库存检查；Gather AI的客户案例则显示，GEODIS使用无人机平台后，系统可以把操作员直接引导到错放托盘的最后已知位置。

仓库场景的技术难点可以拆成三层。第一层是“定位缺失”：GNSS/RTK在室内不可用，无人机需要IMU、VIO、UWB或LiDAR SLAM提供连续定位。

第二层是“近距离安全”：货架密集、通道狭窄，普通摄像头很难直接给出可靠距离，需要ToF/dToF、短距LiDAR或超声波补充。

第三层是“识别与复核”：盘点不是看见货架就结束，还要确认条码、RFID、货位状态和异常位置，因此CIS、全局快门CIS和扫码模组会进入系统。

这也解释了为什么仓储盘点首先考验传感与导航芯片，而不是单纯考验飞控。这些场景没有开阔天空，也没有稳定GNSS信号。

无人机必须依靠自身传感器判断姿态、速度、距离和位置漂移：IMU负责短时间姿态和运动估计，CIS负责识别货架、条码和货位，ToF或短距LiDAR负责判断与货架、墙面和障碍物之间的距离，VIO和SLAM则帮助无人机在没有GPS的空间里建立自己的位置感。

地下和封闭空间巡检把这一问题推得更极端。Flyability Elios 3与Veolia的下水道巡检中，无人机被用于减少巡检成本和时间，并提升工人安全性；Academy Geomatics使用Elios 3进行英国地下下水道测绘，实现零人员进入受限空间巡检，并达到约20毫米精度。这里没有GNSS，也不一定有稳定照明，空间狭窄，还可能有危险气体。

这种架构也把供应链竞争带到了一个更现实的层面。IMU/MEMS方向，Bosch、TDK、ADI、Epson仍是仓储无人机和机器人常见的国际供应商，优势在于稳定性、生态和高端产品积累；国产厂商包括芯动联科、矽睿、深迪、美新、敏芯等，正在从消费电子和机器人向工业级应用爬坡。

ToF/dToF方向，ST、ams OSRAM、Melexis、TI具备成熟器件和生态，国内则更多从3D视觉、机器人切入，奥比中光、灵明光子等具备迁移基础。LiDAR和短距测距方向，Ouster、RIEGL、LightWare代表国际方案，北醒、Livox、禾赛、速腾则在低成本、轻量化、机器人级LiDAR和测距模块上已有基础。

工业巡检：无人机从拍照工具变成检测系统

工业巡检是无人机最早证明商业价值的场景之一，但它正在发生一个关键变化：无人机不再只是“飞过去拍几张照片”，而是开始成为远程检测、异常识别和资产数字化的一部分。

这一区别很重要。航拍强调画面，巡检强调证据。楼宇外立面有没有裂缝、渗水和空鼓，电力设备有没有异常发热，光伏组件有没有热斑，油气设施有没有泄漏风险，炼厂烟囱温度是否异常，这些问题不是普通可见光相机单独就能回答的。工业巡检要求无人机把“看见”变成“可判断的数据”，也因此对CIS、红外热成像、LiDAR、GNSS/RTK、GNSS/INS和毫米波雷达提出了要求。

楼宇外立面巡检是最容易被低估的一个场景。表面上看，它只是让无人机沿着墙面拍摄；实际操作中，玻璃幕墙、强光逆光、深阴影、重复纹理、高空风扰和贴近飞行，会同时挑战成像、定位和避障能力。

这正是工业CIS开始区别于消费级摄像头的地方。楼宇巡检需要的不只是更高像素，而是更稳定的机器视觉输入：全局快门CIS用于减少高速运动或机身振动带来的图像变形；HDR CIS用于处理强光、逆光和深阴影；低照度或NIR增强CIS用于夜间、阴影和弱光环境；高分辨率CIS与变焦模组用于识别裂缝、渗水和外墙缺陷；ToF、LiDAR和毫米波雷达则负责判断无人机与墙面的距离，降低贴近飞行风险。

供应链格局也因此变得清晰。Sony、onsemi、OMNIVISION、Teledyne e2v、Gpixel仍然是工业CIS和机器视觉图像传感器的重要供应商；国产方向则包括思特威、长光辰芯、格科微等。差距不只在单颗芯片参数，也在模组、镜头、ISP、接口、标定和长期供货能力。如果说消费无人机看重“拍得好”，行业无人机更看重“看得稳、看得准、能给算法用”；因此CIS竞争重点会从像素和画质，转向全局快门、HDR、低照度、NIR/SWIR和模组生态。

电力、油气和光伏巡检则进一步放大了红外热成像的价值。可见光可以看到外观，但很多工业缺陷首先表现为温度变化。电力设备异常发热、光伏组件热斑、油气设施异常、管线状态变化，都很难只靠普通图像判断。

这也是为什么红外热成像会成为行业无人机的重要载荷。红外探测器和热成像机芯负责识别发热点、光伏热斑和火点；高分辨率CIS和长焦模组负责远距离识别结构细节；GNSS/RTK、GNSS/INS和IMU负责重复巡检和路径对比；LiDAR和摄影测量负责建立杆塔、管线、光伏阵列的空间关系；毫米波雷达则在雨雾、粉尘和复杂天气中提供冗余感知。

从真实项目看，这种组合已经不是概念。PG&E与Skydio的远程电力资产巡检，说明电力巡检正在从“飞手带无人机到现场”转向“无人机机场+远程作业”；对应的传感与导航芯片需求包括高可靠IMU、GNSS/RTK、视觉避障、热成像、变焦CIS和多传感器融合。

油气和炼厂场景则更强调异常检测和远程化。Chevron与Percepto的油气场站自主巡检案例，已经把AI远程巡检、甲烷泄漏检测、光学气体成像和实时AI识别结合起来；Delek US与Percepto的炼厂BVLOS自主巡检，则覆盖管线、浮顶罐、烟囱温度、泄漏和安全巡检，并可自动告警异常。这说明工业无人机传感系统已经不只是可见光相机，而是开始把CIS、红外探测、气体成像、GNSS/INS和避障传感器组合起来。

光伏场景同样如此。大型光伏电站面积大、组件多、人工巡检效率低，热斑和组件缺陷又需要更稳定的数据采集。EGAT与Percepto的大型漂浮光伏电站监测案例，覆盖约250英亩水上光伏场景，适合说明大型能源资产对热斑检测、面板缺陷识别、线缆和变压器巡检的需求。这类场景会拉动红外热成像、CIS、RTK定位、自动航线规划和多传感器数据管理。

从供应链看，红外热成像是国产厂商相对更有基础的方向。国际供应商包括Teledyne FLIR、Lynred、Leonardo、Hamamatsu；国内则有高德红外、睿创微纳、海康微影、富吉瑞等。国产红外链条较强，已经具备探测器、机芯和行业方案基础。LiDAR方面，高端测绘仍看RIEGL、Ouster、LightWare等厂商，但Livox、禾赛、速腾、北醒在成本、机器人级和工业巡检场景中有机会；GNSS/RTK方面，u-blox、Septentrio、Trimble、NovAtel仍是国际代表，和芯星通、司南导航、华大北斗、北云科技则代表国产高精度定位链条。

笔者认为，毫米波雷达在工业巡检中的角色则更像“安全冗余”。它不会替代CIS和LiDAR，但在雨雾、粉尘、强光、夜间和低能见度条件下，可以补充距离、速度和障碍物信息。对于贴近楼宇、光伏阵列、电力设施或油气设备飞行的无人机来说，冗余感知并不是锦上添花，而是让自动化巡检从演示走向常态化运营的前提。

因此，工业巡检推动的是一套传感器组合，而不是某一类芯片的单点替代。供应商竞争也因此从单颗传感器参数，走向“能否被集成为稳定、可标定、可长期运行的行业巡检系统”。

从喷洒、救援到配送，无人机开始变成“任务型系统”

如果说工业巡检让无人机从“拍摄工具”变成“检测工具”，那么农业、消防和城市物流则进一步把无人机推向“任务型系统”。它们的共同点是：无人机要在复杂环境中完成判断、执行和反馈。

农业无人机过去常被理解为喷药机。它的价值似乎来自载药量、续航、喷幅和作业效率。但精准农业正在改变这一逻辑。无人机不再只是把农药、肥料或种子从空中撒下去，而是要判断作物长势、发现病虫害线索、识别地形起伏、控制喷洒距离，并在不同光照条件下保持数据可比性。农业无人机的升级方向不是“喷得更多”，而是从喷洒工具变成作物数据采集与精准作业平台。

这就是多光谱传感器和环境光传感器进入无人机的原因。可见光相机可以拍出田块画面，但作物长势、叶片状态、病虫害早期线索和营养状态，往往需要通过不同波段的反射差异来识别。多光谱或高光谱载荷提供的是“作物状态数据”，环境光和光谱校准传感器则用于修正不同时间、不同天气、不同光照条件带来的偏差。没有这类校准，同一块农田在上午、下午、晴天和阴天采集的数据就很难直接比较。

RTK和IMU在农业场景中的价值也很直接。精准农业强调重复航线和作业精度，如果无人机今天喷一遍、明天复查一次，位置误差过大，数据和作业就难以闭环。GNSS/RTK负责厘米级定位，IMU负责姿态和短时运动估计，气压计、LiDAR、ToF或毫米波雷达则用于地形跟随和定高飞行。山地、丘陵、果园、梯田这些场景，并不是平整农田，无人机必须知道自己离地面、树冠或作物有多远，才能控制喷洒距离和飞行安全。

DJI Agriculture的案例里，合作伙伴使用多光谱侦察识别田间杂草，再将处方图发送给Agras无人机进行精准喷洒；XAG与拜耳展示的果树方案则强调AI和3D飞行模式，用于山地、丘陵、梯田等复杂地形的果树作业，通过三维高清地图识别果树位置和大小，再进行精准作业。

对应到供应链，多光谱载荷的国际代表包括MicaSense、Sentera以及DJI多光谱生态，国内则可以关注长光禹辰、奥谱天成、大疆农业生态。RTK/GNSS方面，u-blox、Trimble、Septentrio是国际代表，和芯星通、司南、华大北斗、北云等国产厂商具备较强本土化基础。地形感知则会给北醒、纳雷、Livox等LiDAR、毫米波雷达和测距模块厂商带来机会。

消防和应急救援则是另一种逻辑。农业场景关注“看懂作物”，消防场景关注“在看不清的时候仍然获得可用信息”。夜间、水域、火场、危化品事故、烟雾、高温、遮挡和复杂建筑结构，会让普通可见光相机迅速失效。

美国俄克拉荷马城警方和消防部门使用带热成像能力的Skydio无人机，在水上救援等场景中快速搜索大范围区域；Southern Manatee Fire Rescue的HazMat团队则使用DJI无人机，并配合热成像和变焦相机进行危化品场景判断，帮助团队从安全距离确认危险状况。

相比普通巡检，消防救援对传感系统的要求更强调冗余：可见光、红外、雷达、LiDAR和惯性导航之间需要互相补位。红外、雷达、LiDAR和IMU的组合，决定了无人机能否在危险场景里成为“远程感知节点”。

城市物流遇到的是同一个问题：复杂环境下的可靠感知。无人机配送的难点不只是从A点飞到B点，而是最后几十米。它要识别降落点，避开人、车、树、线缆和临时障碍，处理城市峡谷带来的GNSS多路径，还要完成精准投放或安全降落。城市物流不是单一导航问题，而是连续定位、末端识别、动态避障和冗余安全的系统问题。

Wing + Walmart、Zipline、Matternet + NHS/Apian等案例说明，无人机配送已经进入商用验证乃至规模化运营阶段，但其核心能力是长航程导航、路径冗余、精准投放/降落、健康监测和高可靠运行。特别是在医疗配送中，早期商用场景往往不是外卖，而是医院样本、药品和关键医疗物资，因为它们时间敏感、价值高、路线相对固定。因此，城市物流会同时拉动GNSS/INS、IMU、VIO、CIS、ToF、LiDAR、毫米波雷达和Sensor Hub。

eVTOL与低空数字孪生：无人机感知系统的高端赛场

最后 ，如果说仓储、巡检、农业和物流已经让无人机传感与导航从“单颗器件”走向“组合能力”，那么eVTOL和低空数字孪生则会把这种竞争进一步推向系统级。

eVTOL首先改变的是安全要求。普通行业无人机可以围绕任务效率优化；但载人低空交通要求长期可靠、多重冗余、故障可检测、系统可验证，未来还可能涉及适航认证。eVTOL的传感与导航需求归纳为高可靠姿态和定位、复杂起降与障碍物探测、高度/空速/环境判断，以及冗余和健康监测。

高性能IMU和GNSS/INS要提供可靠的位置、速度和姿态信息；CIS、LiDAR和毫米波雷达要服务于起降、避障和周边环境感知；气压、空速和环境传感器要补充飞行状态判断；Sensor Hub和融合算法则要把多路传感器数据变成可验证的系统状态。

这也拉开了供应链层级。高性能IMU/INS方向，Honeywell、ADI、Safran、VectorNav、SBG等国际厂商仍有优势；国产厂商如芯动联科等正在爬坡，但战术级、航空级应用仍需要更长周期验证。高可靠雷达和LiDAR方面，Echodyne、Ainstein、RIEGL、Ouster代表国际成熟路线，国产LiDAR和毫米波雷达已有基础，但适航级应用还需要系统验证周期。红外、SWIR/MWIR和融合方案也是类似逻辑：国产红外在非制冷热成像上较强，但高端SWIR/MWIR、航空级冗余感知和认证生态仍是短板。

低空数字孪生则从另一个方向提高了传感与导航门槛。它是让无人机成为城市三维数据采集入口，把建筑、道路、管线、绿地和低空航线转化为可计算模型。为实现这一点，无人机需要LiDAR采集点云，需要高分辨率CIS采集纹理和影像，需要RTK、GNSS/INS完成地理配准，需要IMU做姿态补偿，还需要时间同步模块和Sensor Hub保证多传感器数据一致性。

在这个场景中，供应链竞争同样不是简单的硬件堆叠。测绘LiDAR方面，RIEGL、Ouster和Trimble生态仍代表高端测绘能力，国产Livox、禾赛、北醒具备性价比和工程化机会；RTK/GNSS/INS方面，Trimble、Septentrio、u-blox、SBG是国际代表，华测、中海达、司南、和芯星通、北云等国产高精定位链条成熟度较高；航测CIS和相机方面，Sony、Gpixel、Teledyne e2v仍在高端影像领域具备优势，国产长光辰芯、舜宇等需要在传感器、镜头、模组和标定能力上持续积累。

总的看来，在无人机领域国产传感器的机会不是简单的“全面替代”，而是分层突破。第一层，是已经具备较强基础的方向，包括GNSS/RTK、红外热成像、LiDAR/测距、毫米波雷达模组和多光谱载荷；第二层，是正在爬坡的方向，包括高性能MEMS IMU、工业级CIS、ToF/dToF与3D视觉、主动光源/VCSEL；第三层，是仍需长期突破的方向，包括战术级/航空级IMU、高可靠GNSS/INS、高端SWIR/MWIR探测器、eVTOL冗余感知系统，以及航空级传感器认证和长期可靠性数据。

低空经济早期，国产厂商的机会更可能来自成本敏感、场景明确、供应链本地化要求强的环节，例如农业、巡检、测绘、仓储和部分城市治理场景；而在eVTOL、航空级组合导航和高端工业传感系统中，竞争会回到可靠性、认证、生态和系统验证。最终，传感与导航芯片的价值不在于孤立参数，而在于能否进入一套可量产、可标定、可验证、可长期运行的感知导航系统。