RGB-D 相机在彩色图像之外为每个像素附加距离值，让机器人既能识别物体是什么，也能知道它在哪里、多远。
把彩色图像和逐像素的距离值对齐输出，就得到 RGB-D 数据。这一组合让抓取规划成为可能：颜色告诉系统这是哪个零件，深度告诉系统抓取点的空间坐标。单靠任何一路数据都完成不了这件事。
深度获取主要有三条技术路线：结构光、双目立体匹配和 ToF（飞行时间）。结构光近距离精度高，但户外阳光下几乎失效；双目依赖表面纹理，面对白墙和光洁塑料会大片丢点；ToF 距离范围大，却容易受多路径反射干扰，在墙角处产生系统性偏差。选型时先确认现场的表面材质和光照，比对比参数表更关键。
常见落地场景是料箱拣选、托盘卸垛、机器人在货架前的精确对位，以及人机协作区里的三维占用检测。这些任务都要求在几十厘米到两三米范围内给出厘米级的空间坐标。
上线后最容易被低估的是标定维护。彩色与深度两个光学中心之间的外参一旦漂移，抓取点就会系统性偏移几毫米，表现为偶发的抓空。机械振动和温度变化都会引起漂移，所以需要把重标定排进定期维护清单。
某物流仓在卸垛工位部署 RGB-D 相机，识别混码托盘上每个纸箱的位姿。彩色通道分辨箱型，深度通道给出抓取面的法向量。项目组发现深色哑光纸箱的丢点率明显偏高，最终加装侧向补光才把成功率稳定在 98% 以上。
要注意的是，深度精度随距离平方衰减。三米外还能用的点云，到五米就只剩噪声了，指望一台 RGB-D 相机同时兼顾抓取和全场导航并不现实。
实践应用
某物流仓在卸垛工位部署 RGB-D 相机，识别混码托盘上每个纸箱的位姿：彩色通道分辨箱型，深度通道给出抓取面的法向量。深色哑光纸箱初期丢点率偏高，加装侧向补光后成功率稳定在 98% 以上。
优势
- 颜色与空间坐标对齐输出，可直接用于抓取点计算
- 适合料箱拣选、卸垛等需要厘米级定位的近距离任务
- 点云可用于人机协作区的三维占用检测
- 相比激光方案，同等精度下成本明显更低
局限性
- 深度精度随距离平方衰减，超过三米基本不可用
- 结构光在户外阳光下失效，双目在无纹理表面大片丢点
- ToF 在墙角处受多路径反射影响，产生系统性偏差
- 彩色与深度的外参会因振动和温漂偏移，需定期重标定
典型应用领域
机器人巡检质量检测导航状态监测
常见问题
- RGB-D 相机是什么？
- 它在彩色图像的每个像素上附加一个距离值，让系统同时获得物体的外观特征和空间位置。
- RGB-D 相机的深度是怎么来的？
- 主流有结构光、双目立体匹配和 ToF 三条路线。结构光近距离精度最高，双目依赖表面纹理，ToF 量程更大但在墙角容易受多路径反射干扰。
- 什么情况下企业适合用 RGB-D 相机？
- 适合三米以内、需要同时判断物体身份和空间位姿的任务，典型如料箱拣选和卸垛。选型前要先确认现场的表面材质和光照条件。
- RGB-D 相机有哪些局限？
- 深度误差随距离平方增长，远距离点云不可用；反光、透明和深色哑光表面容易丢点；彩色与深度之间的外参漂移会造成抓取偏移，必须纳入定期维护。