企业官网建设流程全解析

1. 为什么D435i到现在还是深度相机里的“真香”选择

搞了几年机器人视觉和三维重建，我经手的深度相机少说也有七八款，从结构光到ToF再到双目立体视觉，兜兜转转一圈回来，发现实验室里出镜率最高的还是Intel RealSense D435i。这玩意儿2018年发布，放到今天参数已经不算亮眼，但你在GitHub上翻一圈开源项目，从机械臂抓取到SLAM建图，从体积测量到手势交互，D435i的出场率依然碾压一众后来者。原因不复杂：它把双目立体视觉、主动红外投射、IMU惯性单元塞进了一个巴掌大的铝合金壳子里，而且SDK成熟、跨平台支持好、社区踩坑记录足够多。你遇到的大部分问题，前人都遇到过并且留下了解决方案，这对工程落地来说比参数表上的几个数字重要得多。

但“用的人多”和“用得顺手”是两码事。我见过太多团队兴冲冲买回来，插上USB跑个realsense-viewer觉得效果不错，一到自己写代码集成就各种翻车：深度图空洞一大片、点云飘得没法看、跑着跑着USB断连、ARM平台上编译报错、标定完精度反而更差了。这些问题很少是相机本身坏了，绝大多数是对它的硬件特性理解不到位，加上参数配置没有根据实际场景调优。这篇内容就是把我这几年在D435i上踩过的坑、调过的参数、验证过的方案系统性地梳理一遍，从硬件底层特性讲到具体场景的性能调优，再到标定和常见故障排查。不管你是刚拿到相机的新手，还是已经在项目里用了一段时间但效果不理想的开发者，应该都能从中找到可以直接抄作业的东西。

2. D435i硬件特性深度拆解：参数背后的真实含义

2.1 双目立体视觉+红外投射的工作原理

D435i的核心是一对红外双目相机，左右两个红外传感器基线距离50毫米，配合中间那个红外激光投射器工作。它的深度计算逻辑是标准的多视图立体匹配：左眼和右眼同时拍一张红外图，算法在两张图里找同名点，根据视差和基线距离算出深度。公式很简单，深度等于焦距乘以基线除以视差。基线固定50毫米，焦距由标定得到，所以深度精度直接取决于视差计算的准确度。

这里有个关键点很多人忽略：D435i的深度质量高度依赖被摄物体的纹理。双目匹配的本质是找特征点，如果面对一面白墙或者纯色桌面，左右图长得一模一样，算法根本找不到对应点，深度图就是一片空洞。这时候红外投射器就派上用场了，它往场景里打一层人眼不可见的红外散斑，人为制造纹理，让匹配算法有东西可抓。所以你在暗光或者低纹理场景下用D435i，一定要确保红外投射器是开着的。但反过来，如果场景本身纹理丰富、光照充足，投射器开着反而可能引入噪声，因为散斑图案会和物体本身的纹理叠加，干扰匹配。我一般建议在室外或者光照良好的室内把投射器功率调低甚至关闭，在暗光或白墙场景下再开高。

2.2 深度范围与精度的真实表现

官方标称D435i的深度范围是0.2米到10米，但这个数字有很强的误导性。0.2米是最小可测距离，实际在这个距离上深度噪声非常大，因为太近的话左右相机的视场重叠区域不够，匹配容易出错。10米是理论最大值，但在这个距离上深度误差可能达到几十厘米，基本没有实用价值。根据我的实测经验，D435i在0.5米到3米这个区间内表现最稳定，深度误差可以控制在1%到2%左右。3米到5米误差开始明显增大，5米以上就只能做定性参考了。

精度还和分辨率设置强相关。D435i支持多种深度分辨率，从424x240到1280x720。分辨率越高，同样视场下每个像素代表的实际角度越小，视差计算的精度理论上越高，但计算量也越大，帧率会下降。而且高分辨率下噪声也会增加，因为每个像素接收到的红外光能量减少了。我通常的做法是：做近距离高精度抓取时用848x480或1280x720，做远距离SLAM或者避障时用640x480甚至424x240，优先保证帧率。下面这张表是我在不同分辨率下实测的深度噪声和推荐场景，供你参考。

2.3 IMU单元的隐藏价值与使用陷阱

D435i比D435多了一个IMU，包含一个加速度计和一个陀螺仪。很多人买回来根本没用过这个IMU，觉得深度相机就好好做深度就行了。但在移动机器人或者手持扫描场景下，IMU的价值非常大。它可以在视觉跟踪丢失的时候提供短时间的位姿估计，也可以和视觉做松耦合或紧耦合的融合，提升SLAM系统的鲁棒性。特别是在快速旋转或者纹理缺失导致视觉跟踪失败的瞬间，IMU的角速度和加速度积分能撑住位姿估计不崩。

但IMU的使用有几个坑。第一，D435i的IMU和深度相机之间的外参需要标定，出厂值只是大概的，如果你要做紧耦合融合，必须自己标定IMU到相机的变换矩阵。第二，IMU的坐标系和相机坐标系不一致，加速度计和陀螺仪的轴向需要根据实际安装方向做旋转。第三，IMU的数据频率虽然高（加速度计和陀螺仪各250Hz），但噪声也不小，直接积分会快速漂移，必须做零偏校准和滤波。我一般建议用Kalibr或者imu_utils工具先做IMU的噪声模型标定，得到随机游走和零偏不稳定性参数，再喂给VIO算法。

2.4 接口与供电：USB线缆的玄学问题

D435i用USB Type-C接口，支持USB 3.0及以上。这里有一个被无数人吐槽过的问题：USB线缆的质量直接决定相机能不能稳定工作。我遇到过太多次，用一根看起来没问题的Type-C线，相机能枚举，realsense-viewer也能出图，但跑几分钟就断连，或者深度图时不时卡顿。换一根Intel原装线或者带屏蔽层的好线，问题立刻消失。原因在于D435i的深度计算和红外投射需要较大的瞬时电流，劣质线缆的压降会导致相机内部电压不稳，触发保护性断连。

另外，如果你用ARM平台（比如Jetson系列或者树莓派），USB控制器的兼容性也是个大坑。有些ARM板子的USB 3.0控制器对UVC协议的支持不完整，realsense-viewer能跑但自己写的程序调用SDK就报错。这种情况通常需要更新内核或者打USB补丁，具体方案我在后面的排查章节会详细说。供电方面，D435i可以从USB取电，但如果同时开高分辨率深度+RGB+IMU，功耗会超过USB 3.0的900mA上限，建议用带外部供电的USB Hub，或者直接用Y型线从两个USB口取电。

3. 开发环境搭建与SDK编译的实战细节

3.1 x86平台上的快速部署

在Ubuntu x86_64上部署RealSense SDK是最省心的路径。官方提供了apt源和预编译包，几条命令就能搞定。但这里有个版本选择的坑：librealsense的版本和内核版本、CUDA版本之间有兼容性矩阵。如果你用的是Ubuntu 20.04或者22.04，建议直接用官方apt源安装最新稳定版，不要自己从源码编译，除非你需要特定的补丁或者后端支持。

# 添加Intel RealSense apt源 sudo apt-key adv --keyserver keyserver.ubuntu.com --recv-key F6E65AC044F831AC80A06380C8B3A55A6F3EFCDE sudo add-apt-repository "deb https://librealsense.intel.com/Debian/apt-repo $(lsb_release -cs) main" sudo apt-get update sudo apt-get install librealsense2-dkms librealsense2-utils librealsense2-dev

安装完成后，插上D435i，运行realsense-viewer，如果能看到深度流和RGB流，说明基础环境没问题。但要注意，librealsense2-dkms会编译内核模块，如果你后续升级了内核，需要重新运行sudo dpkg-reconfigure librealsense2-dkms来重新编译模块，否则相机会枚举失败。这个坑我踩过好几次，系统自动更新内核后相机突然不认了，排查半天才发现是DKMS模块没跟着更新。

3.2 ARM64平台编译的避坑要点

ARM平台是重灾区。Jetson Nano、Jetson Xavier NX、树莓派4B这些板子我都试过，编译librealsense的过程各有各的痛。首先，官方apt源只提供x86_64的包，ARM平台必须从源码编译。其次，ARM平台的CPU性能有限，完整编译librealsense可能需要30分钟到1小时，而且内存不足会导致编译中途OOM。Jetson Nano只有4GB内存，编译时建议开交换分区或者用-j2限制并行编译任务数。

# ARM平台源码编译librealsense git clone https://github.com/IntelRealSense/librealsense.git cd librealsense mkdir build && cd build cmake .. -DCMAKE_BUILD_TYPE=Release -DFORCE_RSUSB_BACKEND=ON -DBUILD_EXAMPLES=true make -j2 sudo make install

这里的关键参数是-DFORCE_RSUSB_BACKEND=ON。在ARM平台上，内核的UVC驱动往往对RealSense的支持不完整，强制使用RSUSB后端可以绕过内核驱动，直接通过libusb访问相机。代价是CPU占用会高一些，但稳定性大幅提升。另外，如果你在Jetson上要用CUDA加速点云处理，还需要在cmake时加上-DBUILD_WITH_CUDA=ON，并确保CUDA路径正确。

还有一个ARM平台特有的问题：USB带宽。Jetson Nano的USB 3.0控制器带宽有限，同时开深度848x480@30fps和RGB 1920x1080@30fps可能会丢帧。解决办法是降低RGB分辨率或者帧率，或者只开深度流。如果你确实需要高分辨率RGB，可以考虑用MIPI CSI相机替代RGB模块，D435i只负责深度。

3.3 Python绑定的安装与版本匹配

很多做算法验证的同行喜欢用Python调D435i，pyrealsense2确实方便。但pip安装的pyrealsense2版本必须和系统里安装的librealsense版本匹配，否则会出现符号找不到或者运行时崩溃。我一般建议先确认系统librealsense版本，然后安装对应版本的pyrealsense2。

# 查看librealsense版本 rs-enumerate-devices --version # 安装匹配的pyrealsense2 pip install pyrealsense2==2.54.2.5684

如果你在虚拟环境里用pyrealsense2，还要注意虚拟环境是否能访问系统的USB设备。有时候需要把当前用户加入plugdev组，或者配置udev规则，否则普通用户权限下相机枚举会失败。

# 添加udev规则 sudo cp config/99-realsense-libusb.rules /etc/udev/rules.d/ sudo udevadm control --reload-rules && sudo udevadm trigger

4. 深度图质量调优：从“能用”到“好用”的关键参数

4.1 深度预设模式的选择逻辑

librealsense提供了几套预设的深度参数配置，在realsense-viewer里可以直接切换。很多人不知道这个选项，或者随便选一个就不管了。实际上不同预设对深度图质量的影响非常大。默认预设是“Default”，适合大多数场景，但如果你做近距离高精度抓取，“High Accuracy”预设会更好，它会牺牲一些帧率和边缘响应速度来换取更平滑的深度图。“High Density”预设适合纹理丰富的场景，能保留更多细节但噪声也更大。“Medium Density”是折中方案。

我一般建议在realsense-viewer里把几个预设都试一遍，观察同一场景下深度图的空洞率、边缘锐度和噪声水平，找到最适合你场景的那个。选好之后，在代码里通过rs2::advanced_mode加载对应的JSON配置文件，或者直接设置rs2::sensor的选项值。注意，预设切换后需要几秒钟稳定，不要频繁切换。

4.2 激光投射器功率与深度单位

激光投射器功率（Laser Power）是D435i最关键的调优参数之一。默认值通常是150左右（范围0-360）。功率越高，投射的散斑越亮，在暗光或远距离下深度图越完整，但近距离下噪声也会增加，而且功耗和发热上升。我的经验是：0.3米到1米近距离用80-120，1米到3米用150-200，3米以上用250-300。如果场景光照充足且纹理丰富，可以直接关掉投射器（设为0），深度图反而更干净。

深度单位（Depth Units）决定了深度图里一个整数值代表多少米。默认是0.001米，也就是1毫米。如果你做远距离测量，深度值会很大，16位深度图最大只能表示65535，也就是65.535米，够用但精度浪费了。这时候可以把深度单位改成0.01米，量程扩大到655米，代价是精度降到1厘米。反过来，做近距离高精度测量时，可以把深度单位改成0.0001米，量程缩小到6.5米，但精度提升到0.1毫米。这个参数要根据你的实际工作距离来选，不要无脑用默认值。

4.3 深度图后处理滤波器的正确打开方式

librealsense提供了一套后处理滤波器，包括去噪、空洞填充、时域滤波等。这些滤波器用好了能大幅提升深度图质量，用不好反而会引入伪影和延迟。我逐个说一下我的使用心得。

Decimation Filter（降采样）：把深度图分辨率降低，比如从848x480降到424x240。好处是减少计算量、降低噪声，坏处是丢失细节。我一般在点云生成前用一次，把深度图降到我需要的分辨率。

Spatial Filter（空间滤波）：在空间域上平滑深度图，减少孤立噪声点。这个滤波器对边缘的保持还不错，但迭代次数多了会让边缘变模糊。我一般设2-3次迭代，平滑alpha设0.5左右。

Temporal Filter（时域滤波）：利用前后帧的信息来稳定深度值，对静态场景效果很好，能显著减少深度图的闪烁。但如果你做动态场景或者相机在移动，时域滤波会引入拖影。我一般只在静态测量时开，移动场景关掉。

Hole Filling Filter（空洞填充）：把深度图中的无效像素用周围的有效值填充。这个滤波器要慎用，因为它填充的值是估计出来的，不是真实测量值。做抓取的时候如果依赖填充后的深度，可能会抓空。我一般只在可视化的时候开，做实际计算时关掉。

Threshold Filter（阈值滤波）：把超出指定距离范围的深度值置为无效。这个很有用，可以去掉背景干扰，只保留工作区域内的深度。比如你做传送带抓取，可以把阈值设成0.3米到1.5米，传送带以外的全部忽略。

滤波器的顺序也有讲究。我推荐的顺序是：Decimation -> Threshold -> Spatial -> Temporal -> Hole Filling。先降采样减少数据量，再阈值去掉无关区域，然后空间和时域滤波去噪，最后按需填充空洞。

4.4 深度图与RGB图的对齐

D435i的深度相机和RGB相机是分开的，物理位置不同，视场也不完全重合。如果你要把深度图的像素和RGB图的像素对应起来，必须做对齐（Align）。librealsense提供了rs2::align模块，可以把深度图对齐到RGB视角，或者把RGB对齐到深度视角。我一般建议把深度对齐到RGB，因为RGB分辨率更高，对齐后深度图会插值到RGB的分辨率，看起来更直观。

但要注意，对齐操作会引入额外的计算开销，而且对齐后的深度图边缘会有插值误差。如果你做的是像素级的精确测量，比如测量物体尺寸，最好直接用原始深度图，通过标定得到的内外参自己投影，不要用SDK的对齐功能。对齐功能适合可视化或者对精度要求不高的应用。

5. 相机标定：从入门到不翻车

5.1 为什么出厂标定不够用

D435i出厂时已经做了标定，内参和外参都存在相机里，SDK可以直接读取。很多人觉得这样就够了，不需要自己再标。但出厂标定是在标准环境下做的，你的实际使用场景可能和标准环境差异很大。比如你给相机加了外壳、装了滤镜、或者相机摔过一下，外参就可能变了。另外，出厂标定的精度对于一般应用够用，但如果你做高精度测量或者多相机融合，出厂标定的误差就不可忽略了。

我一般建议在以下几种情况下必须重新标定：相机受到过撞击或跌落；相机工作温度与标定时差异很大（比如从空调房拿到室外）；需要亚毫米级测量精度；多相机系统中各相机之间的外参需要精确已知。其他情况下，出厂标定可以先跑起来，等发现精度不够再标。

5.2 内参标定的实操步骤

内参标定就是求相机的焦距、主点、畸变系数。D435i的深度相机和RGB相机需要分别标定。我常用的工具是OpenCV的calibrateCamera函数，配合棋盘格标定板。标定板的大小要根据工作距离选，近距离用小的，远距离用大的。一般建议标定板占画面1/3到1/2面积，在多个角度和距离下采集20-30张图像。

import cv2 import numpy as np # 棋盘格参数 pattern_size = (9, 6) square_size = 0.025 # 25mm # 准备对象点 objp = np.zeros((pattern_size[0]*pattern_size[1], 3), np.float32) objp[:, :2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2) objp *= square_size # 采集图像并检测角点 objpoints = [] imgpoints = [] for img_path in image_list: img = cv2.imread(img_path) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners = cv2.findChessboardCorners(gray, pattern_size, None) if ret: corners_refined = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria=(cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)) objpoints.append(objp) imgpoints.append(corners_refined) # 标定 ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(objpoints, imgpoints, gray.shape[::-1], None, None)

标定完成后，用cv2.projectPoints把棋盘格角点重投影回图像，计算重投影误差。一般重投影误差小于0.5像素算合格，小于0.3像素算优秀。如果误差太大，检查标定板是否平整、图像是否模糊、角点检测是否准确。

5.3 深度与RGB外参标定

外参标定是求深度相机到RGB相机的旋转和平移矩阵。这个比内参标定麻烦一些，因为深度图的分辨率低、噪声大，直接检测棋盘格角点效果不好。我常用的方法是：先用RGB相机检测棋盘格角点，得到RGB下的角点坐标；然后在深度图上找到对应位置的深度值，反投影得到深度相机坐标系下的3D点；最后用cv2.solvePnP求两个坐标系之间的变换。

但深度图在棋盘格边缘往往有空洞，直接取深度值可能无效。我的技巧是：在棋盘格角点周围取一个小窗口，用窗口内有效深度的中值作为该角点的深度。如果窗口内有效点太少，就丢弃这个角点。一般采集20张以上图像，每张图检测到6个以上有效角点，就能得到稳定的外参。

标定完外参后，验证方法是：把深度图上的点用外参投影到RGB图像上，看是否和RGB图像中的对应点重合。如果偏差在几个像素以内，说明标定合格。

5.4 IMU标定与相机-IMU联合标定

如果你要用IMU做VIO，IMU本身的噪声参数和相机-IMU外参都必须标定。IMU噪声标定我推荐用imu_utils工具，把相机静止放置2小时以上，采集IMU数据，然后离线计算Allan方差，得到陀螺仪和加速度计的随机游走和零偏不稳定性参数。这个过程比较耗时，但标定一次可以用很久。

相机-IMU外参标定推荐用Kalibr工具。需要采集一段同时包含相机图像和IMU数据的rosbag，相机看着标定板做充分的激励运动（三个轴都要有旋转和平移）。Kalibr会同时优化相机内参、IMU噪声参数和相机-IMU外参。这个过程计算量很大，建议在x86机器上跑，ARM平台会很慢。

标定完成后，把结果写成YAML文件，喂给VIO算法（比如VINS-Mono、ORB-SLAM3）。如果VIO跑起来漂移很大或者初始化失败，大概率是标定参数不对，回去检查标定过程。

6. 常见故障排查与性能调优速查

6.1 相机枚举失败与断连问题

这是最高频的问题。现象是插上相机后realsense-viewer提示“No device connected”，或者用着用着突然断连。排查思路如下。

先确认USB线缆。换一根Intel原装线或者已知质量好的线，直插主板USB口，不要经过Hub。如果问题消失，说明是线缆或Hub的问题。如果问题依旧，检查dmesg日志，看有没有USB相关的错误。

dmesg | grep -i usb dmesg | grep -i uvc

如果看到uvcvideo: Failed to query (GET_INFO) UVC control之类的错误，说明内核UVC驱动和相机通信有问题。在x86平台上，可以尝试更新内核或者安装librealsense2-dkms。在ARM平台上，建议用RSUSB后端重新编译librealsense，绕过内核驱动。

如果相机用一段时间后断连，摸一下相机外壳是不是很烫。D435i全功率运行时发热不小，过热会触发保护。改善散热或者降低分辨率/帧率/激光功率可以减少发热。

6.2 深度图大面积空洞

深度图空洞多，先看场景是不是低纹理或者反光。白墙、玻璃、镜面、黑色物体都是D435i的克星。白墙和黑色物体是因为纹理不足，红外散斑打上去也看不清；玻璃和镜面是因为红外光直接穿透或者镜面反射，相机接收不到回波。这些是物理限制，软件调参解决不了，只能改场景或者换其他原理的深度相机。

如果场景没问题但空洞还是多，检查激光投射器是否打开、功率是否足够。在realsense-viewer里把Laser Power调到最大试试。如果最大功率还是不行，可能是投射器坏了或者被遮挡了。另外，检查深度预设是不是选错了，有些预设对空洞的容忍度低。

6.3 点云飘移与噪声过大

点云飘移通常有几个原因。一是深度图噪声大，点云自然跟着抖。解决办法是开时域滤波，或者用多帧平均。二是相机标定不准，特别是外参，导致点云在空间中的位置有系统性偏差。重新标定可以解决。三是IMU没标定或者没融合，相机移动时点云跟着晃。如果你做移动扫描，必须把IMU用起来。

点云噪声过大，除了深度图本身的噪声，还要检查点云生成时的参数。比如rs2::pointcloud的map_to函数可以把深度图映射到RGB视角，但如果RGB和深度的外参不准，映射后的点云会有重影。另外，点云的体素滤波（Voxel Grid）可以降采样去噪，但体素大小要选合适，太小了去噪效果不明显，太大了会丢失细节。

6.4 ARM平台性能优化

在Jetson或者树莓派上跑D435i，性能优化是永恒的话题。首先，关闭不需要的数据流。如果你只用深度，就把RGB和IMU都关掉，能省不少CPU和USB带宽。其次，降低分辨率和帧率。640x480@15fps对于大多数SLAM和避障应用足够了，没必要追求30fps。第三，用硬件加速。Jetson有GPU和DLA，可以把点云生成、滤波、特征提取这些操作放到GPU上。librealsense支持CUDA后端，编译时打开-DBUILD_WITH_CUDA=ON，点云生成会快很多。

另外，ARM平台的USB控制器有时候会有带宽瓶颈。如果你同时开深度和RGB，而且分辨率都比较高，可能会丢帧。解决办法是降低RGB分辨率，或者用MIPI CSI相机替代RGB。Jetson Nano的USB 3.0带宽是5Gbps，理论上够用，但实际控制器效率不高，建议留出余量。

6.5 常见问题速查表

7. 机械臂抓取场景下的D435i实战配置

机械臂抓取是D435i最典型的应用场景之一，也是坑最多的场景。我拿一个实际的传送带抓取项目来说，配置是D435i固定在机械臂末端上方约0.8米处，工作区域是传送带上0.3米到1.2米的范围，目标是抓取随机摆放的金属零件。

首先，深度分辨率选848x480@30fps，这个分辨率下0.8米处的深度噪声大约±1.5毫米，对于零件抓取够用。激光功率设180，因为金属零件表面有反光，需要足够的散斑来保证匹配。深度单位保持默认的0.001米。后处理滤波器开Decimation降到424x240减少计算量，Threshold限制在0.3米到1.2米去掉传送带背景，Spatial滤波2次迭代去噪，Temporal滤波稳定静态帧，Hole Filling关掉因为抓取需要真实深度。

标定方面，内参用出厂值，外参自己标了一遍，因为相机装了外壳。手眼标定用easy_handeye或者自己写AX=XB求解，采集15个不同位姿，标定误差控制在2毫米以内。抓取时，先对深度图做平面分割找到传送带平面，然后对平面以上的点做欧式聚类，每个聚类是一个零件，计算聚类中心的三维坐标，转换到机械臂基座坐标系，发给运动规划模块。

实际跑下来，抓取成功率从最初的60%提升到95%以上，主要改进点在于：激光功率从默认150调到180，金属反光导致的空洞减少了70%；时域滤波从关闭改为开启，深度跳变导致的抓空减少了80%；手眼标定从用出厂值改为自己标，定位偏差从5毫米降到2毫米以内。这几个参数调优的收益远比换更贵的相机大。

8. 一些没人告诉你但很重要的经验

D435i的固件版本会影响深度质量。我遇到过同一个相机，升级固件后深度图噪声明显变大，回滚固件又恢复正常。所以如果你当前固件跑得好好的，不要随便升级。如果必须升级，先备份当前固件版本号，升级后对比测试，不行就回滚。

相机的USB连接顺序也有讲究。如果你有多个USB设备，D435i尽量插在独立的USB控制器上，不要和其他高带宽设备共享。在Linux下可以用lsusb -t查看USB拓扑，确认相机是否和其他设备挂在同一个Hub下。

深度图和RGB图的时间戳对齐在移动场景下很关键。D435i的深度和RGB是分开曝光的，时间戳有微小差异。如果你做RGB-D SLAM，必须用rs2::syncer做时间同步，或者用硬件同步信号。软件同步的精度在毫秒级，对于快速运动场景可能不够。

最后，D435i的深度图在物体边缘会有“飞点”，就是深度值突然跳到背景深度。这是双目匹配在边缘处的固有缺陷，因为边缘处左右图的匹配容易出错。解决办法是在点云生成后做边缘剔除，或者用形态学操作腐蚀一下深度图边缘。做抓取的时候，如果抓取点选在边缘附近，很容易抓空，建议把抓取点往物体中心偏移几个像素。

这个相机我用了快五年，从最初的各种翻车到现在基本能稳定出活，最大的体会是：参数调优的收益远大于硬件升级，而调优的前提是理解它的工作原理和物理限制。不要指望D435i能在所有场景下都表现完美，它有自己的舒适区，在舒适区内把参数调到位，它能给你非常可靠的结果。超出舒适区，比如测玻璃、测远距离、强光室外，再怎么调也没用，该换方案就换方案。