1. ToF技术概述：基本原理、发展历程、主流方案对比（iToF vs dToF）
1.1 什么是ToF？一个老工程师的理解
ToF，全称Time of Flight，飞行时间。说白了，就是测量光从发射到返回的时间差。
我经常跟刚入行的同事打比方：你对着山谷喊一声，听回声的时间就能判断距离。ToF的原理一模一样，只不过把声波换成了光波。光速是3×10⁸ m/s，所以我们测的是纳秒级别的时间差。
嗯，这里要注意：ToF不是测光速本身，而是测光走一个来回的时间。公式很简单：
距离 = (光速 × 飞行时间) / 2除以2是因为光走了往返路程。我在项目中见过不少新手忘记除以2，结果测出来的距离翻了一倍——这种低级错误，犯一次就记住了。
1.2 基本原理：光速不变，时间可测
ToF系统的核心组件其实不多：
- 光源：通常是VCSEL（垂直腔面发射激光器）或LED，发射调制后的光脉冲
- 探测器：SPAD（单光子雪崩二极管）或APD（雪崩光电二极管），接收反射光
- 计时电路：TDC（时间数字转换器）或ADC（模数转换器），测量时间差
- 光学系统：透镜、滤光片，确保只接收有效信号
你想想看，光从发射到返回，如果目标距离1米，来回就是2米，耗时大约6.67纳秒。这个时间短到什么程度？电子在芯片里跑几毫米就要这么多时间。所以ToF的精度，很大程度上取决于计时电路的精度。
核心要点：ToF测距的精度瓶颈，不在光源，不在探测器，而在时间测量的分辨率。1纳秒的计时误差，对应约15厘米的距离误差。
1.3 发展历程：从实验室到消费电子
ToF技术其实不新。我记得最早接触ToF是2000年代初，那时候还在用笨重的PMD（光电混合器件）传感器，分辨率低得可怜，QVGA就算高端了。
真正让ToF火起来的，是手机行业。2017年左右，苹果在iPhone X上用了前置ToF做Face ID，一下子把ToF推到了聚光灯下。我那时候正好在做一个扫地机器人的避障项目，用的还是单点激光雷达，看到手机ToF的精度和帧率，真是羡慕得不行。
发展脉络大致是这样的：
- 1990年代：学术研究阶段，主要用在工业测距，体积大、成本高
- 2000年代：PMD传感器出现，开始有商用产品，但分辨率低
- 2010年代：SPAD技术成熟，dToF方案开始落地
- 2017年至今：消费电子爆发，手机、AR/VR、自动驾驶全面铺开
我个人习惯把2017年作为一个分水岭。那之前ToF是工业级技术，那之后变成了消费级技术。成本从几千美元降到了几美元，这中间的工程优化，真的是一言难尽。
1.4 主流方案对比：iToF vs dToF
现在市面上主流的ToF方案就两种：iToF（间接飞行时间）和dToF（直接飞行时间）。很多人问我选哪个好，我的回答永远是：看场景。
先看一张对比表：
| 对比维度 | iToF | dToF |
|---|---|---|
| 测量原理 | 通过相位差间接计算时间 | 直接测量光子飞行时间 |
| 核心器件 | CMOS像素+调制光源 | SPAD阵列+TDC |
| 测距范围 | 通常0.1-10米 | 可达数十米甚至上百米 |
| 精度 | 近距离（<5米）精度高，可达厘米级 | 远距离精度优势明显 |
| 抗干扰能力 | 易受环境光和多路径干扰 | 抗环境光能力强 |
| 功耗 | 相对较低 | 较高（需要持续发射脉冲） |
| 成本 | 较低，CMOS工艺成熟 | 较高，SPAD+TDC成本高 |
| 典型应用 | 手机人脸识别、手势控制 | 激光雷达、AR/VR、自动驾驶 |
iToF：相位差里找距离
iToF不直接测时间，而是发射连续调制的光波，通过测量发射光和反射光之间的相位差来推算距离。公式是：
距离 = (c × Δφ) / (4π × f_mod)其中Δφ是相位差，f_mod是调制频率。
我在项目中遇到过一个问题：iToF在近距离（1米以内）精度非常好，但一旦超过5米，相位差会变得模糊，因为调制周期内可能包含多个完整周期——这就是所谓的“距离模糊”问题。解决方法是使用多个调制频率，但代价是帧率下降。
避坑指南：我曾经在一个手势识别项目里用iToF，发现手在强光下总是识别不准。后来排查发现是环境光中的红外成分饱和了像素。解决方案很简单——加一个窄带滤光片，只让激光波长通过。这个教训让我养成了习惯：任何ToF系统，第一件事就是算环境光预算。
dToF：直接数光子
dToF就直白多了。发射一个短脉冲（通常是皮秒级），然后用SPAD阵列等光子回来。每个SPAD像素后面接一个TDC，精确记录光子到达的时间。
dToF的优势在于：
- 没有距离模糊问题，理论上可以测任意远
- 抗环境光能力强，因为SPAD只对单光子敏感
- 多目标分辨能力强，可以区分不同距离的物体
但dToF也有自己的麻烦。SPAD阵列的填充因子低，意味着感光面积小，需要微透镜阵列来聚光。另外，TDC的精度直接决定了测距精度，而高精度TDC的功耗和面积都不小。
注意：dToF在强环境光下会出现“堆积效应”——环境光光子太多，SPAD一直处于“忙”状态，无法检测信号光子。我见过一个户外LiDAR项目，大中午的测距距离直接缩水一半。解决办法是提高激光功率或使用时间门控技术。
1.5 怎么选？我的经验之谈
如果你问我，我会这么说：
- 室内、近距离、低成本：选iToF。手机人脸识别、手势控制、扫地机器人避障，iToF够用且便宜。
- 室外、远距离、高精度：选dToF。自动驾驶LiDAR、AR/VR空间定位、无人机避障，dToF是唯一选择。
- 两者兼顾：现在有些方案开始做混合了，比如苹果的LiDAR扫描仪，底层是dToF，但融合了iToF的算法做优化。
我个人习惯是：先定场景，再定方案。不要为了技术而技术。我见过有人用dToF做桌面手势识别，杀鸡用牛刀，成本翻了三倍，效果还没iToF好。
1.6 本章知识体系
下面这张图是我自己画的，把ToF的核心逻辑串了一遍：
这张图把ToF的脉络理清楚了：从基本原理出发，到两大技术路线，再到各自的关键特性和应用场景。后面的章节，我们会沿着这个框架，逐个深入。
公众号:蓝海资料掘金营，微信deep3321