一、ToF技术概述：从基本原理到实战选型
大家好，我是老张。在嵌入式领域摸爬滚打了十几年，ToF传感器是我这几年投入精力最多的方向之一。今天咱们聊聊ToF技术的基础，这部分内容看似简单，但很多坑都在细节里。
1.1 飞行时间法——说白了就是测光速
ToF的全称是Time of Flight，中文叫飞行时间法。原理其实特别朴素：你朝目标发射一束光，光碰到物体反射回来，你记录下发射和接收的时间差，乘以光速再除以2，距离就出来了。
公式长这样：
距离 = (光速 × 飞行时间) / 2为什么除以2？因为光走了个来回。这个细节我当年刚入行时还真犯过糊涂，调试时发现测距值总是实际距离的两倍，查了半天才发现忘了除2。嗯，这种低级错误，谁还没犯过呢？
核心要点：ToF测距的精度取决于时间测量的精度。光速是3×10⁸ m/s，要测1mm的精度，时间分辨率得达到皮秒级（10⁻¹²秒）。这不是个容易的事。
1.2 直接ToF vs 间接ToF——两种思路，各有千秋
ToF传感器根据测量方式分为两大类：直接ToF（dToF）和间接ToF（iToF）。我分别说说我的理解。
直接ToF（dToF）
直接ToF的思路很直接：发射一个短脉冲激光，用高精度计时器测量光子往返的时间。就像你扔个球出去，掐表算它回来的时间。
我在项目中用过ST的VL53L1X，它就是典型的dToF传感器。优点很明显：
- 测量范围大——几米到几十米都没问题
- 抗环境光能力强——户外阳光下也能用
- 功耗低——脉冲工作，平均电流很小
但缺点也有：
- 精度受限于计时器分辨率——想提高精度就得堆硬件成本
- 多路径干扰——光在多个表面反射后，你分不清哪个是真实信号
我的经验：dToF适合做远距离测距和接近检测。比如扫地机器人的避障、手机上的激光对焦。我曾经在一个无人机项目中用dToF做定高，效果比超声波好太多，至少不会被螺旋桨的气流干扰。
间接ToF（iToF）
间接ToF不直接测时间，而是发射连续调制的光波，通过测量发射光和接收光之间的相位差来反推距离。说白了，它把时间测量问题转化成了相位测量问题。
公式是这样的：
距离 = (c × Δφ) / (4π × f_mod)其中Δφ是相位差，f_mod是调制频率。
iToF的优点：
- 精度高——相位测量比时间测量容易做精确
- 分辨率高——可以做VGA甚至更高的分辨率
- 芯片集成度高——很多方案把像素和处理电路做在一起
缺点：
- 测量范围有限——通常几米以内，远了相位模糊
- 对环境光敏感——强光下信噪比下降明显
- 多频调制复杂——为了解相位模糊，需要多频率切换
避坑指南：我曾经在一个手势识别项目中选了iToF方案，结果在户外强光下完全没法用。后来换成了dToF阵列才解决问题。选型时一定要考虑实际使用场景的光照条件。
1.3 ToF vs 结构光 vs 立体视觉——三选一，怎么选？
做深度感知，市面上主流就这三种方案。我做个对比表格，大家一目了然：
| 特性 | ToF | 结构光 | 立体视觉 |
|---|---|---|---|
| 工作原理 | 测量光飞行时间 | 投射编码光斑，三角测量 | 双摄像头视差匹配 |
| 精度 | 中等（cm级） | 高（mm级） | 中等（依赖基线长度） |
| 测量范围 | 0.1m~几十米 | 0.1m~几米 | 0.5m~几十米 |
| 环境光影响 | 中等 | 大（室内为主） | 小（被动式） |
| 功耗 | 低~中 | 中 | 低 |
| 成本 | 中 | 中~高 | 低（仅需摄像头） |
| 典型应用 | 手势识别、避障、AR/VR | 人脸识别、3D建模 | 自动驾驶、SLAM |
我个人习惯这样选型：
- 室内手势交互——首选ToF，响应快、算法简单
- 高精度3D扫描——结构光，精度确实能打
- 户外远距离——立体视觉，被动式不怕强光
我的建议：如果你做的是消费级产品，比如智能家居的手势控制，ToF是最省心的选择。算法复杂度低，开发周期短，而且现在的ToF模组价格已经降到十几块钱了。
1.4 知识体系总览
下面这张图是我自己整理的ToF技术知识框架，方便大家建立整体认知：
这张图把ToF技术的核心脉络理清楚了。从原理出发，分支出dToF和iToF两条技术路线，再到实际应用场景，最后落到方案对比。你想想看，掌握了这个框架，后续学习就有了地图。
我的习惯：每接触一个新领域，我都会先画一张这样的知识地图。不是为了好看，而是为了知道「我现在在哪儿，下一步该往哪儿走」。做技术最怕的就是学了一堆碎片，串不起来。
好了，第一章的内容就到这里。ToF的基本原理、两种实现方式、以及和其他深度感知方案的对比，这些是后续所有章节的基础。下一章我们会深入dToF的硬件实现细节，包括SPAD探测器、TDC电路这些硬核内容。到时候见。