1、ToF技术概述：深度相机市场格局、ToF vs 结构光 vs 双目立体视觉、ToF技术原理（iToF与dToF）、核心应用场景分析
1.1 深度相机市场格局：谁在吃肉，谁在喝汤？
先聊聊市场。我入行那会儿，深度相机还是个「实验室玩具」。现在呢？手机、扫地机、智能门锁、汽车激光雷达……遍地开花。
目前市场格局，说白了就是三足鼎立：
- 苹果带头冲锋：从iPhone X的结构光，到iPad Pro的LiDAR（dToF），苹果硬是把深度相机推成了消费电子标配。
- 微软、英特尔稳坐中军：Kinect（结构光）和RealSense（双目/主动立体）在科研、工业领域根基很深。
- 国产厂商疯狂追赶：像奥比中光、舜宇、光鉴科技这些，在手机、支付、扫地机上已经大量出货。
我个人习惯把市场分成三块：
| 市场层级 | 代表玩家 | 核心场景 | 技术路线 |
|---|---|---|---|
| 消费电子 | 苹果、华为、小米 | 人脸识别、AR/VR、拍照虚化 | 结构光、dToF |
| 工业/商业 | 微软、英特尔、基恩士 | 3D测量、AGV导航、体积扫描 | 双目、iToF |
| 汽车/安防 | Velodyne、禾赛、海康 | 自动驾驶、活体检测、人流统计 | dToF、激光雷达 |
嗯，这里要注意：消费电子是量最大的，但利润薄得像纸。工业市场虽然量小，但一台设备卖几万块，利润高得吓人。我建议刚入行的朋友，先别盯着手机，看看扫地机、智能门锁这些「闷声发大财」的赛道。
1.2 ToF vs 结构光 vs 双目立体视觉：谁更牛？
这个问题，几乎每个找我咨询的工程师都会问。我的回答是：没有谁更牛，只有谁更合适。
先看一张对比表，我当年做选型时，就是靠这张表拍板的：
| 技术路线 | 原理 | 优点 | 缺点 | 典型场景 |
|---|---|---|---|---|
| 结构光 | 投射编码光斑，通过变形计算深度 | 近距离精度高（0.1mm级）、算法成熟 | 易受环境光干扰、有效距离短（<1m） | 人脸解锁、支付、近距离3D扫描 |
| 双目立体视觉 | 两个摄像头视差计算深度 | 成本低（只需两个RGB模组）、室外可用 | 弱纹理区域失效、计算量大、精度一般 | 机器人避障、无人机、室外场景 |
| ToF（iToF/dToF） | 发射光脉冲，测量飞行时间 | 远距离（可达10m+）、帧率高、弱光可用 | 多径干扰、边缘精度差、成本较高 | AR/VR、手势识别、汽车舱内监控 |
我遇到过不少项目，客户上来就说「我要用ToF，因为苹果用了」。你想想看，如果只是做一个人脸支付，距离30cm以内，结构光精度更高、成本更低，何必非要用ToF？
反过来，如果你要做扫地机的全屋建图，双目在白色墙壁面前直接「瞎掉」，而ToF可以稳稳地测出5米外的距离。这就是选型的关键。
核心结论：
- 近距离高精度 → 结构光
- 低成本、室外场景 → 双目
- 中远距离、高帧率、弱光 → ToF
1.3 ToF技术原理：iToF与dToF到底有什么区别？
好，重点来了。ToF的原理，说白了就是「发射光，等光回来，算时间」。但怎么算这个时间，分成了两派。
1.3.1 iToF（间接飞行时间）
iToF不直接测量时间，而是测量相位差。发射的是连续调制的光波（通常是正弦波或方波），接收端通过解调得到相位偏移，再换算成距离。
公式很简单：
距离 = (c × Δφ) / (4π × f_mod)其中c是光速，Δφ是相位差，f_mod是调制频率。
我刚开始做iToF时，踩过一个坑：多径干扰。简单说，就是光在场景里乱反射，导致一个像素收到多个距离的信号。比如你拍一个墙角，墙角处的深度值会「飘」。后来我学乖了，要么用高调制频率压制多径，要么在算法里做多频解算。
避坑指南：我曾经在一个项目中，iToF模组在室内测得好好的，拿到室外阳光下直接「罢工」。后来发现是环境光中的红外成分太强，把信号淹没了。解决方案是加窄带滤光片，只让发射的940nm光通过。
1.3.2 dToF（直接飞行时间）
dToF就粗暴多了——直接发射一个短脉冲，用高精度计时器（TDC，时间数字转换器）测量光往返的时间。
公式更简单：
距离 = (c × t) / 2t就是飞行时间。
dToF的核心器件是SPAD（单光子雪崩二极管）。它能检测到单个光子，灵敏度极高。苹果的LiDAR用的就是SPAD阵列。
dToF的优势很明显：
- 测距远：轻松做到10米以上
- 抗环境光强：因为脉冲能量集中，可以「硬扛」阳光
- 功耗低：脉冲工作，平均功耗小
但dToF也有痛点：
- SPAD阵列分辨率做不高：目前主流也就30x30、240x240，远不如iToF的VGA（640x480）
- 边缘精度差：因为SPAD像素大，边缘容易「锯齿」
- 成本高：SPAD工艺特殊，良率低
注意：iToF和dToF不是替代关系，而是互补。iToF适合室内、中近距离、高分辨率场景；dToF适合室外、远距离、低分辨率场景。苹果在iPad Pro上用了dToF，但在iPhone的Face ID上依然用结构光——这就是最好的例证。
1.4 核心应用场景分析：钱到底在哪里？
聊完技术，咱们看看哪些场景真的能赚钱。我按「技术成熟度」和「市场爆发度」画了个四象限：
从这张图能看出：
- 高成熟度 + 高爆发（右上角）：人脸识别、扫地机。技术已经成熟，市场正在放量。这是目前最「稳」的赛道。
- 低成熟度 + 高爆发（左上角）：AR/VR、汽车舱内监控。技术还在迭代，但市场预期极高。适合有冒险精神的团队。
- 高成熟度 + 低爆发（右下角）：工业测量。技术很成熟，但市场增长缓慢。适合做高利润的定制化方案。
- 低成熟度 + 低爆发（左下角）：物流体积测量。技术不成熟，市场也没起来。建议先观望。
我个人最看好的，其实是扫地机和智能门锁。为什么？因为这两个场景「刚需、量大、技术门槛适中」。扫地机需要建图避障，智能门锁需要活体检测——ToF和结构光都能完美解决。而且这两个赛道，国产供应链已经非常成熟，成本可以压得很低。
我的建议：如果你刚入行，别一上来就搞AR/VR那种「高大上」的。先找个能出货的场景，把产品跑通，再考虑升级。我见过太多团队，技术很牛，但产品卖不出去，最后死掉了。
1.5 本章小结
嗯，这一章我们聊了不少。从市场格局到技术对比，从iToF/dToF原理到应用场景。说白了，ToF深度相机这个领域，技术不是最难的，选对场景才是。
我做了这么多年，最大的体会就是：不要为了用ToF而用ToF。先搞清楚你的客户到底需要什么，再回头选技术。结构光、双目、ToF，都是工具，能解决问题的工具就是好工具。
下一章，我们会深入ToF模组的硬件设计，聊聊发射端、接收端、光学系统这些「硬骨头」。到时候我会分享一些我在项目中踩过的坑，保证让你少走弯路。
公众号:蓝海资料掘金营，微信deep3321