激光雷达基础：工作原理、类型与主流传感器
大家好，我是你们这门课的老朋友。今天咱们聊聊激光雷达的基础。说实话，这玩意儿是点云处理的“眼睛”，搞不懂它，后面做语义分割就是空中楼阁。我个人习惯，每接触一个新传感器，先把它“扒开”看透——怎么测距的？内部啥结构？市面上谁家做得好？
好，咱们直接进入正题。
一、激光雷达工作原理：ToF 与 FMCW
激光雷达测距，说白了就两种主流方法：飞行时间法（ToF）和调频连续波法（FMCW）。你想想看，一个像“秒表”，一个像“尺子”。
1. ToF（Time of Flight）—— 脉冲测距
ToF 的原理特别简单：发射一个激光脉冲，碰到物体反射回来，接收器记录时间差 Δt。距离 d = c × Δt / 2，c 是光速。
核心公式： d = (c × Δt) / 2
其中 c ≈ 3×10⁸ m/s，Δt 通常为纳秒级。
我在项目中遇到过一个问题：ToF 在强阳光下容易“瞎掉”。为什么？因为太阳光也是光子，会干扰接收器。后来我加了窄带滤光片，才把信噪比提上来。嗯，这里要注意——ToF 对时间测量精度要求极高，1纳秒的误差对应15厘米的距离偏差。
避坑指南： 我曾经在室外测试时，发现点云里出现“鬼影”——其实是多路径反射造成的。激光打到玻璃或水面上，反射路径变长，测距就偏了。解决办法是：做多回波检测，或者用波形数字化技术。
2. FMCW（Frequency Modulated Continuous Wave）—— 调频连续波
FMCW 就高级一些。它发射的是频率连续变化的激光，接收时与发射信号混频，得到差频信号。差频正比于距离，多普勒频移正比于速度。说白了，一次测量，同时拿到距离和速度。
我记得第一次用 FMCW 激光雷达时，被它的抗干扰能力惊到了。ToF 容易被其他激光雷达“串扰”，但 FMCW 因为用了相干检测，几乎不受干扰。你想想看，这在多车协同场景下多重要。
| 特性 | ToF | FMCW |
|---|---|---|
| 测距原理 | 脉冲飞行时间 | 调频连续波差频 |
| 速度测量 | 需多帧推算 | 单帧直接获得 |
| 抗干扰能力 | 弱（易受阳光、其他雷达干扰） | 强（相干检测） |
| 成本 | 低（成熟方案） | 高（光芯片要求高） |
| 典型应用 | 自动驾驶、测绘 | 车载长距、安防 |
注意： FMCW 虽然好，但激光器线宽必须极窄（kHz 级），否则测距精度会崩。我见过有人用普通 DFB 激光器做 FMCW，结果差频信号全是噪声——白费功夫。
二、机械式与固态激光雷达
从结构上看，激光雷达分两大类：机械式和固态。我刚开始接触时，觉得机械式又大又笨，但后来发现它“能打”啊。
1. 机械式激光雷达
机械式就是电机带着激光收发模块旋转，实现360°扫描。典型代表：Velodyne HDL-64E，64线，转一圈出几十万个点。
优点很明显：视场角大、点云密度高。缺点也致命：有运动部件，怕震动、寿命短。我在做矿区无人驾驶项目时，机械雷达用了半年，电机轴承就磨损了，点云开始抖动。嗯，后来我们定期做校准，才勉强撑到项目结束。
关键参数： 线数（16/32/64/128线）、转速（5-20 Hz）、水平角分辨率（0.1°-0.4°）、垂直视场角（通常30°左右）。
2. 固态激光雷达
固态没有旋转部件，靠光学相控阵（OPA）或微机电系统（MEMS）实现扫描。体积小、寿命长、成本低，是未来的趋势。
但固态也有坑：视场角小（通常<120°），需要多颗拼接。我建议，做低速机器人或室内导航，固态完全够用；但做高速自动驾驶，还是得机械式或混合固态。
个人经验： 我曾经测试过一款 MEMS 激光雷达，发现它在高温下扫描角度会漂移。后来查资料才知道，MEMS 镜片的谐振频率受温度影响。解决办法是：加温度补偿算法，或者选温控性能更好的模组。
三、常见传感器介绍：Velodyne、Ouster、Livox
市面上激光雷达品牌很多，我挑三个最有代表性的聊聊。这三家我都用过，各有各的脾气。
1. Velodyne —— 老牌劲旅
Velodyne 是机械式激光雷达的鼻祖。HDL-64E 当年是自动驾驶标配，现在被更轻的 VLS-128 取代。我个人习惯，做高精度地图采集时首选 Velodyne——点云质量稳定，标定参数公开透明。
但 Velodyne 也有缺点：贵。一台 64 线要几十万人民币，而且售后响应慢。我记得有一次雷达坏了，寄回美国修，来回折腾了一个月。
2. Ouster —— 数字化先锋
Ouster 走的是“数字化”路线。它用 VCSEL 阵列和 SPAD 探测器，直接把光子转成数字信号，省掉了模拟电路。好处是：信噪比高、动态范围大。
我用 Ouster OS1-64 做过语义分割实验。它的点云有个特点：每个点自带反射率信息，这对区分车道线和路面特别有用。你想想看，车道线反射率高，路面低，直接用反射率就能做初步分割。
Ouster 的独特优势： 支持“多回波”模式，可以穿透雨雾。我在雨天测试过，ToF 雷达基本废了，但 Ouster 还能输出有效点云——虽然点数少了些。
3. Livox —— 国产新星
Livox（大疆旗下）走的是“非重复扫描”路线。它不像传统机械式那样匀速旋转，而是用棱镜做螺旋扫描。好处是：随着时间积累，点云密度越来越高。
我刚开始用 Livox Mid-40 时，觉得它的点云“花里胡哨”的——因为扫描轨迹不是规则的圆形。但后来发现，这种非重复扫描对静态场景重建特别友好。你放那扫 1 秒，点云稀疏；扫 10 秒，点云密得像 Velodyne 64 线。
注意： Livox 的视场角是非对称的（比如 Mid-40 是 38.4° × 38.4°），而且点云分布不均匀——中心密、边缘疏。做语义分割时，我建议对边缘区域做降采样，否则模型会被“带偏”。
四、知识体系总览
下面这张图，是我自己总结的本章知识框架。你一看就明白：激光雷达从原理到类型，再到具体产品，是一条清晰的链路。
这张图从左到右，从上到下，把本章的核心逻辑串起来了。你记住：原理决定类型，类型决定产品。搞懂这些，后面做点云处理时，你就能根据传感器特性“对症下药”。
最后说一句： 我建议初学者先拿 Velodyne 或 Livox 的数据练手，因为它们的公开数据集最多（比如 KITTI、nuScenes）。Ouster 的数据格式稍微特殊点，但反射率信息是宝藏，值得深挖。
公众号:蓝海资料掘金营，微信deep3321