3、传感器基础（二）：激光雷达（LiDAR）工作原理、点云数据特点、机械式与固态式对比
好，咱们接着聊传感器。上一章我把摄像头讲透了，这一章轮到激光雷达了。说实话，在我刚入行那会儿，激光雷达还是个稀罕物，一台64线的机械式雷达能顶一辆小轿车的钱。现在呢？固态雷达已经把价格打下来了，但技术选型反而更让人纠结了。
我个人习惯把激光雷达比作自动驾驶的「硬骨头」——它不像摄像头那样直观，也不像毫米波雷达那样「粗糙」。它给你的是精确到厘米的三维信息，但处理起来也够你喝一壶的。咱们今天就把这块硬骨头啃下来。
3.1 激光雷达工作原理：它到底怎么「看」世界的？
说白了，激光雷达的原理特别简单：发射激光，等它反射回来，算时间差。就这么回事。
具体来说，激光雷达内部有一个激光发射器，发出一束脉冲激光，打到物体表面后反射回来，被接收器捕获。通过记录激光往返的时间，乘以光速再除以2，就能算出距离。这就是大名鼎鼎的TOF（Time of Flight，飞行时间）测距法。
核心公式：
距离 = (光速 × 飞行时间) / 2举个例子：如果激光往返耗时 100 纳秒，那么距离就是 (3×10⁸ m/s × 100×10⁻⁹ s) / 2 = 15 米。
嗯，这里要注意：除了TOF，还有调频连续波（FMCW）的方案。FMCW不测时间，而是测发射和接收信号的频率差。我在项目里主要用TOF，因为技术成熟、成本低。但FMCW有个好处——它能直接测速度，而且抗干扰能力强。不过目前量产车还是TOF占主流。
你想想看，一个激光雷达要「看」清周围环境，光测一个点肯定不够。所以它得旋转或者扫描，把一个个点拼起来。这就引出了点云的概念。
3.2 点云数据特点：一堆点里藏着什么秘密？
点云，就是激光雷达采集到的所有三维点的集合。每个点都包含X、Y、Z坐标，以及反射强度（Intensity）信息。有些雷达还能提供回波次数——比如打到玻璃上，会有两次回波。
我在项目中遇到过一个问题：点云数据看着密密麻麻，但真正有用的信息其实很稀疏。为什么？因为激光雷达的扫描线是有限的。比如一个32线的雷达，垂直方向只有32条线，中间有大量空白区域。这就导致远处物体的点云特别稀疏，一个行人可能只有三五个点。
点云数据有几个显著特点，我总结一下：
- 稀疏性：相比图像，点云数据非常稀疏。一张1080p的图像有200万个像素，而一帧32线点云可能只有几万个点。
- 无序性：点云里的点没有固定的排列顺序。你交换两个点的位置，点云还是那个点云。这给深度学习模型的设计带来了挑战。
- 近密远疏：离雷达越近，点越密；越远，点越稀。这是由激光雷达的角分辨率决定的。
- 反射强度差异：不同材质反射强度不同。比如路面的反光标识强度很高，而黑色轮胎强度很低。这个信息可以用来辅助分类。
避坑指南：我曾经在处理点云时，直接用了原始坐标做聚类，结果发现远处的物体总是被漏检。后来才意识到，点云的密度分布不均匀，必须做距离补偿或者体素化处理。建议你在做点云处理时，先统计一下不同距离下的点密度，心里有个数。
点云数据的存储格式也值得一提。最常见的格式是PCD（Point Cloud Data）和LAS。但在自动驾驶领域，我们通常用ROS bag或者NumPy数组来存储。一个典型的点云数据格式如下：
# 点云数据示例（XYZ + Intensity）
x: 2.345, y: 1.234, z: 0.567, intensity: 85
x: 2.456, y: 1.345, z: 0.678, intensity: 92
x: 2.567, y: 1.456, z: 0.789, intensity: 78
...3.3 机械式与固态式对比：选哪个？
这个问题，我几乎每次面试都会被问到。说白了，机械式和固态式就是「老牌贵族」和「新锐黑马」的较量。
机械式激光雷达，就是那个头顶上转来转去的「小风扇」。它通过电机带动激光收发模块旋转，实现360°水平扫描。Velodyne的HDL-64E是经典代表，当年Google无人车用的就是它。
机械式的优点很明显：视场角大（360°）、技术成熟、点云质量高。但缺点也致命：有机械旋转部件，寿命短、成本高、体积大。我记得有一次测试，机械雷达的电机坏了，整个系统直接瘫痪。从那以后，我对机械式的可靠性就打了个问号。
固态激光雷达，没有旋转部件，靠电子方式控制激光束的指向。主要有三种技术路线：
- MEMS微振镜：用一个小镜子反射激光，通过振动改变方向。成本低，但视场角有限。
- OPA光学相控阵：通过控制光波的相位来改变光束方向。全固态，但工艺难度大。
- Flash面阵：一次性发射大面积激光，像相机一样成像。结构简单，但探测距离短。
我建议你重点关注MEMS方案，因为目前量产车用得最多。比如Livox的Horizon系列，就是MEMS路线的代表。
下面这张表，是我根据自己的经验整理的，你可以收藏一下：
| 对比维度 | 机械式 | 固态式（MEMS） |
|---|---|---|
| 水平视场角 | 360° | 通常 90°~120° |
| 垂直视场角 | 通常 30°~40° | 通常 25°~30° |
| 线数 | 16线、32线、64线、128线 | 等效线数（非均匀分布） |
| 可靠性 | 低（有旋转部件） | 高（无运动部件） |
| 成本 | 高（数万至数十万） | 低（数千至数万） |
| 体积 | 大 | 小 |
| 点云均匀性 | 好（均匀分布） | 一般（中心密、边缘疏） |
| 典型应用 | Robotaxi、高精地图采集 | 量产乘用车、低速无人车 |
注意：固态雷达的「等效线数」是个营销概念。比如某款固态雷达标称「等效128线」，实际上它的垂直分辨率并不均匀——中心区域可能达到128线的密度，但边缘区域可能只有32线的密度。选型时一定要看角分辨率和点云密度分布图，别被数字忽悠了。
那么，实际项目中怎么选？我的经验是：
- 如果你做的是L4级Robotaxi，对感知精度要求极高，而且不差钱，那机械式还是首选。360°视场角带来的感知连续性，固态雷达暂时还比不了。
- 如果你做的是量产乘用车，要兼顾成本和可靠性，那固态雷达是必然趋势。目前主流方案是前向一个MEMS雷达（120°视场角），再加两个角雷达补盲。
- 如果你做的是低速物流车，对探测距离要求不高，那Flash方案性价比最高。
最后说一句：不管选哪种雷达，标定都是绕不开的坎。机械式雷达需要做外参标定（把雷达坐标系对齐到车体坐标系），固态雷达还需要做内参标定（补偿MEMS振镜的非线性误差）。我建议你从一开始就把标定流程固化下来，否则后面调试会非常痛苦。
好了，这一章的内容就到这里。下一章咱们聊聊毫米波雷达——那个「看似简单，实则暗藏玄机」的传感器。