市场上的激光雷达用有哪几种测距方式？各个方式的优缺点是什么

aFakeProgramer

于 2025-03-14 09:50:54 发布

阅读量998

点赞数 8

分类专栏：自动驾驶文章标签：激光雷达

本文链接：https://blog.csdn.net/usstmiracle/article/details/146249622

版权

自动驾驶专栏收录该内容

2 篇文章

订阅专栏

回顾一下激光雷达常见的测距方法。通常有三种：飞行时间法（ToF）、三角测距法和调频连续波（FMCW）。可能还有其他方法，但主流的是这三个。

首先，飞行时间法应该是应用最广泛的，尤其是在自动驾驶和高端测绘中。它的原理是通过测量激光脉冲发射和接收的时间差来计算距离。优点可能是精度高、测距远，但缺点可能有成本高、复杂信号处理，还有可能在强光下性能下降。另外，多雷达之间的干扰问题，也就是串扰，可能也是一个问题。

接下来是三角测距法，这种方法常用于近距离测量，比如机器人避障或消费电子产品。它利用激光点和摄像头之间的三角形关系来确定距离。优点是结构简单、成本低，但测距范围有限，远距离精度不够，而且容易受环境光影响。可能适合室内或短距离应用。

然后是调频连续波（FMCW），这个听起来比较新，可能还在发展阶段。它通过频率调制来测量相位差，从而得到距离和速度。优点是能同时测速，抗干扰能力强，可能在动态环境中表现更好。但技术复杂，成本高，可能目前应用还不广泛，主要还在研发阶段。

比如自动驾驶需要远距离和高精度，所以用ToF；而扫地机器人可能用三角测距法成本更低。

市场上的激光雷达主要采用以下几种测距方式，每种方式都有其独特的优缺点和应用场景：

1. 飞行时间法（Time of Flight, ToF）

原理

通过测量激光脉冲从发射到被目标反射后返回的时间差（Δt），结合光速c

计算距离：2d = c⋅Δt

应用场景

自动驾驶汽车（如Velodyne、禾赛科技、速腾聚创的雷达）

高精度测绘、工业3D建模

优点

测距范围大：可达200米以上，适合远距离场景。

高精度：毫米级至厘米级精度。

抗干扰性较好：适用于复杂光照环境（但强阳光可能影响）。

缺点

成本高：需高精度时间测量模块（如APD/SPAD探测器）。

信号处理复杂：多回波分离和噪声抑制难度大。

多雷达干扰：多个ToF雷达同时工作时可能产生串扰。

2. 三角测距法（Triangulation）

原理

利用激光发射点、被测物体反射点和摄像头（或接收器）之间的三角形几何关系计算距离。

应用场景

近距离避障（如扫地机器人、无人机）
消费电子（如手机/平板的面部识别）

优点

低成本：结构简单，无需高精度时间测量器件。
近距离精度高：毫米级精度（通常在几米内）。
实时性好：适合快速响应场景。

缺点

测距范围短：有效距离一般小于10米。
环境光敏感：强光或高反光表面易导致误差。
几何限制：基线长度（发射器与接收器间距）影响性能。

3. 调频连续波（Frequency-Modulated Continuous Wave, FMCW）

原理

发射频率连续调制的激光，通过回波与发射信号的频率差计算距离和速度（多普勒效应）。

应用场景

自动驾驶（新兴技术，如Aurora、Aeva的雷达）
高动态目标追踪（需同时测速的场景）

优点

同时测速+测距：通过多普勒效应直接获取目标速度。
抗干扰极强：不受其他雷达或环境光干扰。
高分辨率：相位信息可提升测量精度。

缺点

技术复杂：需高稳定性的激光器和复杂信号处理算法。
成本极高：目前尚未大规模普及。
测距范围受限：目前技术下远距离性能弱于ToF。

4. 相位测距法（Phase-Shift Measurement）

原理

测量发射光与反射光的相位差，结合调制频率计算距离。

应用场景

中短距离工业测量（如建筑测绘）
部分固态激光雷达

优点

高精度：毫米级分辨率。
适合中短距离：性能稳定在几十米内。

缺点

测距范围受限：远距离信号衰减导致误差。
多目标分辨能力弱：复杂场景易混淆。

对比总结

测距方式	测距范围	精度	抗干扰性	成本	典型应用
ToF	长（>200米）	高	较强	高	自动驾驶、测绘
三角测距法	短（<10米）	高（近距）	弱	低	机器人避障、消费电子
FMCW	中长（~150米）	极高	极强	极高	未来自动驾驶、动态追踪
相位测距法	中（<50米）	极高	中等	中	工业测量、固态雷达

未来趋势

ToF主导现状：因成熟度和远距离性能，仍是主流方案。

FMCW潜力大：随着芯片化（硅光技术）和成本下降，可能成为下一代主流。

混合方案：部分雷达结合ToF与FMCW以平衡性能与成本。

根据具体需求（如测距范围、成本、环境复杂度），不同技术将长期共存。

激光雷达（LiDAR）通过发射激光并分析反射信号，能够获取丰富的环境参数，这些参数在自动驾驶、测绘、机器人等领域具有重要应用。以下是激光雷达能够识别的主要参数及其详细说明：

1. 基础参数

（1）距离（Range）

原理：通过测量激光脉冲的飞行时间（ToF）或相位差计算目标与雷达的距离。
应用：障碍物检测、地形测绘、避障。
备注：测距范围受激光功率和探测器灵敏度影响（通常从几米到数百米）。

（2）三维坐标（X, Y, Z）

原理：结合激光束的扫描角度（方位角、俯仰角）和距离，生成目标点的三维空间坐标。
应用：3D环境建模、高精度地图构建、物体定位。

2. 反射特性参数

反射强度（Intensity）

原理：记录激光回波的能量强度，与目标表面材质、粗糙度、入射角度相关（如金属反射强，沥青反射弱）。
应用：
- 材质分类（区分道路、植被、建筑物）；
- 目标识别（如车道线、交通标志）；
- 环境适应性优化（滤除低反射噪声）。

3. 动态参数

径向速度（Radial Velocity）

原理：
- FMCW雷达：通过多普勒效应直接测量目标沿激光束方向的运动速度；
- ToF雷达：通过连续帧的点云变化间接计算速度。
应用：车辆/行人运动追踪、碰撞预警。

4. 多目标参数

多回波信息（Multiple Returns）

原理：单束激光可能穿透部分障碍物（如树叶）并在不同层反射，记录多次回波的时间和强度。
应用：
- 穿透植被探测地面地形；
- 复杂场景分层建模（如桥梁下方的结构）。

5. 时间参数

时间戳（Timestamp）

原理：记录每个数据点的精确采集时间（纳秒级精度）。
应用：
- 多传感器同步（如与摄像头、IMU融合）；
- 动态场景的运动轨迹分析。

6. 空间分辨率参数

点云密度（Point Cloud Density）

原理：由激光雷达的扫描频率、线束数量和角分辨率决定（如64线雷达比16线雷达密度更高）。
应用：
- 高精度建模（如建筑BIM）；
- 小目标检测（如路面的坑洞）。

7. 目标几何参数

尺寸、形状与方向

原理：通过点云聚类分析目标的几何特征（如长、宽、高）和朝向。
应用：
- 车辆/行人分类；
- 障碍物体积估算（如物流机器人避障）。

8. 衍生参数（需算法处理）

（1）语义信息（Semantic Information）

原理：结合点云数据与机器学习算法，识别目标的类别（如车辆、行人、树木）。
应用：自动驾驶决策、智慧城市管理。

（2）表面粗糙度

原理：通过反射强度的分布和波动推测表面纹理。
应用：道路状况评估（如结冰、积水检测）。

技术限制与补充说明

无法直接获取颜色：需与摄像头融合实现RGB点云。
材质识别有限：反射强度可区分部分材质，但需结合其他传感器（如红外）。
动态目标速度限制：径向速度仅反映目标沿激光束方向的分量，需多雷达协同或融合IMU获取全速。

典型应用场景对比

参数	自动驾驶	地形测绘	工业检测
距离 & 3D坐标	核心（避障、定位）	核心（高程模型）	核心（尺寸测量）
反射强度	车道线识别	地表材质分类	焊缝缺陷检测
多回波信息	次要	核心（穿透植被）	次要
径向速度	核心（碰撞预警）	无	无