在自動駕駛感知系統的精密架構中，激光雷達（LiDAR）扮演著不可替代的角色。它通過主動發射激光并接收反射信號，能夠在各種光照條件下構建出周圍環境的高精度三維模型。這種對物體深度的感知能力，不僅是車輛避障的基礎，更是實現復雜路徑規劃和環境語義理解的關鍵。那激光雷達是如何實現深度感知的？

激光測距的物理底層邏輯與架構差異

激光雷達測量深度的最基本原理是利用光速的恒定性。目前行業內使用較多的是飛行時間法（ToF）。這種方法的操作邏輯其實很直觀，傳感器向目標物體發射一個極短的激光脈沖，當脈沖接觸到物體表面發生漫反射后，一部分光能會返回到傳感器的接收器。通過記錄脈沖從發射到返回的時間差△t，結合光在空氣中的傳播速度c，就可以計算出物體與傳感器的距離d=c·△t/2。雖然邏輯很簡單，但由于光速極快（約為每秒30萬公里），這意味著如果想要達到1厘米的測量精度，系統的時間分辨率必須優于66皮秒。這種對極致精度的追求，要求激光雷達內部集成高性能的時間數字轉換器（TDC）或采樣頻率極高的模數轉換器（ADC）。

圖片源自：網絡

飛行時間法之所以成為主流，很大程度上源于其技術成熟度高、響應速度快以及系統架構相對簡單等原因。經過多年的工業化打磨，ToF激光雷達已經在自動駕駛測試車隊中證明了其可靠性。然而，這種方法也存在一些問題，它容易受到太陽強光或其他激光雷達信號的干擾，且在需要探測高動態目標時，無法直接獲取物體的瞬時速度，必須依賴多幀點云的差分計算。為了突破這些局限，調頻連續波（FMCW）技術正逐漸從實驗室走向車端應用。FMCW并不會發射間斷的脈沖，而是發射一種頻率隨時間線性變化的連續激光束。當反射光與當前發射光在探測器上發生干涉時，會產生一個與目標距離成正比的頻率差。這種方案不僅能實現極高的探測靈敏度，還能利用多普勒效應瞬間獲得物體的徑向速度，這對于判斷十字路口的橫穿車輛或行人的動態趨勢具有重要意義。

激光雷達在感知深度時，其性能受到多種硬件指標的共同制約。點頻，即每秒鐘發射和接收的激光點數，決定了環境掃描的致密程度；而角分辨率則定義了系統區分兩個相鄰微小目標的能力。對于高速公路行駛的自動駕駛車輛而言，更遠的探測距離意味著更長的決策緩沖時間。這就要求激光雷達在保證人眼安全的前提下，盡可能提高發射功率并降低接收端的噪聲水平。

光波段的選擇與半導體硬件的演進

在依托激光雷達的深度感知體系中，波長的選擇決定了系統的感知能力。目前，市場上絕大多數激光雷達工作在905納米和1550納米這兩個波段。905納米激光由于靠近可見光光譜，其最大的優勢在于能夠利用極為廉價且成熟的硅基半導體探測器。這意味著制造商可以利用現有的消費電子供應鏈來大規模生產相關組件，從而降低傳感器的成本。然而，905納米激光存在的一個問題是它能夠通過人眼的晶狀體聚焦在視網膜上。為了防止對人類視力造成損傷，905納米激光雷達的發射功率受到了國際標準的嚴格限制，這也限制了其在低反射率物體（如穿黑衣的行人）上的有效探測距離，一般探測距離無法超過200米。

為了追求更極致的感知范圍，1550納米波長成為了高性能激光雷達的寵兒。1550納米激光在到達視網膜之前，會被人眼的前部組織（如角膜和晶狀體）吸收，這使得它的安全功率閾值比905納米高出很多。更高功率的激光意味著更強的信號穿透力和更遠的測距能力，使車輛能夠更早地發現300米甚至500米外的障礙物。此外，1550納米在對抗太陽光背景噪聲和在大氣煙霧中的穿透性等方面也表現優異。但硅材料對1550納米光子不敏感，必須使用昂貴的銦鎵砷（InGaAs）材料制造接收端探測器，且需要光纖激光器作為光源，這不僅推高了成本，也增加了系統的熱管理難度。

圖片源自：網絡

接收端硬件的靈敏度同樣是深度感知能否成功的關鍵。從傳統的雪崩光電二極管（APD）到現代的單光子雪崩二極管（SPAD）和硅光電倍增管（SiPM），探測器的效率正在經歷質的飛躍。SPAD能夠探測到極其微弱的單個光子，并產生可識別的電信號，這使得激光雷達在面對遠處極低反射率的物體時，依然能夠提取出深度的脈沖信號。隨著Phlux Technology等公司推出低噪聲InGaAs APD，1550納米系統的探測效率得到了進一步提升，能夠在不增加激光功率的情況下，顯著增加有效探測距離。這種硬件性能的每一分提升，都會轉化為自動駕駛系統在極端環境下的安全冗余。

掃描架構，從機械旋轉到光電操縱的跨越

感知物體深度的另一個核心環節是如何讓激光束掃描整個空間。激光雷達的架構設計在過去十年間經歷了翻天覆地的變化。最早期的自動駕駛車頂上，使用的是機械旋轉式激光雷達。這種設計通過電機帶動激光發射和接收模組進行360度旋轉，能夠獲得全方位的水平視野。雖然感知效果好、各線束性能一致，但由于其內部包含大量精密的機械運動部件，在汽車長期行駛的振動、高溫和沖擊下，很容易出現磨損或失效，且其高昂的價格讓量產車型望而卻步。

為了進入前裝量產市場，激光雷達開始向混合固態方案演進。其中，微機電系統（MEMS）方案利用微小的硅基振鏡來改變激光的反射角度。這種方案大幅減少了運動部件的數量，使得雷達體積縮小到可以嵌入車燈或后視鏡中。另一種混合固態的思路是轉鏡或棱鏡掃描，通過旋轉內部的精密光學鏡面來引導光束，而核心的光電轉換組件保持靜止，這在性能穩定性和體積緊湊性之間達到了較好的平衡。像是禾賽科技等廠商采用的轉鏡技術，已經在大規模量產車型上得到了廣泛驗證。

圖片源自：網絡

激光雷達的終極形態被認為是全固態架構，主要包括閃光式（Flash）和光學相控陣（OPA）。閃光式激光雷達的工作原理更像是一臺帶閃光燈的相機，它一次性發射出一片大面積的激光覆蓋整個場景，由一個大像素密度的探測器陣列（如SPAD面陣）接收回波。這種方式沒有掃描畸變，數據刷新率極高，非常適合近距離的補盲感知，但由于光能被分散，其探測距離通常較短。相比之下，光學相控陣（OPA）則采用了更為復雜的技術，通過改變成百上千個微型發射單元的相位差，利用光的干涉原理使激光束在空間中實現毫秒級的方向偏轉。這種完全基于芯片化技術的光束操縱，理論上具有極高的可靠性和極低的成本潛力，是未來自動駕駛徹底擺脫機械約束的關鍵方向。

復雜環境下的信號過濾與點云語義提取

在真實的道路環境中，深度感知面臨的阻礙遠不止距離本身。雨、雪、霧、灰塵以及強烈的太陽直射，都會對激光束的傳播產生干擾。當激光脈沖穿過雨滴或霧氣時，部分能量會被散射掉，形成“噪點”或“離群點”。如果感知系統無法正確處理這些干擾，自動駕駛系統就可能將一團水霧誤認為是混凝土墻，導致不必要的急剎。為了解決這個問題，激光雷達普遍采用了“多回波”處理技術。這意味著傳感器不僅記錄第一個返回的反射信號，還會分析后續返回的所有微弱脈沖。如當激光打在一片樹葉上時，第一道回波來自樹葉，而第二道回波可能來自樹葉縫隙后的行人。通過復雜的邏輯算法，系統可以剝離掉前方的雨滴或植被干擾，提取出真正的障礙物深度信息。

圖片源自：網絡

當激光信號被數字化并計算出三維坐標后，它們以“點云”的形式呈現出來。每個點不僅包含X、Y、Z軸的空間位置，還攜帶著反射強度信息。反射強度是一個被低估的深度感知維度，它反映了物體表面的材質屬性。利用這個信息，自動駕駛系統可以輕松地區分柏油路面和帶有玻璃微珠的高反射率車道線，從而輔助車輛進行精確的橫向定位。在提取出海量的原始點云后，感知算法會對其進行體素化或網格化處理，利用深度學習模型（如VoxelNet或PointNet++）來尋找點云中的幾何結構。模型會將那些空間連續、形態符合特征的點聚合成一個個物體，并為它們套上三維邊界框（Bounding Box），計算出每個物體的中心坐標、長寬高以及運動軌跡。

最終，激光雷達的深度感知會與攝像頭、毫米波雷達進行融合。攝像頭可以提供豐富的色彩和分類信息，彌補了激光雷達在遠距離物體識別和紅綠燈感知上的短板；而激光雷達則為攝像頭拍攝的平面圖像填補了至關重要的深度刻度，使自動駕駛大腦能夠在一個真實的三維坐標系中做出決策。這種多傳感器的深度融合，結合高精地圖的輔助，構成了現階段自動駕駛系統應對復雜城市交通的安全基石。

最后的話

從物理規律的運用到硬件架構的更迭，再到算法層面的精雕細琢，激光雷達在自動駕駛中的角色正從昂貴的硬件轉變為普及的工業組件。這種深度的感知能力，是自動駕駛技術能夠超越實驗室環境、走向真實街道的核心驅動力。隨著成本的持續下降和探測能力的不斷增強，激光雷達將繼續作為三維感知的主要硬件，定義著未來出行的安全邊界。

-- END --

       原文標題 : 自動駕駛激光雷達是如何實現深度感知的？