常见规格对比

线数越多，点云越"稠密"，看到的世界越精细，但成本和计算量也随之增加。

测距原理

与单线激光雷达相同，仍然采用飞行时间（ToF）或相位差法测距：

• • ToF（脉冲式）：直接测激光往返时间，适合远距离测量（可达100m+）
• • 相位差法（连续波式）：发射连续调制激光，通过收发信号相位差计算距离，精度更高但测程较短

深度解读

脉冲ToF vs. 相位差法：工程权衡

两种测距方式的核心对比如下：

FMCW（调频连续波）激光雷达是目前的研究热点，华为旗舰激光雷达和部分Waymo产品已采用此方案，可同时获得距离和速度，显著提升动态目标感知能力。

点云密度与角分辨率计算

以 Velodyne HDL-64E（64线）为例：

• • 水平角分辨率：0.09°（10Hz转速时）
• • 垂直角分辨率：约 0.4°（垂直FOV ±2°~+26.9°，共64线）
• • 每秒输出点数：约 1,300,000点/秒

在 50m 处，相邻点间距约为：

这意味着 50m 外的行人（宽约0.5m）只能被约 6个点 描述，目标检测算法需要应对稀疏点云下的识别挑战。

点云处理关键算法

从原始点云到感知结果，需要经过以下处理流程：

原始点云    ↓① 地面分割（RANSAC / 法向量滤波）— 去除地面点，保留目标    ↓② 聚类（DBSCAN / Euclidean Clustering）— 将点云分成独立目标    ↓③ 目标检测（PointNet++ / VoxelNet / CenterPoint）— 识别类别和3D框    ↓④ 目标跟踪（Kalman滤波 / SORT / ByteTrack）— 多帧关联，估计速度    ↓⑤ 输出：目标类别 + 3D位置 + 速度 + 预测轨迹

标定：多传感器融合的前提

多线激光雷达单独使用价值有限，实际系统中需要与摄像头、GPS/IMU进行外参标定：

• • 雷达-相机联合标定：将3D点云投影到2D图像，实现点云着色和目标融合（如棋盘格+激光反射强度联合标定）
• • 雷达-IMU时间同步：补偿旋转运动引起的点云"扭曲"（Motion Distortion Correction），对高速场景至关重要

在机器人上的应用

1. 自动驾驶汽车 —— 最核心的"眼睛"

多线激光雷达是目前大多数L4级自动驾驶方案的核心传感器。它能：

• • 实时生成车辆周围 100m 范围内的3D环境模型
• • 精确检测行人、车辆、障碍物的位置、形状、速度
• • 与高精地图匹配，实现车辆精确定位（误差<10cm）

代表企业：Waymo（自研激光雷达）、文远知行、小马智行、Momenta。

2. 移动机器人 —— 工业场景的主力传感器

工业移动机器人（智能叉车）在工厂、仓库广泛使用16线激光雷达进行三维环境感知，相比单线激光雷达，可以感知货架上的突出物体，避免碰撞。

工业智能叉车机器人

3. 无人机 —— 低空环境感知

大疆农业无人机、测绘无人机上的激光雷达（如 Livox 系列），可以在飞行中采集地面三维数据，用于农业精准作业和地形测绘。

4. 人形机器人 —— 新兴应用方向

以特斯拉 Optimus、宇树 H1 为代表的人形机器人，部分方案中采用了小型化多线激光雷达作为全身感知的补充，帮助机器人在复杂地形中导航。

优缺点分析

优点

缺点

总结

多线激光雷达是单线激光雷达的"立体升级版"——通过叠加多条激光束，它把感知维度从平面扩展到了三维空间，让机器人真正能"看懂"复杂的立体环境。

这也是为什么它成为自动驾驶汽车的标配。但它的机械结构、高成本和大体积，也让研究者们开始思考：有没有不用旋转的激光雷达？

有的——那就是我们下期要介绍的固态雷达。

如果感觉对你有帮助，欢迎转发给对机器人感兴趣的朋友，后续带你认识机器人传感器系列持续更新中，关注公众号获取后续文章推送。

END

往期推荐