自动驾驶激光雷达是如何实现深度感知的?

编者语：后台回复“入群”，加入「智驾最前沿」微信交流群

在自动驾驶感知系统的精密架构中，激光雷达（LiDAR）扮演着不可替代的角色。它通过主动发射激光并接收反射信号，能够在各种光照条件下构建出周围环境的高精度三维模型。这种对物体深度的感知能力，不仅是车辆避障的基础，更是实现复杂路径规划和环境语义理解的关键。那激光雷达是如何实现深度感知的？

激光测距的物理底层逻辑与架构差异

激光雷达测量深度的最基本原理是利用光速的恒定性。目前行业内使用较多的是飞行时间法（ToF）。这种方法的操作逻辑其实很直观，传感器向目标物体发射一个极短的激光脉冲，当脉冲接触到物体表面发生漫反射后，一部分光能会返回到传感器的接收器。通过记录脉冲从发射到返回的时间差△t，结合光在空气中的传播速度c，就可以计算出物体与传感器的距离d=c·△t/2。虽然逻辑很简单，但由于光速极快（约为每秒30万公里），这意味着如果想要达到1厘米的测量精度，系统的时间分辨率必须优于66皮秒。这种对极致精度的追求，要求激光雷达内部集成高性能的时间数字转换器（TDC）或采样频率极高的模数转换器（ADC）。

图片源自：网络

飞行时间法之所以成为主流，很大程度上源于其技术成熟度高、响应速度快以及系统架构相对简单等原因。经过多年的工业化打磨，ToF激光雷达已经在自动驾驶测试车队中证明了其可靠性。然而，这种方法也存在一些问题，它容易受到太阳强光或其他激光雷达信号的干扰，且在需要探测高动态目标时，无法直接获取物体的瞬时速度，必须依赖多帧点云的差分计算。为了突破这些局限，调频连续波（FMCW）技术正逐渐从实验室走向车端应用。FMCW并不会发射间断的脉冲，而是发射一种频率随时间线性变化的连续激光束。当反射光与当前发射光在探测器上发生干涉时，会产生一个与目标距离成正比的频率差。这种方案不仅能实现极高的探测灵敏度，还能利用多普勒效应瞬间获得物体的径向速度，这对于判断十字路口的横穿车辆或行人的动态趋势具有重要意义。

激光雷达在感知深度时，其性能受到多种硬件指标的共同制约。点频，即每秒钟发射和接收的激光点数，决定了环境扫描的致密程度；而角分辨率则定义了系统区分两个相邻微小目标的能力。对于高速公路行驶的自动驾驶车辆而言，更远的探测距离意味着更长的决策缓冲时间。这就要求激光雷达在保证人眼安全的前提下，尽可能提高发射功率并降低接收端的噪声水平。

光波段的选择与半导体硬件的演进

在依托激光雷达的深度感知体系中，波长的选择决定了系统的感知能力。目前，市场上绝大多数激光雷达工作在905纳米和1550纳米这两个波段。905纳米激光由于靠近可见光光谱，其最大的优势在于能够利用极为廉价且成熟的硅基半导体探测器。这意味着制造商可以利用现有的消费电子供应链来大规模生产相关组件，从而降低传感器的成本。然而，905纳米激光存在的一个问题是它能够通过人眼的晶状体聚焦在视网膜上。为了防止对人类视力造成损伤，905纳米激光雷达的发射功率受到了国际标准的严格限制，这也限制了其在低反射率物体（如穿黑衣的行人）上的有效探测距离，一般探测距离无法超过200米。

为了追求更极致的感知范围，1550纳米波长成为了高性能激光雷达的宠儿。1550纳米激光在到达视网膜之前，会被人眼的前部组织（如角膜和晶状体）吸收，这使得它的安全功率阈值比905纳米高出很多。更高功率的激光意味着更强的信号穿透力和更远的测距能力，使车辆能够更早地发现300米甚至500米外的障碍物。此外，1550纳米在对抗太阳光背景噪声和在大气烟雾中的穿透性等方面也表现优异。但硅材料对1550纳米光子不敏感，必须使用昂贵的铟镓砷（InGaAs）材料制造接收端探测器，且需要光纤激光器作为光源，这不仅推高了成本，也增加了系统的热管理难度。

图片源自：网络

接收端硬件的灵敏度同样是深度感知能否成功的关键。从传统的雪崩光电二极管（APD）到现代的单光子雪崩二极管（SPAD）和硅光电倍增管（SiPM），探测器的效率正在经历质的飞跃。SPAD能够探测到极其微弱的单个光子，并产生可识别的电信号，这使得激光雷达在面对远处极低反射率的物体时，依然能够提取出深度的脉冲信号。随着Phlux Technology等公司推出低噪声InGaAs APD，1550纳米系统的探测效率得到了进一步提升，能够在不增加激光功率的情况下，显著增加有效探测距离。这种硬件性能的每一分提升，都会转化为自动驾驶系统在极端环境下的安全冗余。

扫描架构，从机械旋转到光电操纵的跨越

感知物体深度的另一个核心环节是如何让激光束扫描整个空间。激光雷达的架构设计在过去十年间经历了翻天覆地的变化。最早期的自动驾驶车顶上，使用的是机械旋转式激光雷达。这种设计通过电机带动激光发射和接收模组进行360度旋转，能够获得全方位的水平视野。虽然感知效果好、各线束性能一致，但由于其内部包含大量精密的机械运动部件，在汽车长期行驶的振动、高温和冲击下，很容易出现磨损或失效，且其高昂的价格让量产车型望而却步。

为了进入前装量产市场，激光雷达开始向混合固态方案演进。其中，微机电系统（MEMS）方案利用微小的硅基振镜来改变激光的反射角度。这种方案大幅减少了运动部件的数量，使得雷达体积缩小到可以嵌入车灯或后视镜中。另一种混合固态的思路是转镜或棱镜扫描，通过旋转内部的精密光学镜面来引导光束，而核心的光电转换组件保持静止，这在性能稳定性和体积紧凑性之间达到了较好的平衡。像是禾赛科技等厂商采用的转镜技术，已经在大规模量产车型上得到了广泛验证。

图片源自：网络

激光雷达的终极形态被认为是全固态架构，主要包括闪光式（Flash）和光学相控阵（OPA）。闪光式激光雷达的工作原理更像是一台带闪光灯的相机，它一次性发射出一片大面积的激光覆盖整个场景，由一个大像素密度的探测器阵列（如SPAD面阵）接收回波。这种方式没有扫描畸变，数据刷新率极高，非常适合近距离的补盲感知，但由于光能被分散，其探测距离通常较短。相比之下，光学相控阵（OPA）则采用了更为复杂的技术，通过改变成百上千个微型发射单元的相位差，利用光的干涉原理使激光束在空间中实现毫秒级的方向偏转。这种完全基于芯片化技术的光束操纵，理论上具有极高的可靠性和极低的成本潜力，是未来自动驾驶彻底摆脱机械约束的关键方向。

复杂环境下的信号过滤与点云语义提取

在真实的道路环境中，深度感知面临的阻碍远不止距离本身。雨、雪、雾、灰尘以及强烈的太阳直射，都会对激光束的传播产生干扰。当激光脉冲穿过雨滴或雾气时，部分能量会被散射掉，形成“噪点”或“离群点”。如果感知系统无法正确处理这些干扰，自动驾驶系统就可能将一团水雾误认为是混凝土墙，导致不必要的急刹。为了解决这个问题，激光雷达普遍采用了“多回波”处理技术。这意味着传感器不仅记录第一个返回的反射信号，还会分析后续返回的所有微弱脉冲。如当激光打在一片树叶上时，第一道回波来自树叶，而第二道回波可能来自树叶缝隙后的行人。通过复杂的逻辑算法，系统可以剥离掉前方的雨滴或植被干扰，提取出真正的障碍物深度信息。

图片源自：网络

当激光信号被数字化并计算出三维坐标后，它们以“点云”的形式呈现出来。每个点不仅包含X、Y、Z轴的空间位置，还携带着反射强度信息。反射强度是一个被低估的深度感知维度，它反映了物体表面的材质属性。利用这个信息，自动驾驶系统可以轻松地区分柏油路面和带有玻璃微珠的高反射率车道线，从而辅助车辆进行精确的横向定位。在提取出海量的原始点云后，感知算法会对其进行体素化或网格化处理，利用深度学习模型（如VoxelNet或PointNet++）来寻找点云中的几何结构。模型会将那些空间连续、形态符合特征的点聚合成一个个物体，并为它们套上三维边界框（Bounding Box），计算出每个物体的中心坐标、长宽高以及运动轨迹。

最终，激光雷达的深度感知会与摄像头、毫米波雷达进行融合。摄像头可以提供丰富的色彩和分类信息，弥补了激光雷达在远距离物体识别和红绿灯感知上的短板；而激光雷达则为摄像头拍摄的平面图像填补了至关重要的深度刻度，使自动驾驶大脑能够在一个真实的三维坐标系中做出决策。这种多传感器的深度融合，结合高精地图的辅助，构成了现阶段自动驾驶系统应对复杂城市交通的安全基石。

最后的话

从物理规律的运用到硬件架构的更迭，再到算法层面的精雕细琢，激光雷达在自动驾驶中的角色正从昂贵的硬件转变为普及的工业组件。这种深度的感知能力，是自动驾驶技术能够超越实验室环境、走向真实街道的核心驱动力。随着成本的持续下降和探测能力的不断增强，激光雷达将继续作为三维感知的主要硬件，定义着未来出行的安全边界。

-- END --