光学与光子学
激光雷达 (LiDAR) 的物理本质、技术路线演进与算法落地
文章目录
在自动驾驶的感知层，存在着两条截然不同的信仰： 一派是特斯拉信奉的**“纯视觉派”，认为人只靠眼睛能开车，车也可以； 另一派是绝大多数车企（蔚小理、Waymo）信奉的“融合感知派”，认为机器必须拥有超越人类的感知能力——这就是激光雷达 (LiDAR)** 的战场。
LiDAR 不仅赋予了机器“深度”感知的能力，更是一场关于光电物理、微纳制造与信号处理的综合技术革命。本文将剥开商业包装，直击其技术内核。
01. 物理基石：从雷达方程说起
在讨论各种花哨的技术路线前，我们必须先理解制约 LiDAR 性能的物理铁律：激光雷达方程 (LiDAR Equation)。
接收端收到的光功率 \(P_r\) 可以表示为：
- \(P_t\)：发射功率（激光器越强，看得越远）。
- \(\tau\)：目标物体的透射率/反射特性。
- \(\rho\)：目标反射率（黑车 \(\rho \approx 10\%\)，白墙 \(\rho \approx 80\%\)）。
- \(A_r\)：接收孔径面积（接收透镜越大，收光越多）。
- \(R\)：探测距离（信号随距离的平方衰减，这比毫米波雷达的四次方衰减要好）。
- \(\eta_{sys}, \eta_{atm}\)：系统效率与大气传输效率（雨雾天 \(\eta_{atm}\) 下降，探测距离缩短）。
关键结论：要看清远处的黑车（低 \(\rho\)，大 \(R\)），你要么疯狂提高发射功率 \(P_t\)，要么把接收透镜 \(A_r\) 做大。但前者受限于人眼安全，后者受限于体积。这就是 LiDAR 设计的“戴着镣铐跳舞”。
02. 波长之争：905nm vs 1550nm
激光器的光源波长选择，是 LiDAR 设计的第一道分水岭。
1. 905nm：当前的性价比之王
- 材料：硅 (Si) 基探测器。硅工艺极其成熟，成本极低。
- 瓶颈：人眼安全。905nm 光线能穿透人眼玻璃体直达视网膜。为了不把路人“闪瞎”，发射功率被严格限制，导致探测距离很难突破 200m。
2. 1550nm：未来的贵族
- 材料：铟镓砷 (InGaAs) 探测器。
- 优势：1550nm 光线被眼球中的水吸收，无法到达视网膜。因此，发射功率可以比 905nm 高 40 倍以上！ 轻松实现 500m+ 的探测距离，且穿透雨雾能力更强。
- 劣势：贵。InGaAs 晶圆昂贵，且光纤激光器体积较大。
03. 测距原理进阶：ToF 与 FMCW 的较量
1. 飞行时间法 (ToF) —— 简单粗暴
发射脉冲 -> 计时 -> 接收脉冲。
- 探测器进化：
- APD (雪崩二极管)：传统的感光元件，增益约 100 倍。
- SPAD (单光子雪崩二极管) / SiPM (硅光电倍增管)：工作在盖革模式，能检测到单个光子。灵敏度极高，是实现纯固态 Flash LiDAR 的关键技术。
2. 调频连续波 (FMCW) —— 相干探测的魔法
FMCW 发射的是频率随时间线性变化的“啁啾信号” (Chirp)。
-
多普勒效应： 反射回来的波，不仅有时间延迟（产生频率差 \(f_r\)），还有因物体运动产生的多普勒频移 \(f_d\)。
- 上扫频段拍频：\(f_{up} = |f_r - f_d|\)
- 下扫频段拍频：\(f_{down} = |f_r + f_d|\)
- 解算：联立方程，同时算出距离 \(R\) 和速度 \(v\)。
-
核心优势：
- 自带速度 (4D)：瞬间判断对方是静止还是冲过来，无需像 ToF 那样等下一帧做差分。
- 抗干扰：只响应由于自己发射的频率产生的拍频信号，完全无视阳光和其他雷达的干扰。
04. 扫描架构：通往固态之路
如何把激光打向四面八方？
| 技术路线 | 核心部件 | 优缺点 | 代表厂商 |
|---|---|---|---|
| 机械旋转 | 电机+滑环 | ✅ 360°覆盖 ❌ 寿命短，过车规难 |
禾赛 (Pandar系列), Velodyne |
| MEMS | 微振镜 | ✅ 分辨率高，体积小 ❌ 视场角(FOV)窄，低温易失效 |
速腾聚创 (M系列), Innoviz |
| 转镜/棱镜 | 旋转多面体 | ✅ 技术成熟，易过车规 ❌ 扫描纹理不均匀 |
大疆 Livox (花瓣扫描), 华为 |
| Flash | VCSEL+SPAD | ✅ 纯固态，寿命无限 ❌ 功率密度低，只能做近距离补盲 |
Ouster, ibeo |
| OPA | 硅光相控阵 | ✅ 扫描速度快，芯片级集成 ❌ 光损耗大，旁瓣难消，制造难 |
Quanergy (已倒闭), 实验室阶段 |
特别介绍：大疆 Livox 的非重复扫描
传统的机械雷达是重复扫描，每一帧扫的地方都一样。 大疆利用双棱镜（Risley Prisms）产生菊花状 (Rosette) 扫描轨迹。随着时间推移，扫描线会覆盖整个视场，时间越长，分辨率越高。这种方案极大降低了硬件成本。
05. 算法层：从点云到认知
雷达吐出来的是每秒几十万个 \((x, y, z, reflectivity)\) 坐标点，如何让车看懂？
1. 点云预处理
- 去噪：剔除雨雪造成的“鬼影”点（通常雨滴反射强度低，且没有连续的空间结构）。
- 去畸变：车在动，雷达在转，导致一圈扫下来起点和终点对不上（运动畸变），需要结合 IMU 数据进行校正。
2. 感知算法 (Perception)
- 3D 目标检测：使用深度学习网络（如 PointPillars, VoxelNet）把点云划分成“体素” (Voxel)，框出车辆、行人、骑行者。
- 路面分割：区分哪里是路面，哪里是路沿 (Curb)。
3. 定位与建图 (SLAM)
- LOAM / Lego-LOAM：经典的激光 SLAM 算法。通过提取点云中的“线特征”（电线杆、墙角）和“面特征”（地面、墙面），与上一帧进行匹配，算出车子走了多远，同时构建高精地图。
06. 行业终局推演
激光雷达的摩尔定律正在生效。
- 芯片化 (SiP)：把激光器、探测器、处理电路全部封装到一个芯片里，将是降低成本的唯一路径。
- 融合化：未来的传感器可能不再分“摄像头”和“雷达”，而是出现 RGB-D 传感器——既有摄像头的色彩分辨率，又有雷达的深度信息。
- 甚至消失？：如果纯视觉算法（Occupancy Network）进化得足够快，LiDAR 可能会像当年手机上的红外接口一样，完成历史使命后退场。但至少在未来 10 年，它仍是 L3+ 自动驾驶不可或缺的安全冗余。
CONTINUE EXPLORING
DISCUSSION
留言与讨论
分享你的理解，或留下一个值得继续讨论的问题。
还没有留言，欢迎成为第一个参与讨论的人。