自動駕駛里的激光雷達有何作用？

[首發于智駕最前沿微信公眾號]激光雷達（LiDAR）是一款把光當“尺子”來量距離的一類傳感器，在自動駕駛里負責“看清三維形狀和距離”。它和攝像頭、毫米波雷達不一樣，能直接給出稠密的三維點云，幫助車輛判斷周圍物體的空間位置與幾何形狀。假期閑敘，就和大家簡單聊聊激光雷達。

激光雷達到底是什么

激光雷達通常由激光發射器、接收器（光電探測器）、光學掃描或發散系統、時間/頻率測量電路和點云處理模塊等組成，其工作時是將一束或一陣激光發射出去，等激光從周圍物體反彈回來后，通過“來回時間”或“頻率變化”計算出物體與車輛的距離，將大量這樣的距離點拼起來，就可以形成三維點云。相比攝像頭靠像素和顏色、毫米波雷達靠電波反射強度，激光雷達可以直接用來測空間幾何，給出的信息更“干凈”，每個點都有明確的三維坐標（x,y,z），再配上反射強度便可以判斷材質粗略特征。

不同廠商和不同類型在這些模塊的實現上差別很大，這也造成了性能、成本和適應場景的差異。激光雷達可以從兩個維度去區分，一是工作原理（如何測距離），二是實現形式（硬件怎么把光分布出去、怎么掃描）。

按工作原理分，激光雷達主要有飛行時間測距（Time-of-Flight,ToF）和調頻連續波（FMCW）兩類。ToF是傳統且最常見的方式，發脈沖，測回波來回時間，乘以光速得到距離。ToF實現簡單、成本區間廣，但在高反射或極遠距離、以及直接測速度時有限制。FMCW激光雷達通過向發射光加頻率調制，接收回波后與本地信號做混頻，從頻差得到距離和徑向速度（多普勒），具有更強的抗干擾能力、能夠直接測速度并對強反射場景更穩定，但其結構復雜、對光學和電子器件要求更高，成本也更高。不過FMCW在抗相互干擾與夜間弱回波下的表現，被認為更適合未來大規模部署的自動駕駛系統。

按實現形式分（也就是掃描方式），激光雷達常見分類包括機械旋轉式、固態（固態又可細分為閃光式、固態相控/相控陣、MEMS鏡面、光學相控陣等）。早期常見的外露旋轉式（上面轉著一個圓筒，360度掃描）點密度高、視場廣、技術成熟，但機械運動件也帶來了可靠性、成本、體積和防護問題。固態設計的目的就是把轉動部件去掉，做到更小、更便宜、更耐用。閃光式（Flash LiDAR）一次性發光并用二維接收陣列直接獲取深度圖，適合近距離、高幀率的場景；MEMS是用小鏡子偏轉光束，體積小但視場/點數受限；光學相控陣/相控光學能實現電子掃描，未來潛力大但技術門檻高。

此外，激光波長（常見有905nm與1550nm兩種主流選擇）也會影響激光雷達的性能與成本。905nm波段器件成熟、成本低，但發射功率受人體安全標準限制；1550nm在相同能量下對人的眼睛更安全，允許更高發射功率，從而在更遠距離或穿透能見度較差的場景下表現更好，但對應的發射器和探測器成本更高。

對于激光雷達來說，還有一個關鍵的數據，那便是線數（或垂直分辨率）。很多廠商會以“線”來標榜點云密度，比如16、32、64、128線，但這只是一個指標，還要看實際掃描率、水平分辨率、點云刷新率和點云均勻性。線數高不等于系統更好，要結合整車感知需求、處理算力、以及感知算法如何利用這些點云來評估自動駕駛的價值。

激光雷達是如何工作的？

脈沖ToF激光雷達中激光發射器發出短脈沖光，脈沖向外擴散或按一定角度掃描；當脈沖碰到路邊的護欄、行人、車輛或其他物體時，一部分光被反射回接收端。接收端的光電探測器（通常是雪崩光電二極管APD或硅光電二極管、在1550nm時可能用InGaAs）把光信號轉換為電信號，前端放大器把非常弱的電信號提升到能被時間測量電路識別的水平。時間測量電路精確記錄從發射到接收到回波的時間差，乘以光速并除以二就得到距離。為得到空間分布，系統依靠掃描機制把脈沖朝不同方向發射，多次測量后就能把很多點拼成點云?，F階段的激光雷達還會記錄每個點的回波強度（反射率指示），有些還能分辨多回波（比如脈沖經過樹葉后還能收到從后方道路的回波），用于更復雜的場景理解。

FMCW激光雷達沒有短脈沖，而是持續發送頻率線性調制的光。接收回波與本地參考波混頻，得到差頻信號，差頻的頻率與回程延時相關，從而推導出距離；同時由于存在多普勒頻率偏移，混頻結果還能帶有速度信息。這種方法在抵抗強光或車輛間相互干擾時更有優勢，并且可以直接輸出目標的徑向速度，減少數據融合的復雜度。

無論是哪種方式，最終輸出給感知模塊的都是帶有坐標（通常在雷達自身坐標系下）、強度、時間戳的點云。之后點云會被濾噪、聚類、分割，再與攝像頭或毫米波雷達的數據做融合。點云能直接為目標提供三維輪廓信息，輔助目標檢測、跟蹤、定位與路徑規劃。

激光雷達的優點和短板

激光雷達的顯著優勢是直接給出精準的三維幾何信息，特別在夜間或低紋理環境（白天光線差、路面單色）時，攝像頭可能看不清，但LiDAR仍能輸出結構良好的點云。對障礙物距離估計非常直接，這能降低數據關聯和三維重建的難度。對于需要精確邊界、形狀的場景（比如復雜路口、狹窄車道、復雜工況）點云非常有用。

激光雷達的感知效果非常明顯，但其短板也很多。第一是成本。傳統高性能LiDAR單臺成本很高，這影響了大規模量產車的采用。第二是對環境的脆弱性。霧、雨、雪、塵土會散射或吸收激光，導致回波減少或噪聲增加，點云稀疏；塵霧或雨滴引起的多回波會誤判。第三是安裝與維護，對于機械旋轉式LiDAR，長期運行的可靠性、密封防水、抗振動等都需要工程設計。第四是數據量與算力需求。高密度點云對感知算法和車載算力是非常大的挑戰，需要高效的點云處理流水線。第五是互相干擾與法規問題。當多個激光雷達在同一環境工作時，脈沖可能相互干擾（尤其ToF系統），這需要采用不同編碼或使用抗干擾設計；在一些波段下發射功率還要考慮人體安全規范。

可以不用激光雷達嗎？

在自動駕駛領域，其實一直有一個話題，那就是是否可以直接純視覺。其實對于這個問題，不是簡單的“能”或“不能”，而是要看目標功能、安全要求、部署成本和使用場景。

純視覺（或視覺+毫米波雷達）方案在某些受控場景或限定ODD（運行設計域）下是可行的。攝像頭能提供高分辨率的紋理、顏色和語義信息，用深度學習模型可以做車輛、行人和車道線的檢測、語義分割以及端到端行為預測。對于低速、結構化、道路標識明確、氣候條件穩定的場景，攝像頭+高性能算法確實能達到令人滿意的效果。

但純視覺的弱點也很明顯，攝像頭本質上是被動感光器件，對光照變化高度敏感。強光逆光、夜間低照、雨雪或霧天都會顯著影響性能。再者，視覺本身不直接給距離，深度估計需要立體視覺或學習推斷，誤差分布復雜且難以完全保證在安全臨界場景下的可靠性。毫米波雷達能給速度和一定距離但分辨率低，無法替代LiDAR在幾何精度上的作用。

因此很多方案都是采用融合路線，在低速城市自動泊車或部分自動化場景可能依賴攝像頭與毫米波雷達；在更高等級的自動駕駛（比如城市復雜路況的L4/L3）中，廠商更傾向于把激光雷達作為“幾何主傳感器”之一，用于提供可靠的三維信息和作為冗余驗證手段。也有公司決心走“無激光雷達”道路，通過海量數據、閉環訓練和專門的感知架構來提升視覺方案，但這條路需要極大的數據、算力和長期驗證才能在所有極端場景下達到相同安全裕度。

簡言之，如果組合輔助駕駛的使用場景是達到在復雜城市道路長期運行的高可靠自動駕駛，激光雷達很可能是最穩妥的選擇之一；如果只是做限定場景的功能性產品或要壓低成本以便量產，則可以考慮去掉激光雷達，但必須在ODD設計、冗余策略與大量實路驗證上下大功夫。

未來會如何發展

未來幾年激光雷達的發展方向比較明確，一是固態化與規?；荚谶M一步壓低成本和提升可靠性；二是向FMCW等能直接輸出速度信息、抗干擾能力更強的技術轉型；三是在芯片和光學集成上做更多突破，把發射、接收和信號處理集成到更小的模塊；四是軟件層面的點云處理與學習算法會越來越高效，減少算力負擔。與此同時，和攝像頭/毫米波雷達的深度融合會成為主流，三者互為冗余并各自發揮優勢。

激光雷達可以給出穩定的三維幾何信息，這對自動駕駛的安全性和環境理解很重要。但它有成本、環境適應性和集成方面的挑戰。現實的做法不是“盲目依賴激光雷達”也不是“極端排斥激光雷達”，而是把它當成工程系統中的一個重要組成部分，理解它的物理原理與局限，設計好與其他傳感器的互補策略，優化安裝和算法，按照既定的ODD做出合理選擇。