3. 激光雷达基础
大家好，我是你们的老朋友。今天我们来聊聊激光雷达——这个在自动驾驶感知里，我个人认为最“靠谱”的传感器之一。
说实话，刚入行那会儿，我总觉得激光雷达就是个“高级摄像头”。后来踩了不少坑才明白，它和摄像头完全是两码事。摄像头是被动接收光，激光雷达是主动发射光。这个本质区别，决定了它在感知系统中的独特地位。
3.1 工作原理：ToF vs 三角法
激光雷达怎么测距？主流方案就两种：ToF（飞行时间法）和三角法。
3.1.1 ToF（飞行时间法）
ToF的原理特别直白：我发出一束激光，打到物体上反射回来，记录下时间差。光速是已知的，距离 = 光速 × 时间 / 2。
嗯，这里要注意：除以2是因为光走了个来回。
核心公式：
距离 = (c × Δt) / 2其中 c = 3×10⁸ m/s，Δt 是发射到接收的时间差
我在项目中遇到过一个问题：ToF激光雷达在强阳光下容易“饱和”。因为太阳光里也有近红外成分，会干扰接收器。后来我们加了窄带滤光片，只让激光雷达自己的波长通过，这才搞定。
避坑指南：我曾经在夏天正午做路测，发现点云里全是噪点。排查了半天，原来是太阳光太强，接收器饱和了。解决方案：要么加滤光片，要么调整接收器的增益曲线。
3.1.2 三角法
三角法就不同了。它不测时间，而是测角度。激光发射器固定，接收器（一般是CMOS或CCD）在另一个位置。物体距离不同，反射光在接收器上的成像位置就不同。通过三角几何关系，就能算出距离。
说白了，就是利用“视差”原理。你想想看，你伸出一根手指，闭上一只眼看，再换另一只眼看，手指的位置是不是变了？三角法就是这个道理。
| 对比项 | ToF | 三角法 |
|---|---|---|
| 测距原理 | 时间差 | 几何三角 |
| 远距离性能 | 优秀（可达200m+） | 一般（通常<10m） |
| 近距离精度 | 中等 | 极高（可达微米级） |
| 典型应用 | 自动驾驶、测绘 | 工业测量、手机ToF |
我个人习惯：做自动驾驶感知，首选ToF。三角法虽然近距离精度高，但远距离衰减太厉害。你想想，高速上200米外的车，三角法根本测不到。
3.2 点云数据结构
激光雷达输出的数据，我们叫“点云”。说白了，就是一堆三维坐标点的集合。
每个点通常包含：
- xyz坐标：点在三维空间的位置
- 强度值（Intensity）：反射信号的强度，可以反映物体材质
- 时间戳：这个点是什么时候采集的
- 线号：属于哪一束激光
一个典型的点云数据格式（PCL库中的PointXYZI）：
struct PointXYZI {
float x; // 米
float y; // 米
float z; // 米
float intensity; // 0-255，无量纲
};我记得刚做融合时，有个同事问我：“点云里强度值有什么用？”我告诉他，用处大了去了。比如，车道线是反光材料，强度值特别高；沥青路面强度值低。通过强度值，我们可以区分车道线和路面，辅助做车道线检测。
注意：不同厂家的激光雷达，强度值的含义可能不同。有的归一化到0-255，有的是原始ADC值。做融合前，一定要先归一化，否则算法会出问题。
3.3 主要性能指标
选激光雷达，看哪些参数？我给大家列几个核心的。
3.3.1 线数
线数就是激光雷达有多少束激光。16线、32线、64线、128线……线数越多，垂直分辨率越高，点云越密。
为什么？你想想看，每束激光负责扫描一个水平圈。16线就是16个圈，128线就是128个圈。圈越多，垂直方向上的点就越密，能看清更小的物体。
我在项目中遇到过：用16线激光雷达检测行人，10米外只能看到几个点，根本分不清是人是树。换成64线后，点云密度翻了好几倍，行人的轮廓一下就出来了。
| 线数 | 垂直角分辨率 | 典型应用场景 |
|---|---|---|
| 16线 | ~2° | 低速物流车、园区车 |
| 32线 | ~1° | L3级自动驾驶 |
| 64线 | ~0.4° | L4级Robotaxi |
| 128线 | ~0.2° | 高精度地图、远距离感知 |
3.3.2 FOV（视场角）
FOV分水平和垂直两个方向。
- 水平FOV：大多数激光雷达是360°旋转扫描，水平FOV就是360°。但有些固态激光雷达只有120°或90°。
- 垂直FOV：一般在30°-45°之间。比如Velodyne HDL-64E的垂直FOV是26.8°（+2°到-24.8°）。
嗯，这里要注意：垂直FOV决定了你能看到多近的地面和多高的物体。垂直FOV太小，车头正下方的地面就看不到，形成盲区。
避坑指南：我曾经做过一个项目，激光雷达安装高度1.8米，垂直FOV只有20°。结果车头前方3米内的地面完全看不到，有个小石墩直接撞上去了。后来我们把安装角度向下倾斜了5°，才解决这个问题。
3.3.3 精度
精度分测距精度和角度精度。
- 测距精度：一般±2cm到±5cm。ToF激光雷达的精度主要受时间测量电路的限制。
- 角度精度：一般±0.1°到±0.5°。角度精度决定了点云在空间中的位置误差。
举个例子：如果测距精度是±3cm，角度精度是±0.1°，那么在100米处，横向位置误差大约是100×tan(0.1°) ≈ 17cm。所以远距离的点云，位置误差会放大。
精度对融合的影响：做传感器融合时，激光雷达的精度决定了它作为“基准”的可信度。如果激光雷达精度高，我们通常用它来标定摄像头和毫米波雷达。如果精度差，融合出来的结果也会跟着飘。
3.4 知识体系总览
为了让大家更直观地理解本章的知识结构，我画了一张图。
这张图把本章的三个核心模块串起来了。从左到右：先理解工作原理，再掌握数据结构，最后用性能指标来评估和选型。做融合时，激光雷达通常作为“基准传感器”，因为它的精度最高。
好了，这一章就到这里。内容不多，但都是干货。下一章我们聊毫米波雷达，看看它和激光雷达有什么不同，又该怎么互补。