📚 课程目录第1章课程导学与激光雷达基础

1. 课程导学与激光雷达基础

大家好，我是你们这门课的主讲。在自动驾驶感知这个领域摸爬滚打了快十年，踩过的坑比走过的路还多。今天咱们开始第一讲，聊聊激光雷达那些事儿。

说实话，我刚入行那会儿，激光雷达还是个稀罕物。一个64线的Velodyne，价格能顶一辆小轿车。现在不一样了，国产方案百花齐放，价格也打下来了。但不管怎么变，核心原理就那几样。搞懂了，你就能以不变应万变。

这门课的目标很明确：让你从零开始，能独立搭建一套激光雷达障碍物检测系统。不是纸上谈兵，是真正能跑在实车上的那种。

我个人习惯把学习路径分成四个阶段：

你想想看，如果连激光雷达是TOF还是三角测距都分不清，后面谈算法优化就是空中楼阁。所以这一章，咱们先把地基打牢。

核心观点：激光雷达不是「高级摄像头」，它是主动传感器。这个认知差异，决定了你后续所有算法的设计思路。

市面上主流的激光雷达，工作原理就两种。我分别给你讲讲。

TOF的原理特别简单。打个比方：你对着山谷喊一声，听回声回来的时间。距离越远，回声越慢。激光雷达也是这个道理——发射一束激光脉冲，打到物体上反射回来，用时间差算距离。

公式也很直白：

距离 = 光速 × 飞行时间 / 2

为什么要除以2？因为光走了个来回。这个我在项目里见过有人搞混，结果算出来的距离翻了一倍，车差点撞上障碍物。嗯，这里要注意。

TOF的优势是测距远，能到200米以上。而且不受物体颜色和纹理影响。你拿个黑色轮胎放在路边，TOF照样能检测到。换成摄像头，可能就黑乎乎一片了。

我的经验：TOF雷达最怕的是多路径干扰。比如激光打到玻璃上，一部分反射回来，一部分穿过去打到后面的墙再回来。这时候你会收到两个回波。处理不好，点云里就会出现「鬼影」。我曾经在隧道口被这个问题折磨了两周。

三角测距就完全是另一套思路了。它用的是一个激光器加一个摄像头。激光打出去，摄像头拍下光斑的位置。根据三角几何关系，算出距离。

说白了，就是初中几何的相似三角形原理。激光器和摄像头之间的距离是固定的（基线长度），光斑在图像上的偏移量跟物体距离成反比。

三角测距的优点是近距离精度极高，毫米级。而且成本低，适合室内机器人、扫地机这些场景。但缺点也很明显——测距近，一般就几米到十几米。远了光斑在图像上偏移太小，误差就大了。

避坑指南：我曾经见过一个团队，用三角测距雷达做自动驾驶的远距离检测，结果高速上80米外的车完全测不到。选型的时候一定要搞清楚应用场景。自动驾驶必须上TOF，这是底线。

现在市面上产品太多了。我按技术路线给你梳理一下，免得你挑花眼。

这是最经典的结构。一堆激光收发模组堆在一个旋转平台上，一边转一边扫。Velodyne的HDL-64就是开山鼻祖。优点是360度全覆盖，点云密度高。缺点是机械结构复杂，寿命有限，而且那个旋转的「大花盆」实在不太好看。

我记得2018年做路测的时候，一台64线雷达用了半年，旋转电机就开始有异响。拆开一看，轴承磨损了。换一个要两万块，心疼得不行。

这个方案用一个小镜子的振动来代替机械旋转。体积小、成本低、可靠性高。速腾聚创的M系列就是代表。缺点是视场角有限，一般也就120度左右。要全覆盖得装好几颗。

这个最像摄像头。一次发射覆盖整个视场，直接得到一张深度图。没有任何运动部件，可靠性最高。但问题是功率受限，测距做不远。目前主要用于近距离补盲。

这个技术听着高大上，用光波干涉来控制光束方向。没有机械部件，理论上可以做到非常高的分辨率和扫描速度。但说实话，目前还不太成熟。我在展会上看过几家demo，效果只能说「未来可期」。

下面这张图，帮你理清整个知识体系：

选激光雷达，没有最好的，只有最合适的。我给你几个判断维度：

我的经验：如果你刚开始做原型验证，别一上来就买最贵的。先拿个16线的机械雷达跑通流程，把算法调稳定了，再考虑升级。我见过太多团队，设备买了一大堆，结果连点云都还没看懂。

好了，这一章的内容就到这儿。原理搞懂了，产品认清了，后面咱们就开始动手写代码了。记住我今天说的：激光雷达是主动传感器，它给你的不是图像，是三维空间里的一个个点。这个认知，会贯穿我们整个课程。

可可精品资料库