激光雷达基础：工作原理、点云数据格式与选型对比
做机器人路径规划，激光雷达就是我们的「眼睛」。说实话，没有它，后面讲的实时避障、地图构建全是空中楼阁。这一章我带你把激光雷达的底裤扒干净——从物理原理到数据格式，再到怎么挑一款适合你项目的雷达。
2.1 工作原理：TOF 与三角测距
市面上主流的激光雷达，测距原理就两派：TOF（飞行时间法）和三角测距法。我当年刚入行时也纠结过，到底选哪个？后来踩了坑才明白，它们各有各的脾气。
2.1.1 TOF 原理
TOF 说白了就是「打一枪，听回声」。激光器发射一个脉冲，打到物体上反射回来，接收器捕获。光速是已知的，测出时间差，距离就出来了。
核心公式：
距离 = (光速 × 飞行时间) / 2除以 2 是因为光走了个来回。
TOF 雷达的优点是测距远（几十米到上百米），精度受距离影响小。我在做园区无人车时，用的就是 16 线 TOF 雷达，30 米外的行人也能稳定检测到。
个人经验：TOF 雷达对温度敏感。夏天暴晒下，内部激光器功率会漂移，导致测距偏差。我习惯在固件里加一个温度补偿表，实测能减少 2-3cm 的误差。
2.1.2 三角测距原理
三角测距就有点「几何学霸」的味道了。激光器以固定角度发射一束光，物体反射后，接收器（通常是 CMOS 或 CCD）上的光斑位置会偏移。根据偏移量，用三角公式算出距离。
核心逻辑：
距离 = 基线长度 × 焦距 / 光斑偏移量基线越长，测距精度越高，但雷达体积也越大。
三角测距的优点是近距离精度极高（毫米级），而且成本低。我见过很多扫地机器人用的就是这种方案，几块钱的模组就能用。但缺点也很明显——距离一远，光斑偏移量太小，精度断崖式下跌。超过 10 米基本就废了。
避坑指南：我曾经在一个仓储 AGV 项目里用了三角测距雷达，结果货架通道 15 米远的地方，雷达直接「失明」了。后来换成 TOF 才解决问题。记住：室内短距离（<10m）选三角，室外或长距离选 TOF。
2.2 点云数据格式
雷达扫出来的原始数据叫「点云」。你想想看，每个点包含什么信息？最基本的是距离和角度，但实际工程中远不止这些。
2.2.1 单线雷达数据格式
单线雷达（如 RPLIDAR A1）每次扫描输出一帧数据，包含 N 个采样点。每个点通常用结构体表示：
struct LaserPoint {
float angle; // 角度，单位度
float distance; // 距离，单位毫米
float intensity; // 反射强度，0-255
uint8_t quality; // 质量等级
};intensity 这个字段很多人忽略，其实很有用。我在做地面检测时，就靠反射强度区分沥青路面和白色车道线——强度值差异很明显。
2.2.2 多线雷达数据格式
多线雷达（如 Velodyne VLP-16）的数据就复杂多了。每个点除了距离和角度，还有线束 ID 和时间戳。标准格式是：
struct PointXYZIRT {
float x; // 笛卡尔坐标 X
float y; // 笛卡尔坐标 Y
float z; // 笛卡尔坐标 Z
float intensity; // 反射强度
uint16_t ring; // 线束编号
double timestamp; // 时间戳，单位微秒
};我的习惯：拿到原始点云后，第一件事就是做「去畸变」。因为雷达在旋转时，机器人也在运动，导致一帧点云里的点对应的是不同时刻的位置。我会用 IMU 数据做运动补偿，把点云统一到同一时刻的坐标系下。
2.2.3 点云存储格式
工程中常用的点云文件格式有：
- PCD（Point Cloud Data）：ROS 生态标配，支持 ASCII 和二进制，带 header 描述字段。
- PLY（Polygon File Format）：支持顶点和面片，常用于三维重建。
- LAS/LAZ：测绘行业标准，带分类标签（地面、植被、建筑等）。
- BIN：裸二进制，我写实时算法时最爱用，解析快，不浪费 CPU。
注意：PCD 的 ASCII 格式虽然可读性好，但文件体积巨大。一个 10 万点的 PCD 文本文件可能有 50MB，换成二进制只有 10MB。做实时系统，永远用二进制格式。
2.3 常用激光雷达选型对比
选雷达就像选车——没有最好的，只有最合适的。我根据项目经验，把主流雷达分成三类，你对照着看。
| 型号 | 原理 | 线数 | 测距范围 | 精度 | 适用场景 | 参考价格 |
|---|---|---|---|---|---|---|
| RPLIDAR A1 | 三角测距 | 1 | 0.15-12m | ±1% | 扫地机器人、教学 | ¥500 |
| RPLIDAR S2 | TOF | 1 | 0.05-40m | ±3cm | 室内导航、AGV | ¥2000 |
| Velodyne VLP-16 | TOF | 16 | 0.5-100m | ±3cm | 无人车、室外机器人 | ¥30000 |
| Livox Mid-40 | TOF（非重复扫描） | 1（但视场覆盖广） | 0.5-260m | ±2cm | 自动驾驶、测绘 | ¥8000 |
| Hesai PandarXT-16 | TOF | 16 | 0.3-80m | ±2cm | 机器人、低速无人车 | ¥15000 |
选型建议：
- 预算有限 + 室内短距：RPLIDAR A1 够用，但别指望它在阳光下工作。
- 室内导航 + 需要建图：RPLIDAR S2 或 YDLIDAR G4，性价比高。
- 室外无人车：至少 16 线，Velodyne 或 Hesai 都行。Livox 的 Mid-40 虽然只有 1 线，但非重复扫描方式能覆盖很大视场，适合低速场景。
- 测绘级应用：直接上 64 线或 128 线，别省钱。
我的踩坑经历：有次给巡检机器人选雷达，图便宜买了某国产 8 线 TOF。结果在雨天测试时，水滴反射导致大量噪点，路径规划直接崩溃。后来换了带「雨雾模式」的雷达（通过多回波检测滤除雨滴），才稳定下来。所以，环境适应性比参数更重要。
2.4 知识体系总览
下面这张图把本章的核心逻辑串起来了。你一看就明白：从物理原理到数据格式，再到选型，是一条完整的链路。