一、激光雷达选型与基础原理：TOF 与三角测距原理对比、单线与多线雷达选型、关键性能指标解析
做导航的，第一步就是选雷达。我见过不少项目，算法调了大半年，最后发现是雷达选错了——测距能力不够，或者帧率跟不上。说白了，选型错了，后面全白干。
这一章，咱们把激光雷达的底裤扒干净。从测距原理到关键参数，我结合自己踩过的坑，给你讲透。
1.1 两大测距原理：TOF 与三角测距
目前市面上主流的激光雷达，测距原理就两种：TOF（飞行时间法）和三角测距法。你想想看，一个靠“算时间”，一个靠“算角度”，本质完全不同。
TOF 测距原理
TOF 的原理很简单：发射一束激光脉冲，打到目标后反射回来，接收器记录往返时间。光速是恒定的，距离 = 光速 × 时间 / 2。
嗯，这里要注意：TOF 雷达的精度主要取决于时间测量精度。我早期做过一个项目，用的 TOF 雷达标称精度 ±2cm，但在强光环境下，信噪比下降，实际误差跑到了 ±5cm。后来换了更高带宽的接收器才解决。
TOF 核心优势：测距远（几十米到上百米）、抗环境光干扰强、精度与距离无关。
三角测距原理
三角测距就不同了。它发射激光，用 CMOS 或 CCD 相机接收反射光斑。激光器、目标、接收器构成一个三角形。目标距离变化，光斑在成像面上的位置就偏移。通过几何关系算出距离。
说白了，三角测距就是“看光斑往哪跑了”。
避坑指南：我曾经在室内导航项目里用了三角测距雷达，近处精度确实好（1米内误差<1cm），但到了5米开外，误差直接飙到10cm以上。三角测距的精度随距离增加急剧下降，远距离场景慎用。
核心对比
| 对比维度 | TOF 测距 | 三角测距 |
|---|---|---|
| 测距原理 | 激光飞行时间 | 光斑成像偏移 |
| 测距范围 | 几十米~上百米 | 通常 0.1~10m |
| 近处精度（<1m） | ±1~3cm | ±0.5~1cm |
| 远处精度（>5m） | ±2~5cm | 误差急剧增大 |
| 抗环境光 | 强 | 弱 |
| 成本 | 高 | 低 |
| 典型应用 | 自动驾驶、AGV、室外导航 | 扫地机器人、室内避障 |
我个人习惯：室外导航、远距离场景，无脑选 TOF。室内近距离避障，预算有限时可以考虑三角测距，但要做好精度衰减的心理准备。
1.2 单线与多线雷达选型
选完原理，接下来是“几条线”的问题。单线雷达就是一条激光束旋转扫描，只能获取一个平面的点云。多线雷达有 16 线、32 线、64 线甚至 128 线，能获取三维点云。
单线雷达
单线雷达说白了就是“一条线扫一圈”。它只能感知一个平面的障碍物。对于地面导航的机器人来说，如果地面平坦，单线雷达够用。但遇到上下坡、坑洼，单线雷达就抓瞎了——它扫不到地面以下的东西。
我记得有一次做园区物流车，用的单线雷达。结果遇到一个 5cm 深的坑，雷达完全没扫到，车直接栽进去了。后来加了 IMU 做辅助检测才解决。
适用场景：室内平地导航、AGV 产线运输、扫地机器人。成本低，数据处理简单。
多线雷达
多线雷达能获取三维点云，可以感知地面起伏、悬空障碍物、甚至识别行人的轮廓。16 线是入门，32 线是主流，64 线以上用于自动驾驶。
但多线雷达的代价也很明显：数据量大、处理复杂、价格高。16 线雷达每秒产生 30 万个点，64 线直接上百万。你的计算平台能不能扛住？这是个现实问题。
| 选型维度 | 单线雷达 | 多线雷达 |
|---|---|---|
| 点云维度 | 2D（平面） | 3D（立体） |
| 数据量 | 小（每秒几千点） | 大（每秒几十万~百万点） |
| 地面感知 | 弱 | 强 |
| 成本 | 几百~几千元 | 几千~几万元 |
| 典型应用 | 室内导航、产线 AGV | 自动驾驶、室外巡检 |
我的建议：如果只做室内平地导航，单线雷达足够。如果涉及室外、复杂地形、或者需要感知三维环境，至少上 16 线。
1.3 关键性能指标解析
选雷达不能只看原理和线数。有几个硬指标，你必须看懂。我面试工程师时，经常拿这几个参数考人。
测距能力
测距能力包括最大测距和最小测距。最大测距决定了你的感知范围，最小测距决定了盲区大小。
举个例子：某 TOF 雷达标称最大 50m，最小 0.1m。但实际在 90% 反射率的白墙下能测 50m，在 10% 反射率的黑车上可能只能测 20m。选型时一定要看低反射率下的测距能力。
避坑指南：我曾经选了一款雷达，标称 30m 测距。结果在黑色沥青路面（反射率约 8%）上，实际只能测 8m。导航规划直接崩了。后来换了高灵敏度接收器的型号才解决。
精度
精度分为测距精度和角度精度。测距精度通常用 ±X cm 表示，角度精度用 ° 表示。
对于导航来说，测距精度 ±2cm 以内基本够用。角度精度更重要——0.1° 的角度误差，在 10m 处会带来约 1.7cm 的横向偏差。如果多线雷达的线束角度标定不准，点云会变形。
FOV（视场角）
FOV 决定了雷达能“看”多宽。水平 FOV 通常 360°（旋转式）或 90°~270°（固态）。垂直 FOV 单线雷达通常只有几度，多线雷达可以做到 30°~45°。
嗯，这里有个坑：垂直 FOV 越大，能感知的上下范围越广，但点云密度会稀释。16 线雷达垂直 FOV 30°，平均每 2° 一条线。如果垂直分辨率不够，可能漏掉低矮障碍物。
帧率
帧率就是雷达每秒出几帧点云。常见的是 10Hz、20Hz、40Hz。帧率越高，对动态障碍物的响应越快。
但帧率不是越高越好。帧率翻倍，数据量翻倍，处理压力也翻倍。对于移动速度 1m/s 的机器人，10Hz 够用。对于高速自动驾驶，至少 20Hz。
| 指标 | 说明 | 典型值 | 选型建议 |
|---|---|---|---|
| 最大测距 | 90% 反射率下的最远距离 | 10m~200m | 按实际场景留 30% 余量 |
| 最小测距 | 盲区大小 | 0.05m~0.5m | 越小越好，配合超声波补盲 |
| 测距精度 | 距离测量误差 | ±1cm~±5cm | 导航用 ±2cm 以内 |
| 角度精度 | 角度测量误差 | 0.05°~0.2° | 远距离场景要求更高 |
| 水平 FOV | 水平扫描范围 | 360° 或 90°~270° | 导航推荐 360° |
| 垂直 FOV | 垂直扫描范围 | 几度~45° | 多线雷达至少 20° |
| 帧率 | 每秒点云帧数 | 10Hz~40Hz | 低速 10Hz，高速 20Hz+ |
1.4 本章知识体系总览
下面这张图，把本章的核心逻辑串起来了。从测距原理出发，到选型决策，再到关键指标，一目了然。
这张图把整个选型逻辑串起来了：先定测距原理（TOF 还是三角），再选线数（单线还是多线），最后用关键指标（测距、精度、FOV、帧率）做最终决策。每个环节都对应具体的应用场景。
我的选型口诀：先看场景定原理，再看环境选线数，最后指标卡预算。别一上来就盯着参数表看，先想清楚你的机器人要在什么环境下跑。