4、ToF模组类型与选型维度：单点ToF、线阵ToF、面阵ToF的对比，以及选型时需考虑的成本、功耗、尺寸、接口等维度

飞行时间（Time-of-Flight，ToF）测距技术通过测量光脉冲从发射到接收的往返时间来计算目标距离。根据探测单元的排布方式，ToF模组可分为单点ToF、线阵ToF和面阵ToF三大类。这三类模组在硬件架构、数据维度、应用场景和系统成本上差异显著。选型时若只关注“测距精度”而忽略探测维度、功耗预算、接口带宽和光学设计约束，往往会导致项目后期返工。本章将从探测维度、核心原理、选型维度三个层面展开，并结合实际案例给出可落地的选型判断方法。

上图从探测维度出发，将三类ToF模组与选型核心维度进行了关联。单点ToF适合“测一个点”的场景，线阵ToF适合“测一条线”的轮廓扫描，面阵ToF则面向“测一个面”的3D成像。选型时需在成本、功耗、尺寸、接口之间做系统权衡，而非单一追求某一项指标。

4.1 单点ToF：低成本、低功耗的“距离传感器”

核心原理与硬件特征

单点ToF模组内部通常集成一个VCSEL（垂直腔面发射激光器）作为发射源，搭配一个SPAD（单光子雪崩二极管）或APD（雪崩光电二极管）作为接收像素。其测距原理基于直接ToF（dToF）或间接ToF（iToF）两种方式。dToF通过时间数字转换器（TDC）直接测量光子飞行时间，精度可达±3mm；iToF则通过测量发射与接收正弦波的相位差来推算距离，在近距离（<2m）下线性度更好。单点ToF模组通常内置MCU和算法，直接输出距离值（毫米或厘米），无需用户处理原始数据。

典型代表如ST的VL53L0X（940nm VCSEL，I2C接口，量程2m）和VL53L1X（量程4m，支持多区域测距）。这类模组封装极小，常见尺寸为4.4mm×2.4mm×1.0mm，非常适合手机、耳机、扫地机器人等空间受限的设备。

选型判断方法

• 量程匹配：近距离（<2m）选VL53L0X；中距离（2~4m）选VL53L1X；远距离（>4m）需考虑增加光功率或改用线阵/面阵。
• 环境光抑制：户外强光下需选带环境光滤除算法的模组，如VL53L1X内置环境光抑制，但强光下量程会缩短。
• 接口与MCU资源：I2C接口占用引脚少，但速率有限（400kHz）；SPI接口速率更高，适合需要快速读取多区域数据的场景。
• 多模组共存：若同一设备使用多个单点ToF（如避障机器人用4个），需确认模组支持不同I2C地址或支持时序分片，避免相互干扰。

实战场景：扫地机器人沿墙传感器选型

某扫地机器人项目需要沿墙测距，要求量程0.03~2m，精度±1cm，功耗<30mW，模组尺寸<6mm×4mm。工程师最初考虑使用VL53L0X，但实测发现其在0.03m处存在盲区（最小量程0.02m，但近距离线性度差）。改用VL53L1X后，通过配置为短距离模式（Short Mode），量程0.02~1.2m，精度±3mm，满足需求。同时，由于机器人有4个沿墙传感器，工程师将4个VL53L1X的I2C地址分别设为0x52、0x54、0x56、0x58，并通过XSHUT引脚分时上电，避免了总线冲突。最终方案功耗仅80mW（4颗），成本约$8，远低于使用线阵ToF的方案。

常见误区与总结

• 误区1：只看量程不看盲区。很多单点ToF存在最小量程（如0.02m），低于该距离时输出不稳定。选型时需确认盲区是否满足应用。
• 误区2：忽略环境光影响。户外阳光下，单点ToF的有效量程可能缩短50%以上。若应用场景包含户外，需选带环境光滤除的型号或增加遮光罩。
• 误区3：I2C地址冲突。多颗模组共用I2C总线时，必须确认地址可配置性。VL53L1X支持通过XSHUT引脚复位后重新设置地址，但需在软件中处理上电时序。

单点ToF是三类模组中成本最低、功耗最小、开发最简单的方案。它适合“测距”而非“成像”的场景。如果应用只需要一个距离值，优先考虑单点ToF。

4.2 线阵ToF：一维距离轮廓的“扫描眼”

核心原理与硬件特征

线阵ToF模组内部包含一个1×N的SPAD或像素阵列（常见N=16、32、64），配合一个柱面透镜或衍射光学元件（DOE）将VCSEL光束整形为一条线。每个像素独立测量距离，从而输出一条线上的距离轮廓。线阵ToF的视场角（FOV）通常为几十度（如60°），每个像素对应一个角度分辨率。与单点ToF相比，线阵ToF能同时获取多个方向的距离，适合需要“扫描”但不需要完整3D图像的场景。

典型代表如北醒的TF-Luna（单点，但可配置为线阵模式）、ST的VL53L5CX（8×8面阵，但可视为多区域单点）、以及工业级线阵ToF模组（如Blickfeld的Cube系列）。线阵ToF的接口通常为SPI或MIPI CSI-2，数据量比单点大一个数量级，但远小于面阵。

选型判断方法

• 像素数与角度分辨率：像素数越多，角度分辨率越高，但功耗和成本也越高。例如1×16像素、FOV 60°时，角度分辨率约3.75°；1×32像素则提升到约1.9°。
• 量程与帧率：线阵ToF的帧率通常为10~100fps。若需要高速扫描（如传送带检测），需选帧率≥30fps的型号。
• 数据接口带宽：1×32像素、每像素16bit距离值、帧率30fps时，数据量为32×16×30=15.36kbps，SPI完全够用。但若像素数增至128，且帧率60fps，则需考虑MIPI接口。
• 光学设计：线阵ToF的发射端需要DOE或柱面透镜，接收端需要对应的线阵透镜。模组的光学设计直接影响FOV和量程，选型时需确认模组是否已集成光学组件，还是需要外配。

实战场景：AGV（自动导引车）避障系统

某仓储AGV需要在行进方向前方180°范围内检测障碍物，要求量程0.1~5m，角度分辨率≤2°，响应时间≤100ms。若使用单点ToF，需要安装6~8颗并配合扫描机构，成本高且机械可靠性差。工程师选用了一款1×64线阵ToF模组，FOV 120°，角度分辨率约1.9°，量程0.1~6m，帧率30fps。该模组通过SPI接口输出64个距离值，MCU直接解析并生成避障决策。实测在0.5m处检测到直径3cm的障碍物，响应时间约33ms，满足要求。功耗约200mW，成本约$25，相比多颗单点方案（8颗×$3+扫描机构$10=$34）更优。

常见误区与总结

• 误区1：将线阵ToF当作面阵使用。线阵只能提供一维轮廓，无法生成2D深度图。若需要识别物体形状，必须用面阵。
• 误区2：忽略FOV与像素的匹配。FOV越大，每个像素对应的角度越大，远处分辨率越低。选型时需根据目标检测距离和最小物体尺寸计算所需角度分辨率。
• 误区3：接口带宽不足。高像素数、高帧率的线阵ToF可能超出SPI带宽，需提前计算数据量。

线阵ToF适合“扫描一条线”的场景，如AGV避障、传送带物体轮廓检测、电梯门防夹等。它比单点ToF信息更丰富，比面阵ToF更经济。

4.3 面阵ToF：3D深度图的“成像核心”

核心原理与硬件特征

面阵ToF模组内部包含一个二维像素阵列（如320×240、640×480），每个像素都是一个SPAD或CMOS像素，能够独立测量距离。发射端使用VCSEL阵列或单个VCSEL配合DOE扩散光束，覆盖整个FOV。接收端通过透镜将反射光成像到像素阵列上，每个像素输出一个距离值，从而生成完整的深度图（Depth Map）。面阵ToF的帧率通常为10~60fps，分辨率越高，数据量越大，对接口和处理器要求越高。

典型代表包括英飞凌+pmd的3D图像传感器（如IRS2875C）、索尼的DepthSense系列（如IMX456）、以及微软Kinect v2（基于ToF技术）。面阵ToF模组通常通过MIPI CSI-2接口输出原始深度数据，或通过USB 3.0输出处理后的深度图。功耗从1W到3W不等，尺寸从14mm×14mm到25mm×25mm。

选型判断方法

• 分辨率与FOV：分辨率决定深度图细节，FOV决定覆盖范围。例如320×240、FOV 70°×55°适合人脸识别；640×480、FOV 90°×70°适合SLAM。
• 量程与精度：面阵ToF的量程通常为0.1~8m，精度在1%量程左右（如1m处±1cm）。远距离时精度下降明显，需确认应用是否在有效量程内。
• 数据接口与处理能力：640×480、16bit距离值、30fps时，数据量为640×480×16×30=147.456Mbps，远超SPI能力，必须使用MIPI CSI-2（4-lane，每lane 1Gbps）或USB 3.0。同时，主控需具备足够的ISP或GPU资源处理深度数据。
• 环境光鲁棒性：面阵ToF在户外强光下性能下降严重。若需户外使用，需选带环境光抑制的型号，或增加滤光片。
• 多机干扰：多台面阵ToF同时工作时，可能相互干扰。需确认模组支持调制频率切换或时序同步。

实战场景：智能门锁3D人脸识别

某智能门锁项目需要实现3D人脸识别，要求量程0.3~1.2m，深度精度±5mm，功耗<2W，模组尺寸<20mm×20mm。工程师评估了单点ToF（无法获取人脸轮廓）、线阵ToF（只能扫描一条线，无法覆盖整个面部）和面阵ToF。最终选用了一款320×240面阵ToF模组，FOV 70°×55°，量程0.1~1.5m，精度±3mm@1m，功耗1.5W，尺寸18mm×16mm。该模组通过MIPI CSI-2接口连接到主控SoC，SoC内置3D人脸识别算法。实测在0.5m处，深度图能清晰分辨人脸的鼻梁、眼窝等特征，识别通过率99.2%。但工程师发现，在强光（>80klux）下，深度图出现大量噪点，识别率降至85%。后通过增加窄带滤光片（中心波长940nm，带宽20nm）和调整曝光时间，强光下识别率恢复至97%。

常见误区与总结

• 误区1：追求高分辨率而忽略处理能力。640×480的深度图需要强大的ISP和内存带宽，若主控性能不足，帧率会大幅下降。
• 误区2：忽略多机干扰。在展会、商场等多人场景中，多台设备可能同时使用ToF，导致深度图出现“飞点”。需确认模组支持调制频率切换。
• 误区3：户外使用未做光学设计。面阵ToF在户外强光下性能衰减严重，必须配合窄带滤光片和算法优化。

面阵ToF是三类模组中功能最强、但成本和复杂度最高的方案。它适合需要完整3D信息的场景，如人脸识别、SLAM、手势识别、AR/VR等。

4.4 选型维度综合对比与决策流程

选型决策流程

1. 第一步：明确探测维度。应用需要“一个距离值”还是“一条轮廓”还是“一张深度图”？这是最根本的约束。
2. 第二步：评估量程与精度。根据目标距离和精度要求，筛选出候选模组。
3. 第三步：核算功耗与散热。电池供电设备需严格控制功耗；连续工作设备需考虑散热。
4. 第四步：检查接口与主控能力。确认主控有对应的接口（I2C/SPI/MIPI）和足够处理能力。
5. 第五步：光学与环境验证。在目标环境（室内/户外、强光/暗光）下实测，确认性能达标。
6. 第六步：成本与供应链评估。批量成本、交期、替代料可用性。

在实际项目中，建议在选型初期就制作一个“需求-参数”对照表，将量程、精度、功耗、尺寸、接口、成本等逐项列出，并与候选模组参数对比。这样可以避免后期因某一项不满足而推倒重来。