课程导入：激光雷达的定义、发展历史、主要应用领域与学习路径
激光雷达（LiDAR，Light Detection and Ranging）是一种通过发射激光束并测量其反射信号来获取目标物体距离、速度、方位角及反射强度等信息的光电探测技术。它被誉为“机器的眼睛”，能够在三维空间中构建高精度的环境点云模型。与摄像头依赖环境光不同，激光雷达主动发射光源，因此不受光照条件影响，可在夜间、逆光、阴影等复杂环境下稳定工作。本课程将从物理原理、系统架构、数据处理到工程实践，系统性地帮助学习者建立从底层到应用的完整知识体系。
1.1 激光雷达的定义与核心工作原理
激光雷达本质上是一种主动式光学遥感设备。其基本工作流程为：发射模块产生激光脉冲，经光学系统整形后射向目标；激光遇到目标表面发生漫反射或镜面反射，部分回波被接收模块的探测器捕获；通过测量激光从发射到接收的时间差（飞行时间，Time of Flight），即可计算出目标与雷达之间的距离。若配合扫描机构或相控阵技术，激光雷达还能获取目标的方位角和俯仰角，从而在三维空间中形成密集的点云数据。
除了距离测量，现代激光雷达还记录回波强度（Intensity），该参数与目标表面的反射率、粗糙度及入射角相关，可用于目标分类和材质识别。部分高端系统还支持多回波（Multi-echo）技术，能够穿透植被或玻璃等半透明介质，获取多个层面的反射信号，这对林业调查和地形测绘尤为重要。
| 测距原理 | 典型波长 | 最大测程 | 精度 | 典型应用 |
|---|---|---|---|---|
| 脉冲飞行时间（ToF） | 905nm / 1550nm | 100m ~ 300m | ±2cm ~ ±5cm | 自动驾驶、机器人 |
| 相位式测距 | 635nm ~ 780nm | 50m ~ 150m | ±1mm ~ ±5mm | 工程测量、建筑扫描 |
| FMCW 调频连续波 | 1550nm | 200m ~ 500m | ±1cm ~ ±3cm | 高级辅助驾驶、4D成像 |
1.2 激光雷达的发展历史：从实验室到大规模商用
激光雷达的技术演进可划分为四个关键阶段。第一阶段（1960s-1980s）为概念验证期，激光测距技术最初用于军事和卫星测距，NASA 在阿波罗登月计划中利用激光反射器测量地月距离。第二阶段（1990s-2000s）为测绘应用期，机载激光雷达系统（如 Optech、Leica 的产品）开始用于地形测绘和电力巡线，但设备体积大、价格昂贵。第三阶段（2010s）为自动驾驶驱动期，Velodyne 的 64 线机械旋转式激光雷达成为行业标杆，但单台售价高达 7 万美元，难以量产。第四阶段（2020s 至今）为固态化与芯片化时期，MEMS 微振镜、Flash 面阵、光学相控阵（OPA）等技术逐步成熟，激光雷达成本降至 1000 美元以下，并开始进入乘用车前装市场。
值得关注的是，中国厂商禾赛科技、速腾聚创、图达通等在全球市场份额中已占据领先地位，推动了激光雷达在 L2+ 级辅助驾驶中的大规模量产。同时，FMCW 激光雷达因其可直接测量径向速度、抗干扰能力强，被视为下一代技术方向。
1.3 主要应用领域深度解析
激光雷达的应用场景已从早期的测绘扩展到自动驾驶、机器人、智慧城市、工业自动化等多个领域。在自动驾驶领域，激光雷达是 L3 级以上系统的核心传感器，与摄像头、毫米波雷达形成互补。摄像头擅长识别交通标志和车道线，但在强光或黑暗中表现不佳；毫米波雷达对金属目标敏感，但角度分辨率低；激光雷达则能提供厘米级的三维空间信息，尤其适合检测小尺寸障碍物（如路肩、锥桶、行人腿部）。
在测绘领域，机载激光雷达（LiDAR）能够穿透植被冠层，获取地面高程模型（DEM），精度可达 10cm 以内，效率是传统人工测量的百倍以上。在机器人领域，2D 激光雷达（如 RPLIDAR）是扫地机器人和 AGV 导航的核心传感器，通过 SLAM 算法实时构建环境地图。此外，激光雷达还在气象观测（云层探测）、风力发电（测风塔替代）、考古勘探（森林下遗址发现）等专业领域发挥着不可替代的作用。
| 应用领域 | 核心需求 | 典型产品形态 | 关键性能指标 |
|---|---|---|---|
| 自动驾驶 | 远距离、高可靠、全天候 | 混合固态 128 线 | 测程≥200m，角分辨率≤0.1° |
| 测绘 | 高精度、大范围、多回波 | 机载/无人机载 | 测程≥500m，精度≤5cm |
| 机器人 | 低成本、轻量化、低功耗 | 2D 单线 / 3D 固态 | 测程 10-50m，帧率≥10Hz |
| 工业检测 | 高速度、高精度、抗干扰 | 线扫式 / 面阵式 | 精度≤1mm，扫描速度≥100kHz |
1.4 课程学习路径与知识体系
本课程共 30 章，按照“原理 → 器件 → 系统 → 算法 → 应用 → 趋势”的逻辑递进。前 5 章聚焦物理基础，包括激光与光学、光电探测器、测距原理；第 6-12 章深入激光雷达的硬件架构，涵盖扫描机构、发射模块、接收模块、信号处理电路；第 13-18 章讲解点云数据处理，包括滤波、配准、目标分割与识别；第 19-24 章结合自动驾驶、测绘、机器人等典型场景进行实战案例拆解；第 25-28 章讨论标定、测试、可靠性及功能安全；最后两章展望 FMCW、固态化、芯片集成等前沿趋势。
学习者需要具备大学物理（光学部分）、模拟电路和数字信号处理的基础知识。每章均配有原理图、仿真示例和真实数据集的实操练习，建议配合开源工具（如 CloudCompare、PCL 库）进行动手实践。
1.5 案例拆解：从零搭建一台教学用激光雷达
为帮助学习者建立直观认知，我们设计一个低成本教学实验：使用单线激光雷达模块（如 RPLIDAR A1，售价约 300 元）和 Arduino 开发板，搭建一个简易的 2D 扫描系统。该实验的目标是理解激光雷达的测距原理、数据输出格式以及简单的点云可视化。
实验步骤：
- 硬件连接：将 RPLIDAR A1 的串口（TX/RX）连接至 Arduino 的 UART 引脚，供电 5V/1A。
- 数据读取：使用 Python 的 pyserial 库读取雷达输出的串口数据帧，每帧包含起始标志、转速、角度和距离值。
- 数据解析：按照 RPLIDAR 通信协议，每 0.5° 输出一个距离值，360° 共 720 个点。
- 可视化：使用 Matplotlib 的极坐标图绘制实时点云，观察周围环境的轮廓。
import serial
import math
import matplotlib.pyplot as plt
ser = serial.Serial('/dev/ttyUSB0', 115200)
angles = []
distances = []
while True:
data = ser.read(5)
if data[0] == 0xFA and data[1] == 0xA0:
angle = (data[2] & 0x7F) | ((data[3] & 0x7F) << 7)
distance = data[4] * 4 # 单位：mm
angles.append(math.radians(angle / 64.0))
distances.append(distance / 1000.0) # 转换为米
if len(angles) > 720:
break
plt.polar(angles, distances, 'b.')
plt.title('2D LiDAR Scan')
plt.show()实验结果与复盘：在室内环境下，该雷达能够清晰识别 5m 范围内的墙壁、桌椅轮廓，测距误差约 ±3cm。实验中发现，当目标表面为黑色哑光材质时，回波信号强度显著下降，导致测距值跳变。这提示我们在实际应用中，目标反射率是影响激光雷达性能的重要参数。通过该实验，学习者可以直观理解激光雷达的“扫描-测距-建图”全流程，为后续章节的深入学习打下基础。