4. 测距原理（二）：三角测距法原理、几何模型、适用场景及与ToF的对比
上一章我们介绍了ToF（飞行时间）测距的基本原理，它通过测量光脉冲的往返时间来获取距离。本章我们将深入另一种在激光雷达中同样举足轻重的测距方式——三角测距法。与ToF依赖精密的时间测量不同，三角测距法巧妙地利用了几何光学中的相似三角形原理，通过检测反射光斑在探测器（如CMOS/CCD）上的位置偏移来计算目标距离。这种方法在短距离、高精度的工业检测和机器人避障领域有着不可替代的地位。为了让你直观理解两者的本质区别，我们先看下面的几何模型对比图。
上图清晰地展示了两种测距方式的本质差异。三角测距法中，激光器（LD）与探测器（CMOS）之间存在一个固定的基线距离L，目标反射的光斑通过透镜成像在CMOS的不同像素位置上。目标越近，光斑位置偏移越大；目标越远，偏移越小。而ToF则简单直接，通过测量光脉冲往返的时间差Δt来计算距离。理解了这一核心差异，我们就能明白为什么三角测距在近距离精度上表现优异，而ToF在远距离上更具优势。
4.1 三角测距法的核心原理与几何模型
三角测距法的物理基础是针孔成像模型与相似三角形定理。其基本结构包含三个关键部件：激光二极管（LD）、接收透镜组和位置敏感探测器（通常为CMOS或PSD）。工作时，LD发射一束极窄的激光束照射到目标物体表面，目标表面发生漫反射，部分反射光经过接收透镜会聚后，在探测器上形成一个微小的光斑。
当目标距离发生变化时，反射光进入透镜的角度随之改变，导致光斑在探测器上的成像位置发生横向移动。这个移动量（通常记为x）与目标距离（d）之间存在严格的数学映射关系。我们可以通过以下几何模型进行推导：
几何模型推导（简化理想情况）：
- 已知量：基线长度L（激光器光轴与透镜光轴之间的距离）、透镜焦距f。
- 测量量：光斑在探测器上的位移x（相对于参考零点的偏移）。
- 待求量：目标到激光雷达基线的垂直距离d。
根据相似三角形原理，存在以下近似关系（当目标距离远大于基线时）：
d ≈ (f × L) / x其中，f和L是设备标定常数，x是直接测量值。因此，距离d与光斑位移x成反比。这意味着目标越近，x越大，距离分辨率越高；目标越远，x越小，距离分辨率急剧下降。
在实际工程中，为了提升测量精度和线性度，通常采用非平行光轴结构（即激光器光轴与透镜光轴呈一定夹角），并利用标定算法对畸变进行校正。此外，探测器上的光斑并非理想的点，而是一个弥散斑，其质心位置需要通过算法（如灰度重心法）精确提取，精度可达亚像素级别。
4.2 三角测距法的工程实现与操作流程
在实际激光雷达产品中，三角测距法的实现并非简单的公式套用，而是一个涉及光学、电路和算法的系统工程。以下是典型的工程实现步骤：
- 光学结构设计：确定基线长度L和透镜焦距f。基线越长，近距离精度越高，但会导致雷达体积增大；焦距越长，同样会增大体积。通常需要根据目标量程和精度要求进行折中设计。
- 探测器选型：选用高帧率、低噪声的CMOS图像传感器或PSD位置敏感探测器。CMOS可提供二维信息，便于多目标识别；PSD响应速度快，但只能输出一维位置信息。
- 光斑质心提取：对采集到的图像进行背景抑制、阈值分割，然后计算光斑的质心坐标。这一步的精度直接决定了测距分辨率。
- 标定与拟合：在产线上使用已知距离的标准目标进行多点标定，建立“像素位移x”到“实际距离d”的映射表或多项式拟合函数。由于光学畸变和装配误差的存在，标定是保证精度的关键环节。
- 实时解算：在MCU或FPGA中，根据标定参数实时计算距离值，并输出给上层应用。
| 步骤 | 关键输入 | 核心操作 | 输出/指标 |
|---|---|---|---|
| 光学设计 | 量程、精度、体积约束 | 确定L、f、视场角 | 光学结构图、公差分析 |
| 探测器选型 | 帧率、分辨率、灵敏度 | CMOS/PSD选型 | 传感器型号、接口协议 |
| 质心提取 | 原始灰度图像 | 滤波、阈值、重心计算 | 亚像素坐标 (u, v) |
| 系统标定 | 标准距离靶标 | 多点采样、曲线拟合 | 标定系数、残差分析 |
| 实时解算 | 像素坐标、标定参数 | 查表/多项式计算 | 距离值d、置信度 |
4.3 适用场景分析与实战案例拆解
三角测距法最显著的优势在于近距离（通常0.05m~10m）内的高精度，其精度可达毫米级甚至亚毫米级，且不受物体颜色和反射率的影响（只要反射光强度足够）。这使得它在以下场景中成为首选：
- 工业视觉定位：机械臂抓取、工件尺寸测量、AGV导航中的精确对接。
- 服务机器人：扫地机器人的沿墙导航、避障和建图（如RPLIDAR A系列）。
- 安防监控：周界入侵检测、区域闯入报警。
- 3D扫描建模：手持式三维扫描仪、文物数字化。
实战案例：扫地机器人沿墙导航优化
背景与约束：某扫地机器人采用三角测距雷达，标称量程0.1m~6m，但在实际家庭环境中，用户反馈沿墙行走时频繁碰撞墙角，且对深色踢脚线（反射率低）检测不稳定。
初始现象与目标：通过日志分析发现，当机器人距离墙面小于0.15m时，测距数据跳变严重，误差超过±3cm；在深色表面（反射率<10%）时，有效帧率下降50%。目标是将近距离（0.1m~0.3m）误差控制在±1cm以内，并提升低反射率目标的检测稳定性。
关键参数与日志：雷达输出频率为10Hz，CMOS曝光时间固定为200μs，激光功率恒定。日志显示，近距离时光斑位移x接近探测器边缘，导致部分光斑超出有效像素区域。
分析判断过程：经过排查，发现两个核心问题：一是光学设计时基线L偏大，导致近距离光斑位移过大，超出CMOS有效区域；二是曝光时间固定，深色物体反射光弱，光斑灰度值低，质心提取算法失效。
实际操作步骤：
- 重新优化光学结构，将基线L从40mm缩短至30mm，同时增大透镜焦距f，使近距离光斑位移控制在CMOS有效区域的80%以内。
- 引入自动增益控制（AGC），根据光斑峰值灰度动态调整曝光时间（100μs~500μs），确保深色物体也能获得足够的光斑强度。
- 改进质心提取算法，采用加权灰度重心法，并增加光斑形状校验，剔除因环境光干扰产生的异常光斑。
结果对比：优化后，0.1m~0.3m范围内误差稳定在±0.8cm；深色踢脚线的有效检测帧率从50%提升至95%以上。沿墙导航的碰撞次数减少了80%。
风险与代价：缩短基线L导致远距离（>4m）的分辨率略有下降，但扫地机器人主要工作在2m以内，影响可接受。AGC的引入增加了算法复杂度，需要更高性能的MCU。
复盘经验：三角测距雷达的设计必须以目标场景的近距离性能为优先，不能盲目追求远量程。光学结构、探测器动态范围和算法需要协同优化，任何一环的短板都会成为系统瓶颈。
4.4 三角测距法与ToF的深度对比
了解了三角测距的细节后，我们将其与ToF进行系统性对比。两者并非替代关系，而是互补关系。下表从多个维度进行了详细对比：
| 对比维度 | 三角测距法 | ToF（飞行时间法） |
|---|---|---|
| 测量原理 | 几何光学（相似三角形） | 时间测量（光速×时间/2） |
| 核心器件 | 激光器 + CMOS/PSD + 透镜 | 激光器 + APD/SPAD + 计时电路 |
| 近距离精度（<1m） | 极高（可达亚毫米级） | 一般（受时间分辨率限制） |
| 远距离性能（>10m） | 差（分辨率急剧下降） | 优秀（精度相对稳定） |
| 抗环境光干扰 | 较弱（需滤光片+算法） | 较强（时间门控技术） |
| 对反射率敏感度 | 低（只要光斑可检测） | 高（弱反射信号难检测） |
| 多目标分辨能力 | 强（CMOS可成像多个光斑） | 弱（通常只能测最近目标） |
| 响应速度 | 受帧率限制（通常10-100Hz） | 快（可达100kHz以上） |
| 成本 | 较低（CMOS成熟） | 较高（APD/SPAD昂贵） |
| 典型量程 | 0.05m ~ 10m | 0.1m ~ 200m+ |
从上表可以看出，三角测距法在“近距离高精度”和“多目标识别”方面具有压倒性优势，而ToF则在“远距离”和“高速响应”方面更胜一筹。在实际产品中，很多高端雷达会采用混合方案：近距离使用三角测距，远距离切换ToF，以兼顾精度和量程。
4.5 常见误区与工程复盘
在学习和应用三角测距法时，工程师和学生常陷入以下误区，需要特别警惕：
误区一：盲目追求远量程。三角测距的远距离分辨率与距离的平方成反比。例如，在基线L=30mm、焦距f=16mm的配置下，1m处光斑位移约为0.48mm，而10m处位移仅约0.048mm，远低于CMOS像素尺寸（通常5μm），根本无法分辨。因此，三角测距雷达的标称量程必须与精度指标挂钩，不能只看最大可测距离。
误区二：忽略温度漂移。激光器波长和透镜折射率会随温度变化，导致光斑位置发生漂移。在-20℃~60℃的温度范围内，未补偿的漂移可能达到数十像素，造成显著测距误差。工程上必须增加温度传感器并进行软件补偿。
误区三：将ToF的标定方法套用到三角测距上。ToF通常只需线性标定，而三角测距由于几何关系的非线性，必须使用分段多项式拟合或查找表进行标定。若简单使用线性模型，近距离误差会非常大。
总结复盘：三角测距法是一门“几何的艺术”，它的精度上限由光学结构、探测器分辨率和算法精度共同决定。在实际项目中，我们建议遵循以下设计原则：
- 先定场景，再定参数：明确目标距离范围和精度要求，反推基线L和焦距f。
- 重视标定环节：标定不是一次性的，产线标定和现场自标定（利用地面或墙面）结合，能显著提升长期稳定性。
- 算法与硬件协同：质心提取算法、自动曝光控制和温度补偿是三角测距雷达的“软件灵魂”，其重要性不亚于光学设计。