传感器基础与选型：激光雷达工作原理（TOF、FMCW）、相机成像模型、传感器选型对比

做融合感知这几年，我最大的感触就是：选对传感器，项目就成功了一半。很多同学一上来就调算法，结果发现数据质量不行，怎么调都白搭。今天咱们就聊聊传感器的基础原理和选型，这些都是我踩过坑之后才真正理解的东西。

一、激光雷达工作原理

激光雷达说白了就是「用激光测距」。目前主流方案有两种：TOF 和 FMCW。我最早接触的是 TOF，后来做项目时也试过 FMCW，各有各的脾气。

1. TOF（飞行时间法）

TOF 的原理很简单：发射一束激光，打到物体上反射回来，记录时间差。光速是固定的，所以距离 = 光速 × 时间 / 2。

嗯，这里要注意：TOF 测的是「单点距离」，要得到点云，就得靠扫描。机械式激光雷达就是通过旋转来扫描周围环境。

TOF 的关键参数：

• 测距精度：一般在 ±2cm 左右，跟时间测量电路的分辨率有关
• 最大测距：取决于激光功率和接收灵敏度，常见 100m-300m
• 点频：每秒发射的激光点数，决定了点云密度

2. FMCW（调频连续波）

FMCW 是另一种思路。它不直接测时间，而是发射频率连续变化的激光，通过比较发射信号和反射信号的频率差来算距离。

为什么用频率差？因为光速太快，直接测时间需要皮秒级的电路，成本高。FMCW 把时间差转换成了频率差，测量起来容易得多。

FMCW 的优势：

• 可以直接测速度（多普勒效应）
• 抗干扰能力强（不同频率的激光不会互相干扰）
• 对弱光环境不敏感

我曾经在一个隧道场景里测试过，TOF 激光雷达因为隧道壁的反射干扰，点云出现了很多噪点。换成 FMCW 之后，数据干净多了。不过 FMCW 目前成本还比较高，产业链不如 TOF 成熟。

二、相机成像模型

相机和激光雷达是「天生一对」。激光雷达给深度，相机给纹理。但要把它们融合好，得先理解相机是怎么成像的。

1. 小孔成像模型

相机成像可以简化成小孔成像。三维空间中的点，通过小孔投影到成像平面上。这里面涉及几个坐标系：

• 世界坐标系：描述物体在真实世界的位置
• 相机坐标系：以相机光心为原点
• 图像坐标系：成像平面上的像素位置

你想想看，从世界坐标到像素坐标，其实就是做了两次变换：一次旋转平移（外参），一次投影（内参）。

2. 内参和外参

内参是相机本身的属性，包括焦距、主点坐标、畸变系数。每个相机出厂时都不一样，需要标定。

外参是相机相对于某个参考坐标系的位置和姿态。在融合中，外参就是激光雷达和相机之间的旋转平移矩阵。

3. 畸变模型

实际相机都有畸变，尤其是广角镜头。常见的畸变有两种：

• 径向畸变：图像边缘向里或向外弯曲
• 切向畸变：镜头和成像平面不平行导致的变形

做融合时，一定要先对图像做畸变校正。否则激光雷达投影到图像上，位置会偏。我习惯用 OpenCV 的 cv::undistort() 来做，效果还不错。

三、传感器选型对比

选传感器就像选工具，得看你要干什么活。下面是我整理的一个对比表，都是实际项目中的经验数据。

参数	机械式激光雷达	固态激光雷达	工业相机	车载相机
测距原理	TOF	TOF / FMCW	—	—
视场角	360°	120° 左右	取决于镜头	60°-120°
分辨率	16-128线	等效 100-300线	百万到千万像素	百万到千万像素
成本	高（数万到数十万）	中（数千到数万）	低（数百到数千）	中（数千到数万）
适用场景	自动驾驶、高精地图	机器人、ADAS	工业检测、安防	车载感知、VSLAM

我个人建议：如果预算充足，选机械式激光雷达 + 高分辨率相机。如果做量产产品，固态激光雷达 + 车载相机更现实。说白了，没有完美的传感器，只有合适的组合。

四、知识体系总览

下面这张图是我自己画的，把本章的核心逻辑串起来了。你可以把它当作一个「思维导图」来用。

这张图把本章的三个核心模块串起来了。左边是激光雷达，中间是相机，右边是选型对比。它们最终都指向融合核心——时间同步和空间对齐。说白了，传感器选型只是第一步，怎么让它们「说同一种语言」才是关键。

好了，这一章的内容就到这里。传感器是融合的基础，理解透了后面才能走得顺。下一章我们聊聊标定——怎么让激光雷达和相机「对齐」。