3、传感器基础（二）：激光雷达工作原理（ToF/Flash）、激光雷达分类（机械式/固态）、激光雷达点云数据特点、激光雷达标定
好，咱们接着聊传感器。上一节我们把摄像头聊透了，这一节轮到激光雷达了。
说实话，激光雷达这玩意儿，在自动驾驶圈子里争议挺大的。有人觉得它是L3以上级别的必备神器，有人觉得成本太高、不如纯视觉方案来得实在。我个人看法是——在可预见的未来，激光雷达依然是感知融合系统中不可或缺的一环。尤其是做多传感器融合，你手里没有点云数据，很多场景下真的会抓瞎。
3.1 激光雷达工作原理：ToF与Flash
激光雷达的核心任务就一个：测距。怎么测？目前主流就两种路子。
3.1.1 ToF（飞行时间法）
ToF，全称Time of Flight，说白了就是「打一枪，听回声」。激光器发射一束脉冲，打到目标物体上反射回来，接收器捕捉到回波。通过计算发射和接收的时间差，乘以光速再除以2，距离就出来了。
公式很简单：
距离 = (光速 × 飞行时间) / 2嗯，这里要注意：光速是3×10⁸ m/s，时间差通常以纳秒计。举个例子，如果目标在100米外，光来回一趟大概要667纳秒。你想想看，这么短的时间，对计时电路的精度要求有多高。
3.1.2 Flash（闪光式）
Flash激光雷达的思路不太一样。它不逐点扫描，而是像闪光灯一样，一次性照亮整个视场。接收端是一个焦平面阵列（类似摄像头CMOS），每个像素都能独立测量距离。
优点很明显：没有运动部件，可靠性高。缺点也很突出：功率受限，探测距离通常不如ToF远。目前Flash方案多用于近距离的补盲场景。
3.2 激光雷达分类：机械式 vs 固态
这个分类，说白了就是看它有没有「摇头晃脑」的部件。
3.2.1 机械式激光雷达
机械式，就是激光器和接收器装在旋转机构上，通过电机带动旋转，实现360°扫描。早期的Velodyne HDL-64就是典型代表，头顶一个大花盆，转起来嗡嗡响。
优点：视场角大，360°全覆盖。
缺点：体积大、成本高、有机械磨损、寿命有限。
我记得2018年做Robotaxi项目时，车上顶着一个64线机械雷达，光那个传感器就十几万。每次上路都提心吊胆，生怕颠坏了。
3.2.2 固态激光雷达
固态，就是没有旋转部件。目前主流技术路线有三种：
- MEMS微振镜：用一个小镜片摆动来改变激光方向。成本低，但视场角有限。
- OPA光学相控阵：通过控制阵列中每个发射单元的相位差，实现光束偏转。纯固态，但工艺难度大。
- Flash：前面讲过了，一次性照亮整个视场。
固态雷达的好处是体积小、可靠性高、适合量产。现在市面上主流的半固态（MEMS）方案，已经能做到车规级了。
3.3 激光雷达点云数据特点
点云，就是激光雷达输出的原始数据。说白了，就是一堆三维坐标点，每个点包含(x, y, z)坐标，有的还带反射强度(intensity)。
点云数据有几个显著特点：
- 稀疏性：相比图像，点云非常稀疏。64线雷达，10Hz刷新率，一帧也就几十万个点。而一张1080p图像有200多万像素。
- 无序性：点云没有固定的排列顺序。你交换两个点的位置，数据本身没变。这就给深度学习处理带来了挑战。
- 距离精度高：激光雷达的测距精度通常在厘米级，远优于摄像头。
- 受天气影响大：雨、雪、雾天，激光会被散射，点云质量急剧下降。
3.4 激光雷达标定
标定，说白了就是让激光雷达知道自己在哪、朝哪看。这是感知融合的前提。你想想看，如果激光雷达和摄像头对同一个物体的感知坐标都不一致，那融合出来的结果肯定是一团糟。
激光雷达标定主要分两块：
3.4.1 内参标定
内参标定，就是确定激光雷达自身的几何参数。比如每个激光束的俯仰角、水平角偏移、距离偏移等。这部分通常在出厂时已经标定好了，但如果你拆装过雷达，或者发现点云有系统性偏差，就需要重新标定。
内参标定一般用平面标定法：把雷达对着一个已知的平面（比如墙面），采集点云数据，然后通过拟合平面方程，反算出每个激光束的偏差。
3.4.2 外参标定
外参标定，就是确定激光雷达在车辆坐标系下的位置和姿态。也就是一个6自由度的变换矩阵（3个平移 + 3个旋转）。
常用的方法有两种：
- 手动标定：找几个特征明显的标定物（比如角点、球体），手动测量它们在雷达坐标系和车辆坐标系下的坐标，然后解算变换矩阵。
- 自动标定：利用SLAM或NDT算法，让雷达在已知环境中运动，自动估计外参。这种方法精度高，但计算量大。
3.5 本章知识体系
下面这张图，是我自己梳理的激光雷达知识框架。你可以把它当作一个「思维导图」来用。
嗯，这张图基本把这一节的核心逻辑串起来了。你从中心往外看，先搞懂工作原理，再选对类型，然后学会处理点云，最后把标定做扎实。每一步都踩实了，后面做融合才不会翻车。
可可精品资料库