1. 课程导入

激光雷达(LiDAR,Light Detection and Ranging)作为自动驾驶、机器人导航、工业测量与三维感知领域的核心传感器,正经历从传统飞行时间(ToF,Time of Flight)体制向调频连续波(FMCW,Frequency Modulated Continuous Wave)体制演进的关键时期。FMCW激光雷达并非一项全新的技术——其理论基础源于20世纪60年代的雷达工程,但受限于光源相干性、光电探测灵敏度与信号处理算力,直到近五年才在车载与高端工业场景中实现规模化落地。本章作为全课程的导入,将首先厘清FMCW激光雷达的准确定义与技术本质,梳理其从实验室走向量产的发展脉络,并通过与ToF体制的系统性对比,帮助学员建立技术选型的判断框架。最后,我们将给出本课程30章的学习目标、知识架构与学习路径建议。

FMCW激光雷达技术全景:原理、对比与课程框架 FMCW核心原理 窄线宽激光器 分束 本振光 信号光 目标 相干混频+平衡探测 拍频信号 FFT测频 → 距离/速度解算 ToF对比要点 脉冲发射 → 飞行时间测距 无法直接测速(需多帧差分) 抗干扰弱(多雷达互扰) 灵敏度低(直接探测) FMCW优势 ✓ 单次扫描同时获取距离+速度 ✓ 天然抗干扰(相干检测) ✓ 灵敏度高(外差增益) ✓ 可探测微多普勒效应 ✓ 兼容硅光集成工艺 课程30章知识框架 模块一:基础原理 第1-6章 光学/信号/测距测速 模块二:硬件系统 第7-14章 激光器/探测器/光学/电路 模块三:信号处理 第15-22章 FFT/CFAR/点云/标定 模块四:应用与前沿 第23-30章 车载/工业/硅光/趋势 学习路径:原理认知 → 硬件设计 → 算法实现 → 系统集成 → 场景落地 配套实验:FMCW测距测速仿真 → 硬件平台搭建 → 点云处理 → 车载/工业案例实战 先修要求:大学物理(光学)、信号与系统、概率论、C/Python编程基础

1.1 FMCW激光雷达的定义与技术本质

FMCW激光雷达是一种基于相干探测体制的激光测距测速系统。其核心思想是:发射激光束的频率随时间按特定规律(通常为线性三角波或锯齿波)连续调制,同时将一部分发射光作为本振光(LO,Local Oscillator)与目标回波光在光电探测器表面进行光学混频。由于本振光与回波光之间存在由目标距离引起的时间延迟(τ)和由目标径向速度引起的多普勒频移(fD),混频后产生的拍频信号(Beat Signal)中同时包含了距离与速度信息。通过对拍频信号进行模数转换(ADC)和快速傅里叶变换(FFT)频谱分析,即可解算出目标的距离、速度,甚至振动特征。

从物理本质上讲,FMCW激光雷达属于相干探测(Coherent Detection)范畴,其探测灵敏度受限于量子噪声极限(Quantum Noise Limit),而非传统ToF激光雷达的热噪声或散粒噪声极限。这意味着在相同平均发射功率下,FMCW体制可获得更高的信噪比(SNR),从而支持更远的探测距离或更低的功耗设计。此外,由于相干探测天然具有频率选择性,FMCW激光雷达能够有效抑制太阳光背景噪声和其他激光雷达的干扰信号,这是其在复杂环境中可靠工作的关键优势。

核心概念辨析:FMCW激光雷达的“连续波”并非指发射功率恒定,而是指发射频率连续变化。其发射信号在时域上是连续的,但在频域上是扫频的。这种调制方式使得距离和速度信息被编码在拍频信号的频率分量中,而非像ToF那样编码在脉冲飞行时间中。

1.2 发展历程:从雷达技术到激光雷达的演进

FMCW技术的起源可追溯至20世纪30年代的微波雷达领域。二战期间,盟军和轴心国均开发了基于FMCW原理的无线电高度计和近炸引信。1960年代,随着激光器的发明,研究人员开始尝试将FMCW原理移植到光频段。然而,受限于当时激光器的线宽(通常大于10MHz)和光电探测器的带宽,光频段FMCW测距的精度和距离远不及微波雷达,相关研究长期停留在实验室阶段。

进入21世纪,两项关键技术的突破改变了这一局面:第一,窄线宽半导体激光器(线宽小于100kHz)的商用化,使得相干探测的相干长度达到公里级,满足远距离测距需求;第二,高速模数转换器(ADC,采样率>1GS/s)和FPGA/DSP信号处理平台的成熟,使得实时处理宽带拍频信号成为可能。2015年前后,美国Aeva、Blackmore(现已被Aurora收购)等初创公司开始将FMCW激光雷达推向自动驾驶市场,标志着该技术从实验室走向工程化。2020年之后,Mobileye、Luminar等头部企业也宣布布局FMCW路线,同时硅光(Silicon Photonics)工艺的引入使得FMCW激光雷达的芯片化集成成为可能,成本与体积大幅下降。

阶段 时间跨度 关键技术突破 代表事件/产品
理论奠基期 1930s-1960s FMCW雷达理论、激光器发明 微波FMCW高度计
实验室探索期 1970s-2000s 气体/固体激光器FMCW测距 NASA空间交会对接实验
商用萌芽期 2010-2018 窄线宽DFB激光器、高速ADC Aeva、Blackmore原型机
量产导入期 2019-至今 硅光集成、FMCW芯片化 Mobileye FMCW LiDAR、Aeva Atlas

1.3 FMCW与ToF激光雷达的系统性对比

ToF激光雷达是目前市场占有率最高的激光雷达体制,其原理简单直接:发射窄脉冲激光,测量脉冲从发射到接收的飞行时间Δt,距离R = c·Δt/2。ToF体制在近十年间经历了从机械旋转到半固态、固态的演进,技术成熟度较高。然而,随着L3级以上自动驾驶对传感器性能要求的提升,ToF体制的固有局限逐渐显现。

下表从探测原理、性能参数、抗干扰能力、集成度等维度对两种体制进行系统对比:

对比维度 ToF激光雷达 FMCW激光雷达 关键差异分析
探测体制 直接探测(强度) 相干探测(外差/零差) FMCW获得外差增益,灵敏度高10-100倍
测距原理 脉冲飞行时间 拍频频率与距离成正比 FMCW无需高精度计时电路
测速能力 需多帧差分,精度低 单次扫描直接测速(多普勒) FMCW可测瞬时速度,支持微多普勒
抗干扰能力 弱(易受阳光/其他雷达干扰) 强(频率选择性相干检测) FMCW可区分不同调制斜率的信号
最大探测距离 典型150-300m(受峰值功率限制) 典型200-500m(平均功率决定) FMCW可用低峰值功率实现远距离
人眼安全 需控制峰值功率,易超标 连续波低功率,天然安全 FMCW更易通过Class 1认证
信号处理复杂度 低(阈值检测) 高(FFT、CFAR、相位解缠) FMCW需要更高算力支持
器件成本 低(PD/APD即可) 高(窄线宽激光器、平衡探测器) FMCW成本随硅光集成快速下降
技术成熟度 高(已量产多年) 中(2023-2025年量产爬坡) ToF供应链更完善
选型误区提醒:并非所有场景都适合FMCW。对于短距离(<50m)、低成本、低算力的应用(如扫地机器人、AGV避障),ToF仍然是更经济的选择。FMCW的优势主要体现在远距离、高速运动目标、强干扰环境以及需要同时获取距离和速度的场景中。

1.4 课程学习目标与整体框架

本课程共30章,分为四大知识模块,旨在帮助学员从零基础系统掌握FMCW激光雷达的完整技术栈。课程设计遵循“原理→硬件→算法→应用”的递进逻辑,每章包含理论讲解、仿真/实验指导、案例拆解与常见误区分析。

模块一(第1-6章):基础原理与数学工具。涵盖FMCW测距测速的数学推导、线性调频信号分析、FFT频谱解析、距离-速度耦合与解耦方法、多目标分辨以及Cramer-Rao下界(CRB)性能极限分析。该模块为后续硬件和算法章节奠定严格的数学基础。

模块二(第7-14章):硬件系统设计与关键器件。深入讲解窄线宽激光器(DFB/ECDL/外腔激光器)选型、光电探测器(PIN/APD/平衡探测器)原理、光学天线(准直/扩束/接收)设计、相干混频光路搭建、调制器(相位调制/强度调制)实现方案、模拟前端(TIA/滤波/AGC)电路设计、高速ADC选型与时钟同步、以及FPGA/DSP信号处理平台架构。每章均提供硬件设计要点与调试方法。

模块三(第15-22章):信号处理算法与软件实现。包括拍频信号预处理(去斜/滤波/窗函数)、距离-速度二维FFT处理、恒虚警率(CFAR)目标检测、多目标配对与解模糊、相位测速与微多普勒分析、点云生成与坐标变换、雷达标定(内参/外参)方法、以及基于C++/Python的实时处理代码实现。该模块强调工程实践,提供可运行的算法代码框架。

模块四(第23-30章):系统集成、应用案例与前沿趋势。涵盖FMCW激光雷达在自动驾驶(L2+至L4级)中的感知融合方案、在工业测量(料位计/尺寸测量/振动监测)中的典型应用、在机器人导航中的SLAM集成、硅光FMCW芯片的最新进展、FMCW与4D毫米波雷达的融合趋势、以及FMCW激光雷达的测试验证标准与量产工艺。最后一章将展望FMCW技术的未来演进方向。

学习建议:建议学员按照章节顺序学习,每章完成后完成配套的仿真实验(课程提供MATLAB/Python仿真代码)。对于硬件章节,建议结合实物平台进行调试;对于算法章节,建议在真实数据集上验证算法效果。课程难度逐章递增,第1-6章为基础,第7-14章为进阶,第15章以后为高级应用。

1.5 本章小结与学习路径规划

本章作为课程导入,明确了FMCW激光雷达的定义——一种基于相干探测和频率调制原理的激光测距测速系统;梳理了其从微波雷达理论到硅光集成产品的70年发展历程;通过系统对比揭示了FMCW相对于ToF在灵敏度、抗干扰、测速能力方面的本质优势,同时也指出了其在成本与算力方面的挑战。最后,给出了课程30章的四大模块框架与学习路径。