1. 课程导入
ToF（Time-of-Flight，飞行时间）测距技术并非新概念，其物理思想可追溯至20世纪初的激光测距实验。然而，真正让ToF走入消费电子与工业视觉主流的，是近十年CMOS工艺与单光子雪崩二极管（SPAD）技术的成熟。从iPhone X的Face ID人脸解锁，到扫地机器人避障、AR眼镜深度感知、工业料箱体积测量，ToF模组正以每年超过20%的复合增长率渗透到各个智能终端中。作为嵌入式开发者，我们面对的不再是简单的“读一个距离寄存器”，而是一个包含光源驱动、传感器控制、数据校准、深度算法、接口传输的完整子系统。本章作为全课程的开篇，将系统梳理ToF的技术本质、模组分类、典型应用场景，并给出清晰的学习路径与课程目标，帮助你在后续29章中建立全局视野。
1.1 ToF技术原理：从光子飞行到深度图像
ToF测距的核心思想非常直观：测量光信号从发射器出发，经目标物体反射后回到接收器所经历的时间差Δt，再乘以光速c并除以2，即可得到目标距离d = c·Δt/2。但在工程实现中，直接测量皮秒级的光子飞行时间极其困难，因此实际产品采用两种间接测量方案：连续波调制（iToF）和直接脉冲计时（dToF）。
iToF（间接飞行时间）采用正弦波或方波调制光源，通过测量发射信号与接收信号之间的相位差φ来计算距离。由于相位差与距离呈线性关系（d = φ·c/(4π·f_mod)），且可以通过多个不同频率的调制波消除距离模糊，因此iToF在近距离（<10m）场景下精度较高，且像素阵列可以做到VGA甚至更高分辨率。但iToF存在多径干扰问题——当光线在多个路径上反射时，接收信号是多个相位叠加的结果，导致距离测量出现系统性偏差。
dToF（直接飞行时间）则采用SPAD（单光子雪崩二极管）作为接收器件，每个像素内部集成高精度时间数字转换器（TDC），直接记录单个光子的到达时间。dToF的优势在于抗多径干扰能力强、响应速度快、功耗低，但受限于SPAD阵列尺寸和TDC面积，分辨率通常较低（如32×32或320×240）。目前苹果的LiDAR扫描仪和部分高端手机后置ToF均采用dToF方案。
| 对比维度 | iToF | dToF |
|---|---|---|
| 测量原理 | 相位差解算 | 光子飞行时间直接计时 |
| 典型精度 | ±0.5cm@1m | ±1cm@1m |
| 分辨率 | 可达640×480 | 通常≤320×240 |
| 抗多径干扰 | 弱 | 强 |
| 功耗 | 较高（连续发光） | 较低（脉冲发光） |
| 典型芯片 | TI OPT8241、英飞凌IRS2381C | ST VL53L5、AMS TMF8801 |
| 适用场景 | 手势识别、人脸建模 | 激光对焦、避障、SLAM |
1.2 ToF模组分类与硬件架构
从系统集成角度看，ToF模组可分为三个层级：分立器件方案（激光器、传感器、驱动IC分离）、集成模组方案（将VCSEL、驱动、传感器、透镜封装在同一模块内）、SoC方案（将深度处理算法集成到传感器芯片内部）。对于嵌入式开发者而言，接触最多的是集成模组，因为它提供了标准的I2C/SPI控制接口和MIPI CSI-2或并行数据输出，降低了硬件设计门槛。
一个典型的ToF模组内部包含以下关键单元：
- VCSEL激光器：发射特定波长的红外光（通常850nm或940nm），940nm在户外抗阳光干扰能力更强，但量子效率略低。
- 驱动电路：产生调制信号，控制激光器的开关时序和电流大小，直接影响测距精度和功耗。
- SPAD/CMOS像素阵列：接收反射光，完成光电转换和信号积累。
- 深度处理引擎：执行相位解算或直方图统计，输出距离数据或置信度图。
- 接口控制器：提供I2C寄存器配置、中断输出、MIPI/SPI数据通路。
以ST的VL53L5CX为例，该模组采用dToF原理，内部集成940nm VCSEL、SPAD阵列和低功耗MCU，通过I2C接口配置，输出8×8或4×4分辨率的距离数据，最远测距4米，帧率最高30fps。其内部框图清晰地展示了从光子入射到数字输出的完整信号链。
1.3 典型应用场景与选型逻辑
ToF技术的应用场景可以按“距离范围”和“环境复杂度”两个维度划分。在短距离（<1m）场景中，ToF主要用于人脸识别（Face ID）、屏幕亮度自适应、耳机佩戴检测等；在中距离（1-5m）场景中，常见于扫地机器人避障、AR眼镜手势交互、智能家居人员检测；在远距离（>5m）场景中，则用于工业安全光幕、AGV导航、无人机定高。
不同场景对ToF模组的要求差异巨大。以扫地机器人避障为例，机器人需要在高速移动中实时检测前方障碍物，要求ToF模组具备：①高帧率（≥15fps）以减少运动模糊；②宽视场角（≥60°）以覆盖更大范围；③低功耗（<200mW）以延长续航；④抗环境光能力（能在窗边阳光下正常工作）。而人脸识别场景则更关注近距离精度（<0.5m时误差<1mm）和安全性（符合Class 1激光安全标准）。
| 应用场景 | 距离范围 | 关键指标 | 推荐方案 |
|---|---|---|---|
| 人脸识别/支付 | 0.2-1m | 精度±1mm、帧率30fps | iToF VGA模组 |
| 扫地机器人避障 | 0.1-4m | 视场角>60°、帧率>15fps | dToF 8×8模组 |
| AR手势交互 | 0.1-1m | 延迟<20ms、分辨率>320×240 | iToF QVGA模组 |
| 工业体积测量 | 0.5-8m | 精度±3mm、抗环境光 | dToF 240×180模组 |
| 汽车DMS驾驶员监控 | 0.3-1m | 可靠性、宽温-40~85℃ | 车规级iToF |
1.4 学习路径与课程目标
本课程面向具备一定嵌入式基础（熟悉I2C/SPI、了解Linux驱动模型）的开发者，目标是让你能够独立完成ToF模组的选型评估、驱动移植、深度数据采集与处理、系统集成与调试。整个课程分为四个阶段：
- 基础篇（第1-5章）：ToF原理、模组选型、硬件接口设计、寄存器配置基础。
- 驱动篇（第6-15章）：Linux/RTOS下的I2C/SPI驱动编写、MIPI CSI-2驱动移植、中断与DMA数据通路。
- 算法篇（第16-24章）：深度数据校准（温漂、多径、飞点）、滤波算法、多传感器融合。
- 实战篇（第25-30章）：典型场景案例（机器人避障、人脸识别、工业测量）、性能调优、产线标定。
完成本课程后，你将具备以下能力：
- 能够读懂ToF模组数据手册中的时序图、寄存器表和光学参数。
- 能够在Linux或RTOS环境下独立编写ToF模组驱动程序，并实现数据采集。
- 能够分析并解决ToF数据中的常见问题（飞点、多径、温漂、运动模糊）。
- 能够根据应用需求进行模组选型和系统级性能评估。