3、ToF深度相机详解：iToF与dToF原理、典型芯片、优缺点及应用
ToF（Time of Flight，飞行时间）技术，说白了就是给光波“掐秒表”。
我最早接触ToF是在2015年做机器人避障项目，当时结构光方案在室外基本“见光死”，ToF成了唯一选择。这些年下来，ToF已经从高端工业设备，变成了手机人脸识别、扫地机避障的标配。
这一章，我们把它拆开揉碎，讲清楚。
3.1 核心原理：光速就是尺子
ToF的基本思想很简单：发射一束光，测量它打到物体再反射回来的时间差，乘以光速再除以2，就是距离。
核心公式：
距离 = (光速 × 飞行时间) / 2光速 ≈ 3×10⁸ m/s，所以1纳秒对应约15厘米的往返距离。
但实际工程中，直接测光速级别的纳秒时间差，对电子器件要求极高。于是业界分化出两条技术路线：iToF（间接飞行时间）和dToF（直接飞行时间）。
3.2 iToF：用相位差“换算”时间
iToF不直接测时间，而是发射连续调制的光波（通常是正弦波或方波），通过测量发射波与反射波之间的相位差，间接计算出飞行时间。
我习惯把iToF比作“看表盘”：你不需要知道秒针走了多少格，只需要看时针和分针的夹角，就能推算出时间。
3.2.1 工作原理
- 发射调制光：光源（VCSEL激光器）发出高频调制的近红外光。
- 接收与解调：传感器（CMOS像素阵列）在多个相位窗口（0°、90°、180°、270°）采集反射光强度。
- 计算相位差：通过四个采样值，解算出相位偏移φ。
- 换算距离：距离 = (c × φ) / (4π × f_mod)，其中f_mod是调制频率。
避坑指南：我曾经在调试iToF时，发现测距值总是周期性跳变。排查了两天才发现，是调制频率f_mod设置错了——频率越高，精度越高，但最大测量距离越短。这是个典型的“精度-量程”权衡。
3.2.2 典型芯片：PMD与索尼DepthSense
| 特性 | PMD（如IRS2381C） | 索尼DepthSense（如IMX556） |
|---|---|---|
| 像素分辨率 | QVGA（320×240） | VGA（640×480） |
| 调制频率 | 20-80 MHz | 100-200 MHz |
| 最大测距 | 约10米 | 约5米 |
| 核心优势 | 抗环境光强，工业级稳定 | 像素高，背照式BSI工艺，灵敏度高 |
| 典型应用 | AGV避障、工业安全 | 手机人脸识别、AR/VR |
PMD的芯片我用的比较多。它的像素结构里集成了“解调二极管”，每个像素都能独立完成相位解算。嗯，这里要注意：PMD的读出噪声在弱光下会明显增大，所以室内补光很重要。
索尼的DepthSense系列，我记得第一次拿到IMX556的评估板时，被它的近红外灵敏度惊艳到了。它用了背照式工艺，进光量比传统前照式提升了近一倍。不过代价是——贵，而且索尼对出货管控很严。
3.3 dToF：直接“掐秒表”
dToF就直白多了：发射一个极短的光脉冲（皮秒级），用高精度计时器（TDC，时间数字转换器）直接测量光子往返的时间。
你想想看，这就像百米赛跑——发令枪响（发射脉冲），终点裁判按表（SPAD探测器检测到反射光子），直接读秒。
3.3.1 工作原理
- 发射短脉冲：激光器发出纳秒甚至皮秒级的光脉冲。
- SPAD探测：单光子雪崩二极管（SPAD）阵列，能检测到单个光子的到达。
- TDC计时：每个像素关联一个TDC，记录从发射到接收的时间差。
- 直方图统计：多次测量后，统计光子到达时间的直方图，峰值对应真实距离。
注意：dToF的SPAD探测器对温度极其敏感。我曾经在夏天户外测试，芯片温度从25°C升到65°C，暗计数率翻了近10倍，导致测距噪声暴增。散热设计一定要提前规划。
3.3.2 典型芯片：苹果LiDAR与STMicroelectronics
苹果从iPad Pro 2020开始搭载的LiDAR扫描仪，用的就是dToF方案。它的核心是索尼定制的SPAD阵列，配合苹果自研的扫描驱动芯片。
STMicroelectronics的VL53L系列（如VL53L5CX）则是消费级dToF的代表。我拿它做过手势识别原型，8×8的像素阵列，测距精度在±5%以内，功耗只有几十毫瓦。
3.4 iToF vs dToF：优缺点硬碰硬
| 对比维度 | iToF | dToF |
|---|---|---|
| 测距原理 | 相位差间接计算 | 直接测量飞行时间 |
| 精度 | 近距离（<5m）精度高，可达毫米级 | 远距离精度稳定，近距离受多径干扰 |
| 最大量程 | 受调制频率限制，通常<10m | 可达数十米（取决于激光功率） |
| 抗环境光 | 中等，强光下信噪比下降 | 强，SPAD可抑制背景光 |
| 多径干扰 | 严重，相位解算易受多路径影响 | 较轻，直方图可分离多径 |
| 功耗 | 中等（连续调制） | 低（脉冲工作，占空比小） |
| 像素分辨率 | 可达VGA甚至更高 | 目前主流在QVGA以下 |
| 成本 | 中等 | 较高（SPAD+TDC工艺复杂） |
我的选型建议：
- 室内、近距离、高精度场景（如人脸识别、手势控制）→ iToF
- 室外、远距离、强光场景（如AGV室外导航、无人机避障）→ dToF
- 手机/消费电子，既要小体积又要低功耗 → dToF（苹果LiDAR就是例子）
3.5 典型应用场景
3.5.1 人脸识别（iToF为主）
苹果从iPhone X开始用iToF做Face ID。为什么选iToF？因为人脸识别需要近距离（30-50cm）的毫米级深度精度，iToF正好擅长。而且iToF可以做到VGA分辨率，能捕捉人脸的三维轮廓细节。
我参与过一个安卓手机的人脸识别项目，用的就是索尼IMX556。调试时发现一个问题：人脸边缘的深度值总是跳变。后来分析是“飞行像素”现象——物体边缘的深度突变导致相位解算不稳定。解决方案是加了一个边缘滤波后处理。
3.5.2 AGV避障（iToF与dToF并存）
AGV（自动导引车）的避障场景很复杂：室内室外都可能跑，距离从几十厘米到十几米。
- 室内AGV：我推荐iToF（如PMD IRS2381C）。室内环境光可控，iToF的精度优势能发挥出来。而且PMD芯片的抗多径干扰能力在工业场景中表现不错。
- 室外AGV：dToF更合适。室外阳光直射下，iToF的信噪比会急剧下降，而dToF的SPAD天生抗强光。我见过一个港口AGV项目，用的就是dToF方案，在正午阳光下依然能稳定检测10米外的障碍物。
避坑指南：我曾经在AGV项目上踩过一个坑——把iToF装在车体正前方，结果AGV转弯时，车体自身反光造成了严重的多径干扰。后来我把传感器倾斜了15°安装，问题就解决了。安装角度对ToF的影响，比你想象的大得多。
3.6 知识体系总览
下面这张图，把iToF和dToF的完整链路串起来了。你可以把它当作选型时的“思维导图”。
3.7 本章小结
ToF技术没有的“谁更好”，只有“谁更适合”。
- iToF是精度派，适合室内、近距离、高分辨率需求。
- dToF是全能派，适合室外、远距离、强光环境。
选型时，先问自己三个问题：
- 最大测距是多少？
- 环境光有多强？
- 需要多高的分辨率？
答案自然就有了。