激光雷达（LiDAR）是一款把光当“尺子”来量距离的一类传感器，在自动驾驶里负责“看清三维形状和距离”。它和摄像头、毫米波雷达不一样，能直接给出稠密的三维点云，帮助车辆判断周围物体的空间位置与几何形状。假期闲叙，就和大家简单聊聊激光雷达。
激光雷达到底是什么
激光雷达通常由激光发射器、接收器（光电探测器）、光学扫描或发散系统、时间/频率测量电路和点云处理模块等组成，其工作时是将一束或一阵激光发射出去，等激光从周围物体反弹回来后，通过“来回时间”或“频率变化”计算出物体与车辆的距离，将大量这样的距离点拼起来，就可以形成三维点云。相比摄像头靠像素和颜色、毫米波雷达靠电波反射强度，激光雷达可以直接用来测空间几何，给出的信息更“干净”，每个点都有明确的三维坐标（x,y,z），再配上反射强度便可以判断材质粗略特征。
不同厂商和不同类型在这些模块的实现上差别很大，这也造成了性能、成本和适应场景的差异。激光雷达可以从两个维度去区分，一是工作原理（如何测距离），二是实现形式（硬件怎么把光分布出去、怎么扫描）。
按工作原理分，激光雷达主要有飞行时间测距（Time-of-Flight,ToF）和调频连续波（FMCW）两类。ToF是传统且最常见的方式，发脉冲，测回波来回时间，乘以光速得到距离。ToF实现简单、成本区间广，但在高反射或极远距离、以及直接测速度时有限制。FMCW激光雷达通过向发射光加频率调制，接收回波后与本地信号做混频，从频差得到距离和径向速度（多普勒），具有更强的抗干扰能力、能够直接测速度并对强反射场景更稳定，但其结构复杂、对光学和电子器件要求更高，成本也更高。不过FMCW在抗相互干扰与夜间弱回波下的表现，被认为更适合未来大规模部署的自动驾驶系统。
按实现形式分（也就是扫描方式），激光雷达常见分类包括机械旋转式、固态（固态又可细分为闪光式、固态相控/相控阵、MEMS镜面、光学相控阵等）。早期常见的外露旋转式（上面转着一个圆筒，360度扫描）点密度高、视场广、技术成熟，但机械运动件也带来了可靠性、成本、体积和防护问题。固态设计的目的就是把转动部件去掉，做到更小、更便宜、更耐用。闪光式（Flash LiDAR）一次性发光并用二维接收阵列直接获取深度图，适合近距离、高帧率的场景；MEMS是用小镜子偏转光束，体积小但视场/点数受限；光学相控阵/相控光学能实现电子扫描，未来潜力大但技术门槛高。
此外，激光波长（常见有905nm与1550nm两种主流选择）也会影响激光雷达的性能与成本。905nm波段器件成熟、成本低，但发射功率受人体安全标准限制；1550nm在相同能量下对人的眼睛更安全，允许更高发射功率，从而在更远距离或穿透能见度较差的场景下表现更好，但对应的发射器和探测器成本更高。
对于激光雷达来说，还有一个关键的数据，那便是线数（或垂直分辨率）。很多厂商会以“线”来标榜点云密度，比如16、32、64、128线，但这只是一个指标，还要看实际扫描率、水平分辨率、点云刷新率和点云均匀性。线数高不等于系统更好，要结合整车感知需求、处理算力、以及感知算法如何利用这些点云来评估自动驾驶的价值。
激光雷达是如何工作的？
脉冲ToF激光雷达中激光发射器发出短脉冲光，脉冲向外扩散或按一定角度扫描；当脉冲碰到路边的护栏、行人、车辆或其他物体时，一部分光被反射回接收端。接收端的光电探测器（通常是雪崩光电二极管APD或硅光电二极管、在1550nm时可能用InGaAs）把光信号转换为电信号，前端放大器把非常弱的电信号提升到能被时间测量电路识别的水平。时间测量电路精确记录从发射到接收到回波的时间差，乘以光速并除以二就得到距离。为得到空间分布，系统依靠扫描机制把脉冲朝不同方向发射，多次测量后就能把很多点拼成点云。现阶段的激光雷达还会记录每个点的回波强度（反射率指示），有些还能分辨多回波（比如脉冲经过树叶后还能收到从后方道路的回波），用于更复杂的场景理解。
FMCW激光雷达没有短脉冲，而是持续发送频率线性调制的光。接收回波与本地参考波混频，得到差频信号，差频的频率与回程延时相关，从而推导出距离；同时由于存在多普勒频率偏移，混频结果还能带有速度信息。这种方法在抵抗强光或车辆间相互干扰时更有优势，并且可以直接输出目标的径向速度，减少数据融合的复杂度。
无论是哪种方式，最终输出给感知模块的都是带有坐标（通常在雷达自身坐标系下）、强度、时间戳的点云。之后点云会被滤噪、聚类、分割，再与摄像头或毫米波雷达的数据做融合。点云能直接为目标提供三维轮廓信息，辅助目标检测、跟踪、定位与路径规划。
激光雷达的优点和短板
激光雷达的显著优势是直接给出精准的三维几何信息，特别在夜间或低纹理环境（白天光线差、路面单色）时，摄像头可能看不清，但LiDAR仍能输出结构良好的点云。对障碍物距离估计非常直接，这能降低数据关联和三维重建的难度。对于需要精确边界、形状的场景（比如复杂路口、狭窄车道、复杂工况）点云非常有用。
激光雷达的感知效果非常明显，但其短板也很多。第一是成本。传统高性能LiDAR单台成本很高，这影响了大规模量产车的采用。第二是对环境的脆弱性。雾、雨、雪、尘土会散射或吸收激光，导致回波减少或噪声增加，点云稀疏；尘雾或雨滴引起的多回波会误判。第三是安装与维护，对于机械旋转式LiDAR，长期运行的可靠性、密封防水、抗振动等都需要工程设计。第四是数据量与算力需求。高密度点云对感知算法和车载算力是非常大的挑战，需要高效的点云处理流水线。第五是互相干扰与法规问题。当多个激光雷达在同一环境工作时，脉冲可能相互干扰（尤其ToF系统），这需要采用不同编码或使用抗干扰设计；在一些波段下发射功率还要考虑人体安全规范。
可以不用激光雷达吗？
在自动驾驶领域，其实一直有一个话题，那就是是否可以直接纯视觉。其实对于这个问题，不是简单的“能”或“不能”，而是要看目标功能、安全要求、部署成本和使用场景。
纯视觉（或视觉+毫米波雷达）方案在某些受控场景或限定ODD（运行设计域）下是可行的。摄像头能提供高分辨率的纹理、颜色和语义信息，用深度学习模型可以做车辆、行人和车道线的检测、语义分割以及端到端行为预测。对于低速、结构化、道路标识明确、气候条件稳定的场景，摄像头+高性能算法确实能达到令人满意的效果。
但纯视觉的弱点也很明显，摄像头本质上是被动感光器件，对光照变化高度敏感。强光逆光、夜间低照、雨雪或雾天都会显著影响性能。再者，视觉本身不直接给距离，深度估计需要立体视觉或学习推断，误差分布复杂且难以完全保证在安全临界场景下的可靠性。毫米波雷达能给速度和一定距离但分辨率低，无法替代LiDAR在几何精度上的作用。
因此很多方案都是采用融合路线，在低速城市自动泊车或部分自动化场景可能依赖摄像头与毫米波雷达；在更高等级的自动驾驶（比如城市复杂路况的L4/L3）中，厂商更倾向于把激光雷达作为“几何主传感器”之一，用于提供可靠的三维信息和作为冗余验证手段。也有公司决心走“无激光雷达”道路，通过海量数据、闭环训练和专门的感知架构来提升视觉方案，但这条路需要极大的数据、算力和长期验证才能在所有极端场景下达到相同安全裕度。
简言之，如果组合辅助驾驶的使用场景是达到在复杂城市道路长期运行的高可靠自动驾驶，激光雷达很可能是最稳妥的选择之一；如果只是做限定场景的功能性产品或要压低成本以便量产，则可以考虑去掉激光雷达，但必须在ODD设计、冗余策略与大量实路验证上下大功夫。
未来会如何发展
未来几年激光雷达的发展方向比较明确，一是固态化与规模化，旨在进一步压低成本和提升可靠性；二是向FMCW等能直接输出速度信息、抗干扰能力更强的技术转型；三是在芯片和光学集成上做更多突破，把发射、接收和信号处理集成到更小的模块；四是软件层面的点云处理与学习算法会越来越高效，减少算力负担。与此同时，和摄像头/毫米波雷达的深度融合会成为主流，三者互为冗余并各自发挥优势。
激光雷达可以给出稳定的三维几何信息，这对自动驾驶的安全性和环境理解很重要。但它有成本、环境适应性和集成方面的挑战。现实的做法不是“盲目依赖激光雷达”也不是“极端排斥激光雷达”，而是把它当成工程系统中的一个重要组成部分，理解它的物理原理与局限，设计好与其他传感器的互补策略，优化安装和算法，按照既定的ODD做出合理选择。
-- END --
原文标题 : 自动驾驶里的激光雷达有何作用？