激光雷达为何面临串扰挑战
脉冲式飞行时间（TOF）激光雷达的工作机制较为直观：发射器每隔一段固定时间释放一个极窄的激光脉冲，这些脉冲在碰到障碍物后发生反射，由接收器记录从发射到接收的时间间隔。通过将该时间差乘以光速的一半，即可推算出目标物的距离。这种方式的实现路径相对简单，测距直观，脉冲能量集中，但同时也对时间测量的精度提出了较高要求，并且容易受到环境光或其他干扰信号的影响。
目前市面上常见的车规级TOF激光雷达通常在890 nm至1550 nm波段内工作，不同厂商在脉冲宽度、重复频率以及接收灵敏度等方面采取不同的技术策略。
FMCW激光雷达的工作机制与优势
调频连续波（FMCW）激光雷达不依赖短脉冲测时，而是通过连续发射激光，并在发射过程中线性扫描光的频率。接收到的回波会与本地参考光进行相干混频，从而产生“拍频”信号。通过分析拍频频率，即可推导出目标物的距离和相对速度（即多普勒信息）。
由于FMCW采用相干检测，它在接收微弱回波时具备增益优势，并且能够同时获取速度信息。由于只有与本地参考光相干的信号才能产生有效的干涉，因此外来脉冲通常无法干扰检测过程，使FMCW激光雷达对非相干的外部光源（包括其他车辆的激光信号）具有较强的抗干扰能力。
串扰问题的成因
随着激光雷达在车辆中大规模部署，串扰问题日益突出。所谓“串扰”，是指一个激光雷达接收到其他激光雷达发出的信号，从而造成感知判断上的误差。
TOF激光雷达发射的是短暂且重复的脉冲，这些脉冲在空间中相互穿越、反射或发生漫反射后，可能会被其他车辆的接收器误判为自身发射的信号。由于接收端无法有效区分信号的来源，仅依靠时间差或脉冲形状进行识别，往往缺乏足够的鉴别机制，从而导致误判，表现为测距错误、点云丢失或产生虚假点云。
串扰在多车密集行驶场景中尤为明显，尤其在夜间或远距离、视野开阔的环境中更为突出。此外，同一辆车上若多个TOF模块之间未做好协调，也可能引发互扰。例如，当A模块发射的激光经过漫反射进入B模块的视场，或B模块的接收窗口在A模块发射后仍然开启时，串扰便无法避免。相比之下，FMCW激光雷达由于其相干检测机制，对第一种情况具有一定的抑制能力，但并不能完全免疫，其效果仍取决于实现方式和硬件设计。
TOF激光雷达常用的抗串扰策略
为应对TOF激光雷达的串扰问题，业界提出了一系列技术方案，其核心目标在于让每个发射脉冲“带有标识”或“在时间上受控”，以便接收端能有效区分自身回波与外部干扰。
其中，脉冲编码（编码发射）是一种常见的方法。通过为每一束激光脉冲附加特定编码，接收端再对信号进行解码匹配，仅识别与自身发射编码一致的信号。编码可以采用伪随机序列或基于时间或相位的特殊码型实现。这种方法理论上可显著降低误判概率，特别是在多车并行的场景中。
然而，编码技术也会对系统的信噪比和测距性能产生影响。编码与匹配滤波过程会将脉冲能量在时间上“展开”，恢复原始回波需进行相关处理，这在低反射率目标或远距离场景中可能影响系统的灵敏度和最大测程。因此，在实际设计中需要在编码长度、码速率、发射功率与探测器积分时间之间进行权衡。
时间复用与接收门控是另一种典型的抗串扰策略。其核心在于错开不同单元或车辆的发射时间，或仅在预计的回波到达时间窗口内开启接收器。在多单元场景下，该策略通过统一时钟精确控制发射与接收时序，能有效过滤相互之间的干扰。然而，这种方法依赖于硬件同步机制，如PPS（每秒脉冲）或专用同步总线，而非无线时钟协商。此外，若回波路径异常或目标距离超出预期，接收窗口可能错过信号，导致数据丢失。
一种较为简便的策略是随机化发射时序或在帧结构中引入时间抖动。通过在固定频率的脉冲中加入随机偏移，可减少周期性干扰的重合概率，从而将干扰信号转化为随机噪声。这种方式实现简单，兼容现有硬件，但其抗干扰能力主要依赖于概率，无法从根本上解决串扰问题，尤其在高密度场景中效果有限。
此外，还可通过光学与硬件手段增强抗串扰能力。例如使用窄带光学滤波器以过滤背景光和非目标波段的光，但对同波段的其他雷达信号无效。通过光学方向性设计、物理遮挡或机械隔栅，可减少侧向或反射路径中的干扰，但可能会限制探测视场。在软件层面，设置接收门限、引入多帧验证机制（例如仅保留多帧中稳定出现的点），也可在点云处理阶段剔除孤立的虚假点。
FMCW激光雷达的抗串扰优势及其局限性
由于FMCW激光雷达采用相干检测机制，其接收器将回波与本地参考光混频，只有在频率和相位上与参考光相干的信号才能产生稳定的拍频并被识别。因此，外来非相干的激光信号（如其他车辆的短脉冲）通常无法与本地参考光产生有效干涉，从而避免被误判为有效回波。这也使FMCW在识别“自身回波”方面比TOF更具优势。
尽管FMCW在抗干扰方面表现突出，但其尚未成为主流方案，主要原因在于其实现门槛较高。FMCW系统需要高质量、线性可控的调频光源和稳定的本地振荡器，同时，相干检测对相位和频率噪声极为敏感，导致系统复杂度和成本显著提升。在极少数特殊场景下（如多个相干源同时存在，或外来连续波频率轨迹巧合），FMCW激光雷达也有可能受到干扰。此外，其测距与测速信息是耦合的，因此对算法和数字信号处理的要求更高。换句话说，FMCW在密集交通环境中的鲁棒性更好，但其高成本和算法复杂度限制了其在大规模商业化中的应用。
软件层面的优化与传感器融合
无论采用TOF还是FMCW方案，仅靠硬件难以全面覆盖所有场景，因此软件设计成为关键的补充手段。在软件层，可引入点云级的异常点检测、时间一致性校验、多帧累积判断等策略，以评估疑似虚假点的可信度。例如，若激光点云中出现孤立的“飞点”，在单帧中突然出现，且缺乏速度场支持，同时摄像头也未检测到对应目标，则可将其标记为低置信度信号，并予以剔除。通过多传感器融合，如结合摄像头、毫米波雷达、IMU/GNSS等，可进一步提升系统对误检风险的鲁棒性。
此外，机器学习技术也已开始被用于识别和过滤串扰引发的伪点。基于时空特征训练的分类器可以学习串扰点的典型模式，例如在时序上突发、在空间上孤立、反射强度不符合物理规律等，从而在运行时降低这些点的权重。然而，此类方法需要大量高质量训练数据以确保泛化能力，同时需避免将真实但罕见的小目标误判为串扰。