激光雷达串扰问题的成因与应对策略
脉冲式飞行时间（TOF）激光雷达的工作机制较为直观：发射端每隔固定时间发射一个极窄的激光脉冲，当光束遇到障碍物后反射，由接收端记录发射与接收之间的时间间隔，再乘以光速的一半，即可推算出目标的距离。这种技术实现相对简单、测距逻辑清晰、脉冲能量集中，但对时间测量精度的要求极高，且易受环境光和其他干扰脉冲影响。当前市面上的车规级TOF激光雷达多工作在890 nm至1550 nm波段，不同厂商在脉冲宽度、重复频率和接收灵敏度方面各有侧重。
而调频连续波（FMCW）激光雷达则采用不同的工作方式。它不依赖短脉冲测距，而是持续发射激光，并让发射信号的频率随时间线性变化，即进行调频。接收到的回波与本地参考光进行相干混频，形成“拍频”信号，其频率反映了发射与接收之间的频率差，由此可以推导出目标的距离和速度（多普勒信息）。由于FMCW采用相干检测，因此在接收弱信号时具有增益优势，且能同时获取速度信息。只有与本地参考光具有相同频率和相位的信号才能产生有效干涉，因此外来脉冲通常难以对检测过程构成干扰，使FMCW激光雷达对非相干光源（如其他车辆的激光信号）具有天然的抗干扰能力。
串扰现象的成因
随着配备激光雷达的车辆数量持续上升，系统间串扰问题逐渐显现。所谓串扰，是指激光雷达接收到其他激光雷达发射的信号，从而导致感知系统做出错误判断。
TOF激光雷达发射的激光脉冲短暂且周期性重复，在实际环境中，这些信号可能在空间中发生交叉反射或漫散射，并可能被其他车辆的接收器误认为是自身发射的回波。接收器若缺乏有效的信号鉴别机制，仅依赖时间差或脉冲形态来判断目标，则可能将外来脉冲误判为有效回波，从而引起测距偏差、点云丢失或虚假点云的出现。
这类问题在车辆密集行驶时尤为明显，尤其在夜间或远距离视野开阔的场景下更为突出。另外，若同一车辆上安装了多个TOF单元，若彼此间未协调好工作时序，也可能引发相互干扰。例如，当A单元发射的激光经漫反射进入B单元的视场，或B单元的接收窗口在A单元发射过程中仍处于开启状态，就无法避免串扰现象。相比之下，FMCW激光雷达依靠相干检测，对前一种情况具有较强的抑制能力，但其效果仍取决于具体实现方式和硬件设计。
TOF激光雷达应对串扰的常见方法
为解决TOF激光雷达的串扰问题，业界提出了多种技术手段，其核心在于使每个发射脉冲“具备标识”或“在时间上受控”，以便接收端能够准确判断哪些是自身信号的回波。
脉冲编码（编码发射）是其中一种常用方法。通过为每束激光脉冲设置特定编码规则，接收端可在信号解码过程中筛选出与自身发射脉冲匹配的回波。编码方式可采用伪随机序列或特定时间/相位码型。这种方式的优点在于可显著降低误判概率，尤其是在多车并发场景中，不同发射源的编码互不相同，有助于区分来源。
然而，编码方式也会对系统的信噪比和测距性能产生影响。编码和匹配滤波过程会将能量在时间维度上展开，恢复原始回波需进行相关运算。在目标反射率低或探测距离较远的条件下，这种方式可能会导致灵敏度下降或最大探测距离受限。因此，在实际设计中，需综合考虑编码长度、码速率、发射功率和探测器积分时间等因素。
时间复用与接收门控是另一种应对方案。该方法通过错开不同单元或车辆的发射时间，或仅在预期回波到达时开启接收器，从而减少串扰。对于同一车辆上的多个TOF单元，采用统一时钟精确控制发射与接收窗口，可有效抑制相互干扰。但该方法依赖于高精度硬连线时钟、PPS（秒脉冲）或专用同步总线，无线时间协商难以满足要求。此外，门控机制也存在风险，如目标超出预期距离或回波路径异常，可能会导致数据丢失；若其他车辆恰巧在自身接收窗口发射信号，仍有可能引发干扰。
还有一种较为简单的方式是引入随机化发射时序或帧结构中的时间抖动。通过为固定周期的脉冲添加随机时间偏移，可减少长期周期性重叠的概率，从而将固定干扰转化为随机噪声。其优点在于实现简便且兼容现有硬件，缺点是无法从根本上识别外来回波，仅能在概率层面降低干扰影响，适用于低密度场景。
此外，也可从光学和硬件层面进行干扰抑制，例如使用窄带光学滤波器过滤环境背景光和非目标波段的光，但在面对同波段雷达信号时效果有限。光学方向性设计、物理遮挡或机械隔栅也可用于减少侧向和反射路径的干扰，但可能对探测视场造成一定限制。在软件层面，可设置接收门限和多帧验证机制（例如仅保留多次出现的稳定点），以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
由于FMCW激光雷达依赖相干检测机制，接收端通过将回波与本地参考光混频，只有频率和相位一致的信号才能产生稳定的拍频，因此非相干的外来激光信号（特别是短脉冲信号）无法形成有效干涉，也就不会被误认为有效回波。这使得FMCW在区分“自身”与“外部”信号方面具有天然优势。
尽管FMCW在抗串扰方面表现出色，但为何尚未成为主流？其原因是FMCW系统对硬件要求较高，需要具备高精度、线性可控的调频光源和稳定参考信号源。同时，相干检测对相位和频率噪声极为敏感，因此其硬件复杂度和成本远高于TOF系统。在极少数情况下，例如两个相干源同时存在或外来连续波频率轨迹巧合时，FMCW也可能受到干扰。此外，FMCW的测距和测速信息是耦合的，其处理算法和数字信号处理要求更高。这意味着FMCW在复杂场景中具备更强的鲁棒性，但也意味着更高的成本与算法复杂度，这对追求大规模商业化落地的汽车厂商而言，是一个需要权衡的关键因素。
软件层面的补救措施与传感器融合
无论是TOF还是FMCW，硬件手段难以覆盖所有干扰场景，因此软件层面的优化不可或缺。在软件设计中，可采用点云异常检测、时间一致性校验、多帧数据累积判断等方法，结合多传感器融合（如摄像头、毫米波雷达、IMU/GNSS）来提高对疑似虚假点的识别能力。例如，若激光点云中出现孤立的“飞点”，在单帧中出现、缺乏速度场支持，且摄像头也未检测到对应物体，则可将其标记为低置信度信号并予以剔除。多传感器协同可进一步降低因串扰造成的误判风险。
机器学习方法也被用于识别并抑制由串扰产生的伪点。基于时空特征训练的分类器能够识别出串扰点的典型模式，如在时间上突变、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。该方法依赖于大量训练样本以确保模型泛化能力，同时需注意避免将稀有的真实小目标误判为干扰。