激光雷达为何遭遇串扰问题？
脉冲式飞行时间（TOF）激光雷达的运作原理较为直接，其发射端每隔一定周期发送一个极窄的激光脉冲，当光束遇到障碍物后反射回接收端，系统通过计算发射与接收之间的时间差，并结合光速的一半，即可得出目标的距离。这种方式实现起来相对简单，测距直观，且脉冲能量集中。然而，其对时间精度的要求极高，并容易受到环境光或其他干扰信号的影响。目前，多数车规级TOF激光雷达工作在890 nm至1550 nm波段，不同厂商在脉冲宽度、重复频率以及接收灵敏度等方面各有侧重。
相比之下，调频连续波（FMCW）激光雷达不再依赖短脉冲测时，而是连续发射频率线性调制的激光。回波信号与本地参考光进行相干混频后，可生成“拍频”信号。拍频的频率与发射光和回波的频率差相对应，从而推导出目标的距离和相对速度（多普勒信息）。由于FMCW采用相干检测，其在接收微弱信号时具有增益优势，并能同时获取速度信息。只有与本地参考光相干的信号才可产生有效干涉，因此，FMCW激光雷达对非相干的外部光源具有天然的抗干扰能力。
串扰现象的成因
随着激光雷达在自动驾驶车辆中的普及，一种称为“串扰”的问题逐渐浮现。所谓串扰，是指激光雷达接收到来自其他激光雷达发射的信号，导致感知结果失真。
TOF激光雷达使用的是重复的短暂脉冲，这些信号在空间中相互穿越，可能会被其他车辆的接收端误认为是自身发射的回波。问题的核心在于接收端难以判断所接收到的信号是自身发射脉冲的反射还是其他车辆的脉冲。如果系统仅依靠时间差或脉冲形状来识别目标，缺乏额外的鉴别机制，就可能将外来信号误判为有效回波，从而引发测距误差、点云丢失或虚假点云等问题。
串扰在车辆密集行驶时尤为常见，尤其在夜间或视距较长的场景中更为显著。此外，如果同一车辆上多个TOF单元之间没有良好的协调，也可能产生干扰。例如，A单元发射的激光经漫反射进入B单元的视场，或者B单元的接收窗口在A单元发射后仍未关闭，就可能造成串扰。而FMCW激光雷达由于采用相干检测机制，对这类干扰具有天然的抑制作用，但并非完全免疫，具体效果仍取决于硬件设计和实现方式。
TOF激光雷达常见的抗串扰策略
为缓解TOF激光雷达的串扰问题，业界提出了多种技术方案，其核心思想是使每个发射脉冲具有“标识”或“时间控制”，从而让接收端能够区分自身回波和外部干扰。
其中一种常见方法是脉冲编码，即通过对每一束激光脉冲按照特定规则进行编码，接收端再通过解码运算，识别出与自身发射编码匹配的信号，作为有效回波。编码方式可以是伪随机序列，也可以是时间或相位上的特殊码型。这种方式理论上能显著降低误识率，尤其是在多个激光雷达并存的情况下。
然而，脉冲编码也会影响信噪比和测距能力。编码和匹配滤波过程会将脉冲能量在时间上分散，需通过相关处理才能恢复原始信号。这在远距离或低反射率目标场景下，可能会牺牲灵敏度或限制最大测距。因此，在系统设计时需要在编码长度、码速率、发射功率以及探测器积分时间之间做出权衡。
另一种抗干扰方法是时间复用与接收门控技术，即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的时间窗口内开启接收器。这种方法对于同一车辆上的多个TOF单元尤其有效，通过精确同步发射与接收时间，可大幅减少漫反射干扰。该方案依赖于硬连线同步时钟、PPS（每秒脉冲）信号或专用同步总线，而不能仅依赖无线时间协调。但若目标距离超出预期或反射路径异常，回波可能落在接收窗口之外，导致数据丢失。此外，其他车辆若在接收窗口内发射信号，仍可能引发干扰。
还有一种相对简单的策略是采用随机化的发射时序，或在帧结构中引入时间抖动。通过在固定频率脉冲中加入随机时间偏移，可以降低周期性重合的概率，将固定节奏的干扰转化为随机噪声。该方法实现简单，兼容现有硬件，但无法彻底区分外来回波，仅能在概率上平均化冲突，对高密度场景的改善效果有限。
除了上述方法，还可从光学与硬件层面进行改进。例如使用窄带光学滤波器，以滤除背景光和非目标波段的杂光，但在同波段的其他雷达信号下，这种方法效果有限。此外，还可通过光学方向性设计、物理遮挡或机械隔栅，减少来自侧向或反射路径的干扰，但这可能限制探测视场。在软件层面，可设置接收门限或使用多帧验证机制，仅保留在多帧中稳定出现的点，从而在点云后处理阶段剔除孤立的虚假点。
FMCW激光雷达的抗干扰优势
FMCW激光雷达由于采用相干检测，其接收端将回波与本地参考光进行混频，只有频率和相位与参考光相干的信号才能产生稳定的拍频。因此，外来非相干脉冲信号无法与本地参考光形成有效干涉，不会被误判为有效回波。这一机制使FMCW在识别“自身回波”方面比TOF具备更高的辨别能力。
尽管FMCW在抗串扰方面具有优势，但为何尚未成为主流？原因在于FMCW需要高质量且线性可控的调频光源，以及稳定的本地振荡器。同时，相干检测对相位和频率噪声较为敏感，导致系统硬件成本和复杂度高于TOF方案。在极少数情况下，如两个相干源共存，或外来连续波频率轨迹巧合，FMCW也可能受到干扰。此外，FMCW的测距与测速信息是耦合的，处理算法和数字信号处理要求也更高。因此，FMCW在密集场景下表现出更强的鲁棒性，但代价是更高的成本与计算复杂度，这在大规模商业化部署中是车企必须权衡的要素。
软件补救与多传感器融合策略
无论是TOF还是FMCW系统，仅靠硬件难以覆盖所有干扰场景，软件优化成为关键补充。在软件层面，可采用点云级的异常点检测、时间一致性校验、多帧累积判断等方式，以评估可疑点的可信度。例如，若点云中出现孤立的“飞点”，在单帧中突现且无速度支持，而摄像头未捕捉到对应目标，则可将其标记为低置信度信号并忽略。通过多传感器融合，例如与毫米波雷达、惯性导航系统（IMU）或全球导航卫星系统（GNSS）结合，可进一步降低串扰引起的误检风险。
此外，机器学习方法也被引入用于识别和抑制串扰产生的伪点。基于时空特征训练的分类器可以学习串扰点的典型模式，如在时序上突发、空间上孤立、反射强度异常等，从而在运行时降低其权重。此类方法需依赖大量训练数据以提升泛化能力，同时需避免将罕见的真实小目标误判为干扰。