激光雷达为何易受串扰影响？
脉冲式飞行时间（TOF）激光雷达的运作原理较为直观：系统定期发射一个极窄的激光脉冲，当光束碰到物体后反射回来，接收器会记录发射与接收之间的时差，并根据光速进行换算，从而得出目标的距离。这种方案实现较为简便，测距直观，且脉冲能量集中，但其对时间测量的精度要求极高，同时容易受到环境光或其他干扰源的影响。目前市面上常见的车规级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等方面会根据需求进行优化。
相较之下，调频连续波（FMCW）激光雷达的工作机制有所不同。它通过连续发射激光，并对发射光进行线性频率扫描（即调频），从而在接收端与本地参考光进行相干混频，生成“拍频”信号。该拍频信号的频率与发射光和接收光之间的频率差相关，据此可推算出目标距离和速度（即多普勒信息）。由于FMCW激光雷达采用相干检测方式，其在接收微弱信号时具有显著的增益优势，并能同步获得速度信息。由于非相干信号难以与本地参考光形成有效干涉，因此FMCW激光雷达对非相干的外部光源（如其他车辆的激光信号）具备天然的抗干扰能力。
串扰现象的成因
随着越来越多搭载激光雷达的车辆投入使用，串扰问题逐渐显现。所谓串扰，是指激光雷达在接收信号时，误将其他车辆或设备发射的激光信号当作自身回波，从而造成感知错误。
TOF激光雷达发射的脉冲信号在空间中传播时，可能会被其他车辆的接收器捕获，尤其是在多车并行或夜间开阔场景下，这种现象尤为明显。由于接收器无法区分哪些信号是自身发射脉冲的回波，哪些是来自其他设备的干扰脉冲，仅依靠时间差或脉冲形状来判断目标，容易导致误判。这种误判可能引发测距错误、点云丢失或生成虚假点云，进而影响整体感知质量。
串扰在多车密集行驶时尤为突出，特别是在夜间或长距离视野下更为显著。此外，如果同一车辆上多个TOF单元之间缺乏协调，也会造成相互干扰。例如，当A单元的激光经过漫反射后进入B单元的视场，或者B单元的接收窗口在A单元发射后仍然开启，就可能发生串扰。相对而言，FMCW激光雷达由于其相干检测机制，对这种干扰具有天然抑制能力，但并非完全免疫，其抗干扰效果还取决于具体设计与硬件实现。
TOF激光雷达的抗串扰技术
为缓解TOF激光雷达的串扰问题，业界提出多种技术方案，其核心思想在于为每个发射脉冲添加标识或控制时间，使接收端能够有效区分自身回波与外部干扰。
其中，脉冲编码技术是一种常见手段。该方法通过为每个发射脉冲设定特定编码，在接收端对接收到的信号进行解码处理，只有匹配的信号才会被识别为有效回波。编码可采用伪随机序列或时间/相位编码实现。这种方式理论上可显著降低误判概率，尤其在多个激光雷达密集部署的环境中。
然而，编码技术也会带来一定副作用。在编码和匹配过程中，信号能量被分散到时间域，相关运算需要较高信噪比，这在低反射率或远距离目标探测中可能会降低灵敏度或测程。因此，在系统设计中需在编码长度、码速率、发射功率与探测器积分时间之间寻求平衡。
时间复用与接收门控是另一类常用方案。该方案通过错开不同单元或车辆的发射时序，或仅在预期回波到达时间范围内开启接收器，从而减少相互干扰。这种方式在多单元协同工作时效果显著，但实现上依赖高精度的同步机制，如硬连线时钟或PPS（每秒脉冲）信号。
此外，随机化发射时序或引入时间抖动也是一种较简易的策略。通过对固定频率的脉冲添加随机偏移，可减少周期性干扰的可能性。该方案实现简单且对硬件兼容性良好，但在高密度场景下效果有限。
在光学与硬件层面，可采用窄带滤波器来抑制环境光或非目标波段的干扰，或通过光学方向性设计、物理遮挡等方式减少来自侧向或反射路径的干扰。软件上，可通过设置接收门限、多帧验证机制（如仅保留在多帧中重复出现的点）等方式，对点云数据进行后处理，剔除孤立的虚假点。
FMCW激光雷达的抗串扰优势
由于FMCW激光雷达采用相干检测方式，只有与本地参考光保持频率和相位一致的信号才能形成稳定的拍频并被检测到。因此，外来非相干光源（尤其是短脉冲激光）不会干扰检测过程，这使其在识别“自身回波”方面比TOF雷达更具优势。
尽管FMCW激光雷达在抗串扰方面具备天然优势，但其并未成为主流。原因在于FMCW系统需要高质量的线性调频光源和稳定的本地振荡器，对相位和频率噪声较为敏感，因此硬件成本和实现复杂度远高于TOF方案。在极少数极端情况下（如多个相干源同时存在），FMCW也可能会受到干扰。此外，FMCW的测距与测速信息是耦合的，对信号处理算法的要求更高。这使得其在成本与算法复杂度上难以满足大规模商业化部署的需求。
软件优化与多传感器融合
无论是TOF还是FMCW激光雷达，硬件层面的抗干扰手段难以覆盖所有复杂场景，因此软件设计在系统中扮演着重要补充角色。在软件层面，可通过点云异常检测、时间一致性校验、多帧累积判断等方式，评估疑似干扰点的可信度。例如，若某点云帧中出现孤立点，但无速度支持且与视觉传感器数据不符，可将其标记为低置信度信号并予以剔除。
此外，基于机器学习的伪点识别方法也已被应用于串扰抑制。通过训练时空特征模型，系统可识别串扰点的典型模式，如突发出现、空间孤立、反射强度异常等。该方法有助于在运行中动态调整信号权重，但需要大量高质量的训练数据以提升泛化能力，并避免误判真实小目标。