激光雷达为何易发生串扰现象
脉冲式TOF（飞行时间）激光雷达的工作机制较为直观。其通过周期性地发射一个极窄的激光脉冲，该脉冲在遇到目标后发生反射，被接收器捕获，通过测量发射与接收之间的时间差，并结合光速换算公式，即可得出目标距离。此类雷达实现方式相对简单，测距直观，且脉冲能量集中，但其对时间精度要求极高，且易受到环境光或其他干扰脉冲的干扰。目前市面上主流的车规级TOF激光雷达主要工作在890 nm至1550 nm波段，各厂商在脉冲宽度、重复频率及接收灵敏度方面会做出不同取舍。
FMCW（调频连续波）激光雷达则采用连续发射激光的方式，发射光的频率会随时间线性变化。接收端将回波与本地参考光进行相干混频，从而产生拍频信号。该信号的频率反映发射与接收之间的频率差，据此可推导出目标的距离和相对速度（即多普勒信息）。由于FMCW雷达采用相干检测机制，其在接收微弱回波时具有增益优势，同时可获取速度信息。由于只有与本地参考光相干的信号才可能产生有效干涉，因此外来脉冲难以干扰检测过程，使得FMCW雷达对非相干光源（包括其他车辆激光信号）具备天然抗干扰能力。
串扰的形成机制
随着自动驾驶车辆的普及，激光雷达数量迅速上升，串扰问题日益突出。所谓串扰，指的是激光雷达误将其他雷达发出的信号当作自身回波，从而导致感知系统的误判。
TOF雷达发射的为周期性短脉冲，这些脉冲在空间中传播时可能会与其他车辆的激光信号发生交叉、反射或漫反射，最终被其他接收器误认为是自身回波。由于接收器缺乏有效的识别机制，仅依赖时间差或脉冲形状判断目标，极易将外部脉冲误判为有效回波，从而引发测距偏差、点云丢失或虚假点云等问题。
在车辆密集行驶或夜间、长距离等场景下，串扰现象尤为明显。此外，同车多个TOF雷达单元之间若未做好协调，也可能造成相互干扰。例如，A单元发射的激光经由漫反射进入B单元的视场，或B单元在A发射期间仍处于接收状态时，串扰就难以避免。相比之下，FMCW雷达由于其相干检测机制，在此类场景下具备天然抑制能力，但其抗干扰效果仍取决于具体实现和硬件设计。
TOF激光雷达常见的抗串扰策略
为应对TOF激光雷达的串扰问题，业界提出多种技术方案，其核心思路均为在发射端为脉冲附加标识，或在接收端进行时间控制，以实现信号区分。
其中，脉冲编码（编码发射）是一种常见方法。通过为每个发射脉冲赋予特定编码，接收端在解码后仅将匹配的信号识别为有效回波。编码可采用伪随机序列或时间/相位上的特殊码型实现。这种方式理论上能显著降低误识概率，特别是在多雷达场景下，有助于识别不同发射源。
但编码技术也会对信噪比和测距能力产生影响。由于编码与匹配滤波过程会分散能量，恢复原始回波需要相关处理，因此在远距离或低反射率目标场景中，可能会牺牲系统灵敏度或测程。因此，在系统设计时，需在编码长度、码率、发射功率和探测器积分时间之间取得平衡。
另一种方案是时间复用与接收门控，即通过错开发射时间或在预估回波到达时间窗内开启接收器。对于同车多个TOF单元，通过统一时钟精确控制发射与接收窗口，能有效过滤相互干扰。该方案依赖于硬连线的同步机制，如PPS（每秒脉冲）或专用同步总线，而非单纯的无线协商。但门控机制也存在潜在风险：若目标距离超出预期或反射路径异常，回波可能落在窗口之外，导致数据丢失；此外，若他车恰好在接收窗口内发射，干扰仍可能发生。
此外，还有基于随机化发射时序的方案，例如在帧结构中引入时间抖动。通过给固定频率的脉冲加入随机偏移，可减少周期性干扰的可能性，将干扰信号转化为背景噪声。该方法实现简单且兼容现有硬件，但仅能在概率上缓解串扰问题，难以彻底区分有效与无效信号，适用于中等密度场景。
除了以上方法，还可在光学和硬件层面采取措施。例如采用窄带光学滤波器以滤除非目标波段的光信号，但该方法对同波段激光信号无效；还可通过光学方向性设计、物理遮挡或机械隔栅来限制干扰来源，但这可能会牺牲探测视场。在软件方面，可设置接收门限或采用多帧验证机制（如仅保留多帧中持续出现的点），以在点云后处理阶段剔除虚假点。
FMCW激光雷达的抗串扰特性
由于FMCW雷达依赖于相干检测，接收端将回波与本地参考光混频后，只有频率与相位匹配的信号才能产生稳定拍频并被检测。因此，外部非相干光源（如脉冲激光）难以形成有效干涉，不会被误判为有效回波。这一机制赋予FMCW雷达在识别自身回波方面更高的准确性。
尽管FMCW雷达在抗串扰方面表现优异，但其尚未成为主流选择。其原因是，FMCW系统依赖线性调频光源和稳定本地振荡器，相干检测对相位和频率噪声较为敏感，硬件成本和系统复杂度远高于TOF方案。在极端情况下，例如存在多个相干源或外来频率轨迹巧合时，FMCW雷达也可能受到干扰。此外，其测距与测速信息是耦合的，对算法与数字信号处理能力要求较高。因此，尽管其在高密度场景中具备更强鲁棒性，但高昂的成本和算法复杂度仍是大规模商用的限制因素。
软件优化与多传感器融合
无论是TOF还是FMCW雷达，单靠硬件难以覆盖所有潜在干扰场景，软件优化是不可或缺的补充手段。在软件层面，可采用点云异常点检测、时间一致性校验、多帧累积判断等方式评估可疑信号的可信度。例如，若点云中出现孤立的“飞点”，在单帧中出现且无速度场支持，同时摄像头未检测到对应物体，则可将其标记为低可信度信号并予以剔除。
此外，机器学习方法也常用于识别并滤除串扰引发的虚假点。通过训练基于时空特征的分类器，模型可以学习串扰点的典型模式（如突发性出现、空间孤立、反射强度异常等），从而在运行中降低其权重。该方法依赖大量训练数据以确保泛化能力，同时需避免将真实的小目标误判为串扰信号。