激光雷达为何面临串扰挑战？
激光雷达作为自动驾驶系统中的关键感知组件，即便在部分企业转向纯视觉方案的背景下，仍被众多汽车制造商视为核心配置之一。当前主流的激光雷达技术主要包括两种工作模式：脉冲飞行时间（Time-of-Flight，TOF）和连续波调频（Frequency-Modulated Continuous Wave，FMCW）。
TOF激光雷达的工作机制较为直接：发射器定时发射窄脉冲激光，当光束遇到障碍物后被反射，接收器记录发射与接收的时间差，乘以光速的一半即可估算目标距离。该方案实现简单、测距直观，但对时间测量精度要求极高，同时易受环境光或其他干扰脉冲的影响。目前大多数车规级TOF激光雷达工作在890 nm至1550 nm波段，各厂商在脉冲宽度、重复频率以及接收灵敏度方面各有侧重。
相比之下，FMCW激光雷达采用连续波发射，并对发射光的频率进行线性扫描。接收到的信号与本地参考光混频，产生拍频信号，借此推算出目标距离与相对速度（多普勒效应）。由于其利用相干检测，FMCW在弱回波接收方面具备优势，同时能同步获取速度信息。由于只有与本地参考光相干的信号才能有效干涉，FMCW对非相干干扰具备天然的抗扰能力。
串扰现象的成因
随着激光雷达上车数量的增加，串扰问题变得越来越突出。串扰指的是激光雷达接收到来自其他雷达发射的信号，导致感知系统出现误判。
TOF激光雷达发射的是短暂且周期性重复的脉冲。在复杂环境中，这些脉冲可能互相穿越、反射、漫反射，被其他车辆的接收器误认为是自身的回波。由于接收端难以区分信号来源，仅依靠时间差或脉冲形状识别目标，极易将外部脉冲误判为有效回波，从而引发测距错误、点云丢失或生成虚假点云。
在多车密集运行的场景中，特别是在夜间或视野开阔的长距离行驶条件下，串扰问题尤为明显。此外，同一车辆上多个TOF模块若未实现良好协调，也可能引发相互干扰。例如，A模块发射的激光可能因漫反射进入B模块的接收视场，或B模块的接收窗口在A模块发射期间仍处于开启状态，都会导致串扰不可避免。尽管FMCW激光雷达因相干检测机制具备一定抗干扰能力，但其抗扰能力仍受限于系统设计和实现细节。
TOF激光雷达应对串扰的常见策略
为缓解TOF激光雷达的串扰问题，业界提出了多种技术方案，其核心思路在于使每个发射脉冲“带有标识”或“受控于时间”，从而帮助接收端准确识别有效回波。
脉冲编码是一种常见手段。该技术通过按照特定规则对发射脉冲进行编码，接收端解码后仅识别匹配自身发射编码的信号为有效回波。编码可采用伪随机序列或时间/相位码型实现。其优势在于在多车场景下可显著降低误判概率。然而，编码和匹配滤波过程会分散能量，影响信噪比和测距能力，尤其在远距离或低反射率场景下，会牺牲灵敏度与最大测程。因此，系统设计需在编码长度、码速率、发射功率和积分时间之间进行权衡。
时间复用与接收门控是另一种有效抑制串扰的方式。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的时间窗口内开启接收器，大幅减少来自同车或他车的干扰。该方案需依赖精确的同步时钟、PPS信号或专用同步总线。然而，若目标距离超出预期或回波路径异常，回波可能落在接收窗口外，导致数据丢失；若他车恰好在自身接收窗口内发射，仍可能发生干扰。
此外，也可通过引入时间抖动或随机化发射时序，将固定节奏的干扰转化为随机噪声，从而降低长期周期性干扰概率。这种方法实现简单、兼容性强，但无法从根本上区分外来回波，仅能通过概率方式减少冲突，对高密度场景帮助有限。
从光学与硬件层面，也可通过窄带光学滤波器、方向性设计或机械遮挡等手段降低干扰。例如，滤波器可抑制非目标波段的背景光，但对同频段干扰无效；而方向性设计可能限制探测视场。在软件层面，可设置接收门限或多帧验证机制，剔除点云中孤立的异常点。
FMCW激光雷达的抗扰优势
由于FMCW依赖相干检测，接收端只有与本地参考光在频率和相位上匹配的信号才能产生稳定的拍频并被识别，因此对外来非相干信号具有天然的抗干扰能力。
尽管FMCW在抗扰性能上优于TOF，但其尚未成为主流，主要受限于硬件复杂度与成本。FMCW系统需要高质量的线性调频光源和稳定本地振荡器，同时对相位与频率噪声较为敏感。此外，FMCW的测距与测速信息是耦合的，算法实现和数字信号处理复杂度更高。在极少数情形下，如两个相干源同时运行或外来信号频率轨迹巧合，仍可能出现干扰。因此，FMCW虽在高密度环境中具备更强鲁棒性，但其高成本和实现难度成为规模化应用的障碍。
软件优化与多传感器融合
无论是TOF还是FMCW，仅靠硬件难以应对所有干扰场景，软件优化成为必要补充。在软件层，可采用点云级异常点检测、时间一致性校验、多帧数据验证等方法，提高对可疑点的识别能力。例如，若某点云孤立出现、无速度场支持，且摄像头未识别到对应目标，即可标记为低置信度点并予以剔除。通过多传感器融合，如融合摄像头、毫米波雷达、IMU与GNSS数据，可进一步提升系统鲁棒性。
近年来，基于机器学习的串扰点识别方法也逐渐被应用。通过训练时空特征分类器，系统可识别串扰点的典型特征，如突发出现、孤立分布、反射强度异常等，从而在运行时动态调整点云置信度。该方法需大量样本支撑以提升泛化能力，并需避免将真实小目标误判为噪声。
总结
随着激光雷达在智能车辆中的应用日益广泛，串扰问题也逐渐显现。TOF激光雷达因其脉冲特性更易受到干扰，而FMCW在抗扰方面具备理论优势，但受限于硬件与算法复杂度，尚未成为主流。