激光雷达为何会遭遇串扰现象？
激光雷达作为自动驾驶系统中的核心感知硬件之一，即便在一些纯视觉方案逐渐兴起的背景下，依然被众多汽车制造商所信赖与采用。目前主流的激光雷达工作方式主要有两种：脉冲型飞行时间（Time-of-Flight，TOF）与连续波调频型（Frequency-Modulated Continuous Wave，FMCW）。
TOF激光雷达的工作机制较为直观，其通过定时发射极短的激光脉冲，待脉冲遇到障碍物反射回来后，接收器根据发射与接收之间的时差，结合光速换算出目标的距离。这种方法实现起来相对简单，测距逻辑清晰，脉冲能量集中，但对时间测量精度要求极高，同时容易受到环境光或其他干扰脉冲的影响。常见的车规级TOF激光雷达通常工作在890 nm至1550 nm波段，不同厂商在脉冲宽度、重复频率及接收灵敏度等方面会有各自的设计侧重。
FMCW激光雷达则采用连续发射激光的方式，且发射光的频率随时间线性调频。通过将回波与本地参考光进行相干混频，系统可提取出“拍频”信号。该频率差可用于计算目标距离和相对速度。由于其采用相干检测，FMCW激光雷达在接收微弱信号时具有显著优势，并能同时获取多普勒信息。此外，由于只有与本地参考光相干的信号才能产生有效干涉，因此对外部非相干光源（如其他车辆的激光）具有天然的抗干扰能力。
串扰的成因分析
随着激光雷达搭载车辆数量的上升，一个值得关注的问题逐渐显现，即“串扰”。所谓串扰，是指一辆车的激光雷达接收到另一辆车发射的激光信号，从而导致感知结果失真。
TOF激光雷达发射的是周期性脉冲信号，这些信号在空间中传播时，可能会被其他车辆的接收器误认为是自身发射的回波。由于接收器无法有效区分自己发射的脉冲和他车发射的脉冲，仅凭时间差或脉冲形状进行识别，往往缺乏足够的判断依据，从而容易导致误判。这种错误识别可能引发测距误差、点云丢失或产生虚假点云等问题。
串扰现象在车辆密集运行的场景下尤为突出，尤其是在夜间或远距离视野开阔的环境中更为明显。此外，若同车上的多个TOF单元之间没有良好协调，也可能出现相互干扰。例如，某单元发射的激光经过漫反射后可能被另一单元接收，或者接收窗口未及时关闭，也可能造成干扰。相比之下，FMCW激光雷达在处理此类问题方面具有一定的抑制能力，但具体效果仍取决于其设计实现方式。
TOF激光雷达的抗串扰策略
为减轻串扰的影响，TOF激光雷达采用了一系列技术手段，核心思路是通过“标记”发射脉冲或在时间上进行控制，以帮助接收端识别有效回波。
其中一种常见方案是脉冲编码。该技术通过对每束激光脉冲进行特定编码，接收端通过对信号解码以确认其来源。编码方式可采用伪随机序列或特殊时间/相位码型。这种方式的优势在于，当车辆较多时，不同编码之间的差异可有效区分不同雷达的回波信号，从而降低误识概率。
然而，编码技术也会对系统性能产生一定影响。由于编码与匹配滤波过程会将能量分散，因此在处理低反射率目标或远距离场景时，可能会影响灵敏度和测程。因此，在系统设计时需要在编码长度、码速率、发射功率和探测器积分时间之间进行权衡。
另一种方案是时间复用与接收门控。该方法通过错开不同单元或车辆的发射时间，或仅在预计回波到达时间内开启接收器，以减少串扰风险。对于同车多个单元，这一方法能有效过滤漫反射干扰。但该方案依赖高精度时钟同步和物理连接，且在目标距离超出预期或回波路径异常时，仍可能导致误判。
此外，还可采用发射时序随机化或帧级时间抖动的方法，以降低周期性干扰发生的概率，将其转化为随机噪声。这种方式实现简单、兼容现有硬件，但仅能从概率上平均冲突，难以彻底区分外来信号，对高密度场景效果有限。
在光学与硬件层面，也可以采取一些手段，如使用窄带光学滤波器过滤环境光和非目标波段的干扰；通过光学方向性设计、物理遮挡或机械隔栅减少侧向干扰。同时，在软件层面设置接收门限与多帧验证机制，也可在后处理阶段剔除虚假点。
FMCW激光雷达的抗串扰特性
FMCW激光雷达由于采用相干检测机制，能够通过混频技术识别与本地参考光频率和相位一致的信号。因此，非相干光源的干扰信号无法被识别为有效回波，使其在抗串扰方面具有先天优势。
尽管FMCW激光雷达在抗串扰方面表现出色，但其并未成为主流，主要由于其实现对硬件要求较高。FMCW系统需要高质量、线性调频的光源以及稳定的本地振荡器，同时对频率与相位噪声较为敏感，导致系统成本和复杂度显著高于TOF方案。此外，在极少数情况下（如多个相干源同时工作），FMCW也可能受到干扰。同时，其测距与测速信息耦合，对数字信号处理能力提出更高要求。
软件层面的辅助与传感器融合
无论是TOF还是FMCW激光雷达，单纯依靠硬件难以应对所有干扰场景，因此软件优化不可或缺。在软件设计中，可通过点云异常检测、时间一致性校验、多帧数据累积判断等方式，评估可疑点的可信度。
例如，若在单帧中出现孤立的“飞点”，缺乏速度场支持，且与其他传感器（如摄像头、毫米波雷达、IMU/GNSS）信息不符，则可将其标记为低置信度信号并予以过滤。通过传感器融合策略，可有效提升系统鲁棒性，降低误检率。
此外，近年来也出现了基于机器学习的方法用于识别和抑制串扰伪点。通过训练分类器识别串扰点的时空特征（如突发性、孤立分布、不符合物理规律的反射强度等），可在运行时自动降低其权重。不过，此类方法需依赖大量训练样本以提升泛化能力，并注意避免误判真实小目标。
结语
随着激光雷达装车数量的增加，串扰问题将成为影响系统性能的重要因素。TOF激光雷达由于其脉冲特性，更容易受到干扰；而FMCW方案则在原理上具备更强的抗干扰能力，但成本和技术复杂度较高。因此，在实际应用中，硬件优化与软件设计的协同配合，以及多传感器融合策略，将是提升激光雷达系统可靠性的关键。