激光雷达面临的串扰问题及其应对策略
在自动驾驶技术的发展进程中，激光雷达一直是核心的感知硬件。尽管当前部分技术路径逐渐向纯视觉靠拢，仍有大量汽车制造商坚持采用激光雷达作为关键组件。当前主流的激光雷达工作方式主要包括脉冲型飞行时间（TOF）与连续波调频型（FMCW）。
TOF激光雷达的原理较为直观，其通过发射器定时发射极窄激光脉冲，遇到障碍物后反射回接收器。通过测量脉冲发射与回波接收之间的时间差，并结合光速计算，即可得出目标的距离。该方法实现简单、测距清晰，且脉冲能量集中，但缺点在于对时间测量精度要求极高，同时容易受到环境光或干扰脉冲的影响。目前，广泛使用的车规级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方面存在差异。
FMCW激光雷达则采用连续发射激光并随时间线性调频的方式，其回波与本地参考光进行相干混频，生成“拍频”信号。通过分析拍频频率，即可推算出目标的距离和相对速度。该方式具备相干检测优势，尤其在接收微弱信号时表现优异，并能同时获取速度信息。由于非相干信号无法与本地参考光形成有效干涉，FMCW对其他车辆激光雷达等干扰源具有天然的抗干扰能力。
串扰现象的成因
随着激光雷达在车辆中的部署日益广泛，串扰问题逐渐显现。所谓串扰，即激光雷达接收到其他车辆发出的激光信号，从而影响自身感知的准确性。
TOF激光雷达发射的短脉冲在空间中传播时，可能与其他车辆的脉冲发生交叉、反射或漫散射，导致接收端误判为自身回波。由于接收器无法有效区分自身与他车信号，若仅依赖时间差或脉冲形状识别目标，缺乏足够的鉴别机制，极易引发误测距离、点云丢失或出现虚假点等问题。
串扰在车辆密集行驶时尤为明显，尤其是在夜间或视野开阔、长距离的场景中。此外，同一车辆上多个TOF单元若未合理协调，也可能出现相互干扰的情况。例如，A单元发射的激光经漫反射进入B单元的视场，或B单元的接收窗口在A单元发射后仍处于开启状态，都会造成串扰。相较之下，FMCW激光雷达依靠相干检测机制，对前一种情况具备一定抑制能力，但其抗干扰效果仍取决于具体硬件设计与实现方式。
TOF激光雷达的抗串扰策略
为应对串扰问题，业界提出多种技术手段，核心思路是为发射脉冲赋予“标识”或实施“时间控制”，以便接收端能准确识别回波来源。
脉冲编码（编码发射）是较为常见的方法，通过为每一束激光脉冲设定特定编码，接收端再进行解码运算。只有与自身编码匹配的信号才会被判定为有效回波。编码方式包括伪随机序列及时间/相位上的特殊码型。尽管编码能显著降低误判概率，尤其在高密度环境中，但其对信噪比与测距能力有一定影响。编码与相关滤波过程会使能量分散，恢复原始回波需要复杂处理，这在低反射率目标或远距离场景中可能影响系统性能。
时间复用与接收门控是另一种有效手段，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开启接收器。在多单元激光雷达系统中，该方案配合高精度同步时钟，如PPS信号或专用总线，可有效减少单元间干扰。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，若其他车辆恰好在接收时段发射信号，仍可能造成干扰。
此外，还可通过随机化发射时序或引入帧结构中的时间抖动来降低串扰概率。该方法通过在固定频率基础上添加随机偏移，减少周期性干扰，将干扰信号转化为随机噪声。其优势在于实现简单、兼容性强，但对高密度场景的抗干扰能力有限。
在光学与硬件层面，也可以采取窄带滤波器、光学方向性设计、物理遮挡等方式减少干扰。例如，使用光学滤波器可有效滤除非目标波段光，但对同频段干扰无效；通过方向性设计可减少侧向干扰，但可能影响探测视场。在软件层面，可通过设置门限、多帧验证等机制识别并剔除异常点。
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，其回波必须与本地参考光具有频率与相位匹配，才能生成稳定拍频。因此，外来非相干脉冲无法形成有效干涉，不会被误判为回波。这一机制赋予FMCW在抗串扰方面天然优势。
尽管FMCW在抗串扰方面表现突出，其普及度仍有限。这主要源于其对高质量调频光源、稳定本地振荡器及低噪声系统的要求较高。同时，相干检测对相位与频率噪声敏感，硬件成本与系统复杂度均高于TOF方案。此外，FMCW的测距与测速信息耦合，需更复杂的数字信号处理算法，这也增加了落地难度。因此，尽管FMCW在高密度场景中表现更稳定，但成本与算法复杂度仍是其普及的障碍。
软件辅助与多传感器融合
无论是TOF还是FMCW，硬件层面的抗串扰能力难以覆盖所有场景，因此软件设计成为关键补充。当前常见的软件策略包括点云异常检测、时间一致性校验、多帧累积判断等。此外，激光雷达也可与摄像头、毫米波雷达、惯性导航系统（IMU）等传感器融合，以提升感知的准确性。
例如，若激光雷达检测到某一孤立点，在单帧中突然出现且无速度场支持，同时摄像头未捕捉到对应目标，则可将其标记为低置信度点并予以剔除。此外，基于机器学习的分类器也可用于识别并抑制串扰引发的伪点。通过训练模型识别串扰点的时序、空间与反射强度特征，可有效降低误检风险。但需注意训练样本的多样性，以防止将真实小目标误判为干扰。
结语
随着激光雷达装车密度的持续增长，串扰问题将愈发突出。TOF激光雷达由于其脉冲式工作方式，相较FMCW更容易受到干扰，而FMCW则凭借相干检测机制在抗串扰能力上更具优势，但其系统复杂度与成本也相应提高。