激光雷达中串扰问题的成因与应对策略
自自动驾驶技术提出以来，激光雷达一直被视为关键的环境感知设备。即便在如今部分技术路线逐步转向纯视觉感知的背景下，仍有许多汽车制造商坚持采用激光雷达。目前，激光雷达主要采用两种工作方式：脉冲飞行时间（Time-of-Flight，TOF）和连续波调频（Frequency-Modulated Continuous Wave，FMCW）。
TOF激光雷达的原理较为直观，发射端周期性地发送一个窄脉冲激光束，激光在遇到障碍物后反射回来，由接收端记录发射与接收之间的时间差，并乘以光速的一半，即可计算出目标距离。这种方式实现相对简单，测距直观，脉冲能量集中，但缺点在于对时间测量精度要求极高，且容易受到环境光和其他干扰脉冲的干扰。目前市面上的车规级TOF激光雷达主要工作在890 nm～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有不同侧重。
相比之下，FMCW激光雷达不依赖短脉冲测时，而是连续发射频率线性扫描的激光信号，接收回波与本地参考光进行相干混频，产生“拍频”信号。通过分析该拍频的频率，可以推导出目标的距离和相对速度信息。由于FMCW采用相干检测方式，在接收弱信号时具备增益优势，同时能够获取多普勒信息。只有频率和相位与本地参考光匹配的信号才能产生有效干涉，因此，FMCW激光雷达在面对非相干干扰时具备较强的抗干扰能力。
串扰现象的来源
随着激光雷达装车数量的快速增长，串扰问题变得愈发突出。所谓串扰，是指激光雷达接收到其他车辆发射的激光信号，从而影响其感知准确性。
TOF激光雷达发射的是周期性脉冲信号，这些脉冲在传播过程中可能发生反射、散射，进而被其他车辆的接收端误认为是自身发射的回波。由于接收端无法有效区分自身发射脉冲与外部脉冲，仅依靠时间差或脉冲形状进行判断，容易导致误判。这会引发测距误差、点云丢失或出现虚假点云等问题。
特别是在车辆密集运行、夜间行驶或远距离观测等场景下，串扰现象更为显著。此外，同一车辆中多个TOF单元之间若缺乏协调，也可能因发射与接收窗口重叠而相互干扰。例如，当A单元发射的激光经漫反射进入B单元视场，或B单元在A单元发射后仍处于接收窗口开启状态，都会造成串扰。相比之下，FMCW激光雷达因相干检测机制具备一定的抗干扰能力，但并非完全免疫，其表现仍受制于具体实现和硬件设计。
TOF激光雷达的抗串扰对策
为缓解串扰问题，业界提出了一系列技术方案，核心思路是为每个发射脉冲添加“身份标识”或控制其在时间上的分布，以帮助接收端识别有效回波。
其中，脉冲编码（编码发射）是一种常见手段。该方法通过特定规则对发射脉冲进行编码，接收端则通过解码识别与自身发射码型匹配的信号。编码形式包括伪随机序列、时间或相位码型等。编码优势在于显著降低误判概率，尤其在高密度激光雷达环境中，互不相同的编码可区分不同发射源。
然而，编码方式也存在局限。在解码和匹配过程中，脉冲能量被“展开”，需通过相关处理才能恢复原始回波。这在远距离或低反射率场景下可能影响灵敏度或测距范围。因此，在设计中需要权衡编码长度、码速率、发射功率与接收积分时间等因素。
时间复用与接收门控是另一类有效策略。通过错开不同单元的发射时间或在预估回波到达时刻才开启接收端，可有效减少相互干扰。对于同一车辆内的多个TOF激光雷达单元，此方法尤为有效，依赖统一时钟精确控制发射与接收窗口。但若回波路径异常或目标距离超出预期，可能会导致数据丢失。此外，若外部激光恰好在接收窗口内发射，仍可能产生干扰。
为降低串扰概率，还可采用随机化发射时序或在帧结构中引入时间抖动。该方法通过引入随机时间偏移，降低周期性干扰的发生频率，将固定模式干扰转化为随机噪声。其优点在于实现简单、兼容现有硬件，但缺点是无法彻底区分外来回波，仅能在概率层面缓解问题，对高密度场景效果有限。
此外，还可从光学与硬件层面进行优化，如采用窄带滤波器以过滤环境背景光，或通过光学设计、物理遮挡和机械隔离减少侧向或反射干扰。在软件层面上，设置接收门限、多帧验证机制或点云后处理策略，也有助于剔除孤立的虚假点。
FMCW激光雷达的抗干扰能力
FMCW激光雷达依赖相干检测机制，只有频率和相位与本地参考光匹配的信号才会产生稳定拍频并被检测。因此，外来非相干信号（如其他车辆的短脉冲激光）无法与本地参考光形成有效干涉，不会被误认为有效回波。这使FMCW在识别自身回波方面具备天然优势。
尽管FMCW在抗串扰方面表现出色，但其并未成为主流，原因在于其实现对硬件要求较高。FMCW需要线性调频光源和稳定本地振荡器，同时对相位和频率噪声非常敏感，系统复杂度和成本均高于TOF激光雷达。在极少数情况下，例如两个相干光源同时存在或外来连续波频率轨迹巧合，FMCW也可能受到干扰。此外，其测距与测速信息是耦合的，对信号处理算法和数字系统提出了更高要求。因此，虽然FMCW在高密度场景中表现更佳，但高成本和高复杂度限制了其在大规模商用中的推广。
软件补救与多传感器融合策略
无论是TOF还是FMCW，硬件层面难以覆盖所有潜在干扰情况，软件优化和传感器融合成为关键补充手段。
在软件层，可采用点云异常检测、时间一致性校验、多帧累积分析等方法评估疑似虚假点的可信度。例如，若某激光点云中出现孤立“飞点”，在单帧中出现、缺乏速度特征支持，并且摄像头未检测到相关目标，即可将其标记为低置信度并过滤。通过融合多传感器数据，可显著降低串扰导致的误检率。
此外，基于机器学习的方法也被用于识别和剔除串扰产生的伪点。训练有素的分类器能够识别串扰点的典型特征，例如突发性出现、空间孤立、反射强度不符合物理规律等，并在运行中降低其权重。但该方法依赖大量高质量训练数据，需注意避免将真实但罕见的小型目标误判为干扰。
结语
随着激光雷达在车辆中的部署密度不断提升，串扰问题将愈加突出。TOF激光雷达因脉冲特性更容易受到影响，而FMCW虽具备更强的抗干扰能力，但面临更高的硬件成本与系统复杂性。
-- END --