激光雷达为何容易遭遇串扰现象
在自动驾驶技术的发展历程中，激光雷达始终扮演着关键的环境感知角色。即使近年来部分技术路线逐渐转向纯视觉方案，仍有不少汽车制造商坚持采用激光雷达作为核心传感器。目前，激光雷达主要采用两种工作方式：脉冲型飞行时间（Time-of-Flight，TOF）和连续波调频型（Frequency-Modulated Continuous Wave，FMCW）。
TOF激光雷达的工作机制较为直观：发射器定期发射短促的激光脉冲，这些脉冲在遇到障碍物后发生反射，由接收端测量发射与接收之间的时间差，并结合光速计算目标距离。该方法在实现上相对简单，测距直观，脉冲能量集中，但对时间测量精度要求极高，且容易受环境光或其他脉冲干扰。目前大多数车规级TOF激光雷达的工作波段集中在890 nm至1550 nm之间，不同厂商在脉冲宽度、重复频率和接收灵敏度等方面各有侧重。
相比之下，FMCW激光雷达不依赖短脉冲测时，而是通过连续发射激光并使频率随时间线性扫描。接收到的回波会与本地参考信号进行相干混频，从而生成拍频信号。该拍频信号的频率可用于推导目标距离和相对速度。由于FMCW激光雷达采用相干检测方式，对微弱信号具有更高的接收增益，并能同时获取速度信息。由于只有与本地参考信号相干的信号才能产生有效干涉，外部干扰脉冲通常不会被误判为有效回波，因此FMCW激光雷达具备较强的抗干扰能力。
串扰现象的成因
随着搭载激光雷达的车辆数量迅速增长，一个日益突出的问题逐渐显现——即“串扰”。所谓串扰，是指某台激光雷达接收到其他激光雷达发射的信号，从而导致感知数据失真。
TOF激光雷达由于其脉冲发射特性，在密集交通环境中极易出现串扰。发射脉冲在空间中传播时，可能会被其他车辆的接收器误认为自身回波。接收端若仅依赖时间差或脉冲形状来识别目标，缺乏额外的判别机制，就会导致误判，从而引发测距错误、点云丢失，甚至生成虚假点云。
串扰问题在多车同时运行、夜间行驶或远距离探测场景中尤为明显。此外，如果同一车辆内多个TOF单元之间缺乏协调，也可能相互干扰。例如，当A单元发出的激光经由漫反射进入B单元的探测区域，或者B单元在A单元发射后仍处于接收状态时，串扰不可避免。相较之下，FMCW激光雷达凭借其相干检测机制，对这类干扰具备天然的抑制能力，但并非完全免疫，具体抗干扰效果仍取决于硬件实现方式。
TOF激光雷达常见的抗串扰策略
为应对串扰问题，业界提出了多种技术方案，核心思路是为发射脉冲添加“标识”或在时间上进行受控处理，以便接收端能够区分有效回波与外部干扰。
其中，脉冲编码是一种常用的技术。通过为每个脉冲分配特定的编码，接收端可以对信号进行解码运算，仅识别与自身发射编码匹配的信号。编码方式包括伪随机序列或时间/相位上的特殊码型。编码的优势在于可大幅降低误判概率，尤其是在激光雷达密集的场景下。
然而，编码处理也会带来一定代价。编码与匹配滤波过程会将信号能量在时间上展宽，为恢复原始回波需进行相关处理。在远距离或低反射率目标场景中，这种处理方式可能降低系统的灵敏度和最大探测距离。因此，在设计编码方案时，需在编码长度、码速率、发射功率与探测器积分时间之间进行权衡。
时间复用与接收门控是另一类抗串扰技术。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的时间窗口内开启接收器，从而过滤掉相互之间的干扰。该技术对同一车辆内多个TOF单元尤其有效，但依赖于硬连线同步时钟（如PPS或专用总线），而非无线时间协调。尽管如此，该方法仍存在一定的局限性，例如在目标距离超出预期或反射路径异常时，可能造成数据丢失。
此外，还可通过引入时间抖动或随机化发射时序的方式降低长期周期性冲突的概率。此类方法实现简单，兼容现有硬件，但无法根本区分外来信号，仅能在概率层面减少干扰。
除了上述方法，还可以从光学与硬件层面进行优化，例如采用窄带滤光片减少环境光干扰，或通过光学方向性设计、物理遮挡等方式减少侧向和反射干扰。在软件层面，可通过设置接收阈值、多帧验证机制（如保留多帧中稳定出现的点云）等方式在点云处理阶段剔除异常点。
FMCW激光雷达的抗串扰特性
基于相干检测机制，FMCW激光雷达在抗串扰方面具有天然优势。其接收端将回波与本地参考光混频，仅当回波与参考光频率和相位相干时，才能产生稳定的拍频信号。因此，其他非相干源（如短脉冲激光）无法被误判为有效信号。
尽管FMCW在抗干扰方面表现优异，但其并未成为主流方案。其原因在于：FMCW激光雷达需要高质量的调频光源和稳定的本地振荡器，对频率与相位噪声极为敏感，硬件成本和系统复杂度明显高于TOF方案。此外，在某些特殊情况下，如多个相干源同时存在或外来信号频率轨迹偶然重合，仍可能出现干扰。同时，FMCW的测距与测速信息高度耦合，对信号处理算法和数字处理能力提出更高要求。
软件优化与传感器融合
无论是TOF还是FMCW激光雷达，单靠硬件手段难以应对所有复杂场景，软件层面的优化同样不可或缺。可采用点云级异常点检测、时间一致性校验、多帧累积判断等方法，结合摄像头、毫米波雷达、IMU/GNSS等传感器进行多模态融合，从而提升对可疑点云的判别能力。
举例来说，若某激光点云在单帧中突现，缺乏速度信息支持，且摄像头未检测到对应目标，则该点可被判定为低可信度信号并予以剔除。此外，基于时空特征训练的机器学习分类器也可用于识别串扰伪点。通过训练模型学习串扰点的典型特征，如突发性、孤立性和反射强度异常等，可有效降低误检概率。
结语
随着激光雷达装车密度的提升，串扰问题将愈发显著。TOF激光雷达因其脉冲特性更容易受到干扰，而FMCW激光雷达在原理上对外来信号具有更强的抗干扰能力，但其高昂的成本和复杂度限制了其广泛应用。