激光雷达为何容易出现串扰现象？
自自动驾驶技术提出以来，激光雷达作为关键的环境感知设备，始终占据着重要地位。即便近年来部分技术路线转向纯视觉方案，仍有大量车企坚持采用激光雷达。目前，激光雷达主要分为两种工作模式：脉冲型飞行时间（Time-of-Flight，TOF）和连续波调频型（Frequency-Modulated Continuous Wave，FMCW）。
TOF激光雷达的原理较为直观，其通过发射器周期性地发出窄脉冲激光，当激光遇到障碍物后反射回来，接收器记录发射与接收之间的时间差，并结合光速计算目标距离。该方式实现简单、测距直观，且脉冲能量集中，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影响。当前多数车规级TOF激光雷达工作在890 nm至1550 nm波段，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。
FMCW激光雷达则采用连续发射激光的方式，并通过线性调频实现测距。接收端将回波与本地参考光进行相干混频，产生拍频信号，从而推导出目标的距离和相对速度。由于FMCW采用相干检测，其在接收微弱信号时具有增益优势，并能同时获取速度信息。此外，只有与本地参考光相干的信号才能产生有效干涉，因此FMCW激光雷达对外部非相干光源（如其他车辆的激光信号）具有天然的抗干扰能力。
串扰现象的成因
随着搭载激光雷达的车辆数量增加，串扰问题逐渐显现。所谓串扰，是指激光雷达接收到其他车辆发射的激光信号，从而导致感知数据失真。
TOF激光雷达发射的脉冲在空间中传播时，可能与其他车辆的激光脉冲发生交叉反射或漫散射，进而被误认为是自身发射的回波。由于接收端通常仅依赖时间差或脉冲形状来识别目标，缺乏额外的鉴别机制，因此容易将外来脉冲误判为有效信号，从而引发测距错误、点云丢失或虚假点云等问题。
在多车密集行驶、夜间或远距离场景中，串扰现象尤为明显。此外，同一车辆上多个TOF单元之间若未协调好发射与接收时间，也可能相互干扰。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，均可能导致串扰。相比之下，FMCW激光雷达由于其相干检测机制，对这类干扰具有天然的抑制能力，但其抗干扰效果仍取决于具体实现方式和硬件设计。
TOF激光雷达的抗串扰策略
为缓解TOF激光雷达的串扰问题，业界提出了多种技术方案，核心思路是通过为每个发射脉冲添加“标识”或控制发射时间，使接收端能够区分自身回波与外部干扰。
其中，脉冲编码是一种常见方法。该技术通过为每一束激光脉冲分配特定编码，接收端对接收到的信号进行解码，仅将匹配自身编码的信号视为有效回波。编码方式可采用伪随机序列或时间/相位上的特殊码型。这种方法理论上可显著降低误判概率，尤其在激光雷达密集的场景中，不同编码可有效区分多个发射源。
然而，编码技术也会对信噪比和测距能力产生影响。编码和匹配滤波过程会将能量在时间上展开，恢复原始回波需进行相关处理，这在低反射率目标或远距离场景中可能牺牲灵敏度或测程。因此，在设计时需在编码长度、码速率、发射功率和探测器积分时间之间进行权衡。
时间复用与接收门控是另一种抗串扰方案。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，从而减少相互干扰。对于同一车辆上的多个TOF单元，该方法效果显著，但依赖于高精度的同步时钟和硬件支持。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，若其他车辆恰好在自身接收窗口内发射，仍可能产生干扰。
此外，还可通过引入随机化发射时序或时间抖动来降低串扰概率。该方法通过在固定重复频率的脉冲中加入随机时间偏移，将周期性干扰转化为随机噪声。其优点是实现简单、兼容现有硬件，但无法从根本上区分外来回波，仅能在概率上平均化冲突，对高密度场景效果有限。
在光学和硬件层面，也可采取一些抑制措施。例如，使用窄带光学滤波器滤除环境背景光和非目标波段的光，但若干扰源与目标处于相同波段，则该方法无效。此外，通过光学方向性设计、物理遮挡或机械隔栅减少侧向或反射路径的干扰，也可能限制探测视场。在软件层面，可设置接收门限或多帧验证机制，以剔除点云中孤立的虚假点。
FMCW激光雷达的抗串扰优势
FMCW激光雷达由于依赖相干检测，其接收端将回波与本地参考光混频，只有频率和相位相干的信号才能产生稳定的拍频并被检测。因此，外来非相干激光信号（尤其是短脉冲）无法与本地参考光形成有效干涉，不会被误认为有效回波。这使得FMCW激光雷达在识别自身回波方面具有更强的辨别能力。
尽管FMCW在抗串扰方面具有优势，但其尚未成为主流。原因在于FMCW的实现需要高质量、线性可控的调频光源和稳定的本地振荡器，相干检测对相位和频率噪声也较为敏感，因此硬件成本和复杂度高于TOF系统。在极少数情况下（如两个相干源同时存在，或外来连续波频率轨迹巧合），FMCW激光雷达仍可能出现干扰。此外，FMCW的测距与测速信息是耦合的，处理算法和数字信号处理要求更高。这意味着FMCW激光雷达在密集场景下具有更强的鲁棒性，但其成本和算法复杂度也更高，这对大规模商业化应用提出了挑战。
软件层面的补救与传感器融合
无论是TOF还是FMCW激光雷达，仅靠硬件难以覆盖所有场景，软件设计是不可或缺的补充。在软件层面，可采用点云级异常点检测、时间一致性校验、多帧累积判断等方式，评估疑似虚假点的可信度。例如，若激光点云中出现孤立的“飞点”，在单帧中出现、缺乏速度场支持，且摄像头也未捕捉到对应物体，则可将其标记为低置信度信号并予以忽略。通过多传感器融合，可进一步降低因串扰导致的误检风险。
此外，机器学习方法也被用于识别和滤除串扰产生的伪点。基于时空特征训练的分类器可以学习串扰点的典型模式（如在时序上突发、在空间上孤立、反射强度不符合物理规律等），进而在运行时降低这些点的权重。这种方法需要大量训练样本以保证泛化能力，并需注意避免将罕见的真实小目标误判为串扰。
结语
随着激光雷达装车密度的提升，串扰问题将日益突出。TOF激光雷达因其脉冲特性更容易受到串扰影响，而FMCW激光雷达在原理上对外来脉冲干扰更具抵抗力，但其实现复杂度和成本也更高。
-- END --