激光雷达核心技术解析:TOF、FMCW与相位测距原理对比
2025-04-18 来源:21ic
激光雷达(LiDAR)作为自动驾驶、机器人导航与三维感知的核心传感器,其技术路线呈现多元化发展。当前主流的测距技术包括飞行时间法(TOF)、调频连续波法(FMCW)及相位测距法。这三种技术从原理到应用场景存在显著差异,其性能优劣直接影响激光雷达的探测精度、抗干扰能力及商业化落地潜力。本文将从技术原理、性能参数、应用场景及发展趋势四个维度,系统解析三种测距技术的核心差异。
一、技术原理对比
1. TOF(Time of Flight)技术
TOF技术基于光速测距原理,通过测量激光脉冲从发射到接收的往返时间计算目标距离。其核心组件包括激光发射器、接收器及高精度计时电路。例如,某款1550nm波长的TOF激光雷达,发射脉冲宽度为3ns,光速为299,792,458m/s,则单次测距的理论精度可达约0.45m(计算公式:距离=光速×时间/2)。
TOF技术可分为直接测距(dToF)与间接测距(iToF)。dToF通过单光子雪崩二极管(SPAD)记录每个光子的飞行时间,适用于远距离探测(如200m以上);iToF则通过调制激光频率并测量回波相位差,适用于中短距离(如50m以内)。两者的核心区别在于时间分辨率与系统复杂度:dToF需皮秒级计时电路,而iToF依赖高频调制信号生成。
2. FMCW(Frequency Modulated Continuous Wave)技术
FMCW技术通过发射线性调频连续波,并利用相干探测原理计算目标距离与速度。其工作过程可分为三步:
发射调频激光:激光频率随时间按三角波规律变化(如40GHz带宽);
回波信号混频:接收信号与本地参考光进行拍频,产生低频差拍信号;
距离与速度解算:通过分析差拍信号的频率与相位,解算出目标距离与径向速度。
FMCW的优势在于可同时获取目标距离与速度信息,且抗干扰能力显著优于TOF。例如,某FMCW激光雷达在100m处可分辨0.1m/s的速度变化,而TOF需多帧数据拟合才能实现类似精度。
3. 相位测距技术
相位测距基于调制光波的相位差计算距离,其核心是测量发射信号与回波信号的相位延迟。以某款905nm波长的相位激光雷达为例,调制频率为100MHz,则相位差每变化2π对应1.5m的距离变化。通过多频调制(如同时使用100MHz与1GHz信号),可消除相位模糊问题,将测距范围扩展至千米级。
相位测距的精度受调制频率与相位噪声限制。高频调制可提升精度,但需更复杂的信号处理电路;低频调制则牺牲精度以换取系统稳定性。
二、性能参数对比
参数TOFFMCW相位测距
测距精度cm级(dToF)至mm级mm级(100m内)mm级(短距)
速度测量间接推算(需多帧)直接测量(单帧)不支持
抗干扰性易受环境光与多径效应影响高(相干探测)中(依赖调制信号)
峰值功率高(kW级脉冲)低(mW级连续波)中(W级连续波)
系统复杂度中(脉冲驱动与计时)高(调频与混频)中(调制与解调)
典型案例:
TOF:禾赛科技AT128采用dToF技术,在10%反射率下可探测200m目标,适用于高速自动驾驶场景;
FMCW:Aeva的Aeries II通过FMCW技术实现4D点云(距离、速度、角度、强度)输出,在150m处角分辨率达0.1°;
相位测距:Velodyne的VLP-16采用相位测距,在100m内精度优于3cm,但需配合合作目标使用。
三、应用场景适配
1. 自动驾驶
TOF:主导中长距探测(如100-250m),满足高速场景下的前向避障需求;
FMCW:适用于城市NOA(导航辅助驾驶)场景,其速度信息可提前预警“鬼探头”等突发风险;
相位测距:多用于补盲雷达(如侧向与后向),通过高精度测量实现低速场景的精准泊车。
2. 机器人导航
TOF:适用于AGV(自动导引车)的SLAM(同步定位与建图),其快速响应能力可提升路径规划效率;
FMCW:在复杂环境中(如仓库货架间)表现更优,通过速度信息区分动态与静态障碍物;
相位测距:常用于服务机器人的避障模块,通过合作目标实现毫米级精度。
3. 三维建模
TOF:通过高脉冲能量实现远距离扫描,适用于建筑测绘与地形勘探;
FMCW:在微米级精度需求下(如精密工业检测)具有优势;
相位测距:多用于手持式扫描仪,通过多频调制消除相位模糊。
四、技术发展趋势
TOF技术:向芯片化与集成化发展,例如Lumentum的VCSEL阵列将发射器尺寸缩小至指甲盖大小,功耗降低50%;
FMCW技术:突破成本与量产瓶颈,Aeva计划通过硅光子技术将FMCW激光雷达成本降至千元级;
相位测距技术:结合AI算法优化相位解调,例如Ouster的数字波形处理技术使相位噪声降低30dB。
未来挑战:
TOF需解决多径效应与阳光干扰问题;
FMCW需提升调频线性度以降低相位噪声;
相位测距需扩展动态范围以适应高速目标。
结语
TOF、FMCW与相位测距技术各有优劣,其选择需基于应用场景的权衡。TOF以成熟度与成本优势主导当前市场,FMCW凭借速度测量与抗干扰能力成为未来方向,而相位测距则在特定领域(如精密测量)保持不可替代性。随着自动驾驶等级提升与机器人应用场景扩展,三种技术的融合创新(如TOF+FMCW混合架构)或将成为下一代激光雷达的核心形态。
- 嵌入式的风向变了:2026纽伦堡嵌入式展透露这些趋势
- 高通确认不在GDC 2026发布新款骁龙G系列掌机处理器SoC
- 阿里达摩院发布玄铁C950,打破全球RISC-V CPU性能纪录
- 行业评论 从工具到平台:如何化解跨架构时代的工程开发和管理难题
- Mujoco中添加Apriltag标签并实现相机识别教程
- 面向嵌入式部署的神经网络优化:模型压缩深度解析
- 摩尔线程MTT S5000全面适配Qwen3.5三款新模型
- 英飞凌与宝马集团携手合作,基于Neue Klasse架构塑造软件定义汽车的未来
- 物理AI仿真新突破:摩尔线程与五一视界共建全栈国产化生态
- 爆火的OpenClaw! 告别云端,米尔RK3576开发板本地部署
- 中国芯片研发重要成果!中科院发布香山、如意系统
- Miniconda环境隔离教程:解决Python版本冲突的完整指南
- Jetson GPU Burn烤机测试与PTX编程详解
- LabelImg安装使用教程:YOLOv12训练数据标注完整指南
- 根据题意,水位上升记为正,下降记为负。汛期水位上升3分米(即0.3米)记作+3分米,此时达到最高水位12.5米,因此基准水位(记作0时的水位)为: 12.5米 - 0.3米 = 12.2米。 汛期过后水位下降4分米(即0.4米),是从最高水位下降,故实际水位为: 12.5米 - 0.4米 = 12.1米。 实际水位相对于基准水位的变化量为: 12.1米 - 12.2米 = -0
- YOLOv12训练实战:train.py常用参数详解
- Altera 与 Arm 深化合作,共筑 AI 数据中心高效可编程新方案
- 莱迪思加入英伟达 Halos生态系统,通过Holoscan传感器桥接技术提升物理人工智能安全性
- 芯科科技闪耀2026嵌入式世界展 以Connected Intelligence赋能,构建边缘智能网联新生态




