简述激光雷达的结构原理分类及特点？

Posted 2023-04-17

激光雷达发射器先发射激光，经过物体（ O b j e c t ObjectObject ）反射后被 C M O S CMOSCMOS （一种图像传感器，即图中 I m a g e r ImagerImager ）捕捉，设捕捉点为 x 2 x_2x
2
​
。现过焦点 O OO 作一条虚线平行于入射光线，交 I m a g e r ImagerImager 于 x 1 x_1x
1
​
，由于 β \betaβ 已知，所以可得到 x 1 x_1x
1
​
的位置。记 x 1 , x 2 x_1,x_2x
1
​
,x
2
​
之间距离为 x xx，易得左右两个三角形相似，所以有：q f = s x \fracqf=\fracsx
f
q
​
=
x
s
​
，又有 s i n β = q d sin\beta=\fracqdsinβ=
d
q
​
，二者联立可得 d = s f x s i n β d=\fracsfxsin\betad=
xsinβ
sf
​
.

这样就可得到物体到激光发射器的距离 d dd 了，激光雷达将这样的发射器和接收器组装在一起，经过机械旋转360°即可得到一周障碍物的距离。


TOF测距原理
由三角测距的计算公式不难发现，当距离 d dd 很大时，每变化 δ d \delta dδd 引起的 x xx 变化很小，导致精度下降，这就限制了测量范围。

而TOF（Time of flight）原理克服了测量距离这一难点，并且提高了精度：

TOF原理十分简单，就是利用光速测距。首先激光发射器发射激光脉冲，计时器记录发射时间；脉冲经物体反射后由接收器接受，计时器记录接受时间；时间差乘上光速即得到距离的两倍。

TOF原理看似简单，但是实现起来确有很多难点：

计时问题：由于光速过快，测量时间会变得很短。据网上数据得：1cm的测量距离对应65ps的时间跨度。这需要计时器的精确度很高。
脉冲问题：发射器需要发射高质量的脉冲光，接收器接受脉冲光的时候需要尽量保持信号不失真。
对于同一距离的物体测距时，得到的回波信号可能不一样，如下图的黑白纸，这就需要特殊的处理方式来处理。

但总的来说TOF原理的精度远远超过三角测距，只是由于诸多难点导致成本略高。像大一立项时因为没钱，所以用的三角测距的思岚A1，精度不是很高。而ROBOCON战队里的sick激光雷达就是TOF原理，精度非常高，贵是有道理的~
雷达分类
机械激光雷达
机械激光雷达使用机械部件旋转来改变发射角度，这样导致体积过大，加工困难，且长时间使用电机损耗较大。但由于机械激光雷达是最早开始研发的，所以现在成本较低，大多数无人驾驶公司使用的都是机械激光雷达。

MEMS激光雷达
MEMS全称Micro-Electro-Mechanical System，是将原本激光雷达的机械结构通过微电子技术集成到硅基芯片上。本质上而言MEMS激光雷达是一种混合固态激光雷达，并没有做到完全取消机械结构。

主要原理为：通过MEMS把机械结构集成到体积较小的硅基芯片上，并且内部有可旋转的MEMS微振镜，通过微振镜改变单个发射器的发射角度，从而达到不用旋转外部结构就能扫描的效果。

大致原理如下图：


相控阵激光雷达
两列水波干涉时会出现某处高某处低的情形：

光学相控阵原理类似干涉，通过改变发射阵列中每个单元的相位差，合成特定方向的光束。经过这样的控制，光束便可对不同方向进行扫描。雷达精度可以做到毫米级，且顺应了未来激光雷达固态化、小型化以及低成本化的趋势，但难点在于如何把单位时间内测量的点云数据提高以及投入成本巨大等问题。

动态原理图如下：



FLASH激光雷达
FLASH激光雷达原理非常简单：在短时间内发射出一大片覆盖探测区域的激光，再以高度灵敏的接收器，来完成对环境周围图像的绘制。

激光雷达的数据
分成N份
分成M份
N线点云数据
1线点云数据
时间戳
1个点云数据
点云数量M
X方向偏移量
Y方向偏移量
Z方向偏移量
反射强度
激光雷达数据的处理顺序一般为：

数据预处理（坐标转换，去噪声）
聚类（根据点云距离或反射强度）
提取聚类后的特征，根据特征进行分类等后处理工作。
激光雷达数据的处理顺序一般为：

数据预处理（坐标转换，去噪声）
聚类（根据点云距离或反射强度）
提取聚类后的特征，根据特征进行分类等后处理工作。 参考技术A

‍

* 来源：驭势资本

自动驾驶给激光雷达带来新机遇

激光雷达LiDAR被广泛用于无人驾驶汽车和机器人领域，被誉为广义机器人的“眼睛”，是一种通过发射激光来测量物体与传感器之间精确距离的主动测量装臵。其中广义机器人包括具有无人驾驶功能的汽车，也可称之为轮式机器人，另外还包括实现无人清扫、无人运送等功能的新型服务机器人。除了无人驾驶领域，激光雷达的应用领域也在不断拓展，包括以汽车整车厂、Tier1为代表的前装高级辅助驾驶，以智能服务机器人为代表的避障导航系统，还有随着5G技术逐渐普及而产生的智能交通车路协同应用，都为激光雷达带来了更广阔的市场。

激光雷达原理

激光雷达的工作原理是将电脉冲变成光脉冲发射出去，光接收机再把从目标反射回来的光脉冲还原成电脉冲，通过测量发射脉冲与一个或数个回波脉冲之间的时间差而获得距离以及物体材质和颜色等参数。

具体来看，激光雷达由四个系统组成，分别为激光发射、激光接收、信息处理和扫描系统。激光发射系统中激励源周期性地驱动激光器，发射激光脉冲，激光调制器通过光束控制器控制发射激光的方向和线数，最后通过发射光学系统，将激光发射至目标物体；激光接收系统的工作原理是经接收光学系统，光电探测器接受目标物体反射回来的激光，产生接收信号；信息处理系统是接收信号经过放大处理和数模转换，经由信息处理模块计算，获取目标表面形态、物理属性等特性，最终建立物体模型；扫描系统是以稳定的转速旋转实现对所在平面的扫描，并产生实时的平面图信息。

激光雷达主要技术指标包括视场角、线数、分辨率、探测距离、测量精度、反射率和扫描帧频等。

激光雷达主要技术指标：

视场角

视场角决定了激光雷达能够看到的视野范围，分为水平视场角和垂直视场角，视场角越大，代表视野范围越大，反之则代表视野范围越小。

线数

线数越高，代表单位时间内采样的点就越多，分辨率也就越高，目前无人驾驶车一般采用32线或64线的激光雷达。

分辨率

分辨率和激光光束之间的夹角有关，夹角越小，分辨率越高。固态激光雷达的垂直分辨率和水平分辨率大概相当，约为0.1°，旋转式激光雷达的水平角分辨率为0.08°，垂直角分辨率约为0.4°。

探测距离

激光雷达的最大测量距离。在自动驾驶领域应用的激光雷达的测距范围普遍在100~200m左右。

测量精度

激光雷达的数据手册中的测量精度 (Accuracy) 常表示为，例如±2cm的形式。精度表示设备测量位臵与实际位臵偏差的范围。

反射率

反射率是指物体反射的辐射能量占总辐射能量的百分比，比如说某物体的反射率是20%，表示物体接收的激光辐射中有20%被反射出去了。不同物体的反射率不同，这主要取决于物体本身的性质 （表面状况） ，如果反射率太低，那么激光雷达收不到反射回来的激光，导致检测不到障碍物。激光雷达一般要求物体表面的反射率在10%以上，用激光雷达采集高精度地图的时候，如果车道线的反射率太低，生成的高精度地图的车道线会不太清晰。

扫描帧频

激光雷达点云数据更新的频率。对于混合固态激光雷达来说，也就是旋转镜每秒钟旋转的圈数，单位Hz。例如，10Hz即旋转镜每秒转10圈，同一方位的数据点更新10次。

激光雷达是车辆安全和智能化的核心高端传感器，激光雷达也是我国智能汽车战略大力发展的关键基础技术之一。国家发改委、科技部、工信部等11部门联合印发的《智能汽车创新发展战略》中首次定义了什么是智能汽车：是指通过搭载先进传感器等装臵，运用人工智能等新技术，具有自动驾驶功能，逐步成为智能移动空间和应用终端的新一代汽车。在这个定义中，“搭载先进传感器”是智能汽车的重要标签。

车载传感器的比较

根据新华网，对比《智能汽车创新发展战略》意见征集稿和正式印发版，在有关核心供应链环节的表述中，意见稿中的“重点推动传感器”被修改为“车载高精度传感器”。这一修改目标更为明确，即培育发展“高精度传感器”。产业方面，发展战略要求推进车载高精度传感器等产品研发与产业化，促进激光/毫米波雷达等自主知识产权军用技术的转化应用。可见，下一步投资建设的落地点，在传感层的机会就在于高精度、高准确度的传感器。

根据新华网，激光雷达、毫米波雷达和摄像头是公认的自动驾驶的三大关键传感器技术。从技术上看，激光雷达与其他两者相比具备强大的空间三维分辨能力。中国汽车工程学会、国汽智联汽车研究院编写的《中国智能网联汽车产业发展报告（2019）》称，当前在人工智能的重要应用场景智能网联汽车的自动驾驶和辅助驾驶领域中，激光雷达是实现环境感知的核心传感器之一。报告认为，在用于道路信息检测的传感器中，激光雷达在探测距离、精准性等方面，相比毫米波雷达具有一定的优势。

无人驾驶汽车的“眼睛”已成为激光雷达的代名词。在复杂场景下，激光雷达有着不可比拟的优势。针对远距小障碍物，毫米波雷达的角分辨率不够，摄像头对远端的通用障碍物识别不够，而这种场景下激光雷达就可能及时识别。对于近距离加塞，这种场景在中国道路上尤其常见，毫米波雷达的角分辨率不够，摄像头通常来说需累计多帧，需要几百毫秒才可以确认加塞，而激光雷达由于精确的角度测量能力和轮廓测量能力，可以2-3帧确认加塞，百毫秒内做出判断。同样的原因，对于近端突出物，毫米波雷达和摄像头相对不足，而激光雷达可以做出快速判断。

在隧道场景下，摄像头在光线亮度发生突然变换的场景有致盲情况发生，而毫米波雷达一般不识别静止物体，如果隧道口刚好有一个静止车辆，这时就需要激光雷达的准确识别能力。此外，十字路口无保护左拐场景对激光雷达的大角度全视场测量能力有很大考验，需要同时满足大视场和远距测量能力。在地库场景，毫米波雷达由于多径反射性能不佳，而光线强弱变化又会影响摄像头的性能，这时激光雷达独特的优势就可以得到发挥。

激光雷达的分类

激光雷达行业具有较高的技术水准与技术壁垒，并同时具有技术创新能力强与产品迭代速度快的特征。其技术发展方向与半导体行业契合度高，激光雷达系统中核心的激光器、探测器、控制及处理单元均能从半导体行业的发展中受益，收发单元阵列化以及核心模块芯片化是未来的发展趋势。

激光雷达可分成一维 （1D） 激光雷达、二维 （2D） 扫描激光雷达和三维 （3D） 扫描激光雷达。1D激光雷达只能用于线性的测距；2D扫描激光雷达只能在平面上扫描，可用于平面面积与平面形状的测绘，如家庭用的扫地机器人；3D扫描激光雷达可进行3D空间扫描，用户户外建筑测绘，它是驾驶辅助和自助式自动驾驶应用的重要车载传感设备。3D激光雷达可进一步分成3D扇形扫描激光雷达和3D旋转式扫描激光雷达。

激光雷达按照测距方法可以分为飞行时间 （TimeofFlight，ToF） 测距法、基于相干探测FMCW测距法、以及三角测距法等，其中ToF与FMCW能够实现室外阳光下较远的测程 （100～250m） ，是车载激光雷达的优选方案。ToF是目前市场车载中长距激光雷达的主流方案，未来随着FMCW激光雷达整机和上游产业链的成熟，ToF和FMCW激光雷达将在市场上并存。

激光雷达按测距方法分类：

ToF法

通过直接测量发射激光与回波信号的时间差，基于光在空气中的传播速度得到目标物的距离信息，具有响应速度快、探测精度高的优势。

FMCW法

将发射激光的光频进行线性调制，通过回波信号与参考光进行相干拍频得到频率差，从而间接获得飞行时间反推目标物距离。FMCW激光雷达具有可直接测量速度信息以及抗干扰 （包括环境光和其他激光雷达） 的优势。

按照技术架构可以分为整体旋转的机械式激光雷达、收发模块静止的半固态激光雷达以及固态式激光雷达。相比于半固态式和固态式激光雷达，机械旋转式激光雷达的优势在于可以对周围环境进行360°的水平视场扫描，而半固态式和固态式激光雷达往往最高只能做到120°的水平视场扫描，且在视场范围内测距能力的均匀性差于机械旋转式激光雷达。由于无人驾驶汽车运行环境复杂，需要对周围360°的环境具有同等的感知能力，而机械旋转式激光雷达兼具360°水平视场角和测距能力远的优势，目前主流无人驾驶项目纷纷采用了机械旋转式激光雷达作为主要的感知传感器。

激光雷达按技术架构分类：

机械旋转式激光雷达

通过电机带动收发阵列进行整体旋转，实现对空间水平360°视场范围的扫描。测距能力在水平360°视场范围内保持一致。

半固态式激光雷达

半固态方案的特点是收发单元与扫描部件解耦，收发单元 （如激光器、探测器） 不再进行机械运动，具体包括微振镜方案、转镜方案等。适用于实现部分视场角 （如前向） 的探测，体积相较于机械旋转式雷达更紧凑。

固态激光雷达

固态式方案的特点是不再包含任何机械运动部件，具体包括相控阵 （OpticalPhased Array,OPA） 方案、Flash方案、电子扫描方案等。适用于实现部分视场角 （如前向） 的探测，因为不含机械扫描器件，其体积相较于其他架构最为紧凑。

激光雷达产业自诞生以来，紧跟底层器件的前沿发展，呈现出了技术水平高的突出特点。激光雷达厂商不断引入新的技术架构，提升探测性能并拓展应用领域：从激光器发明之初的单点激光雷达到后来的单线扫描激光雷达，以及在无人驾驶技术中获得广泛认可的多线扫描激光雷达，再到技术方案不断创新的固态式激光雷达、FMCW激光雷达，以及如今芯片化的发展趋势，激光雷达一直以来都是新兴技术发展及应用的代表。

激光雷达技术分类及特点：

机械式激光雷达：

高线数机械式方案

通过电机带动光机结构整体旋转的机械式激光雷达是激光雷达经典的技术架构，其技术发展的创新点体现在系统通道数目的增加、测距范围的拓展、空间角度分辨率的提高、系统集成度与可靠性的提升等。

半固态式激光雷达：

转镜方案

转镜方案中收发模块保持不动，电机在带动转镜运动的过程中将光束反射至空间的一定范围，从而实现扫描探测。转镜也是较为成熟的激光雷达技术方案，其技术创新体现之处与高线数机械式方案类似。

微振镜方案

微振镜方案采用高速振动的二维振镜实现对空间一定范围的扫描测量。微振镜方案的技术创新体现在开发口径更大、频率更高、可靠性更好振镜，以适用于激光雷达的技术方案。

FMCW激光雷达：

电子扫描方案

电子扫描方案中按照时间顺序通过依次驱动不同视场的收发单元实现扫描，系统内没有机械运动部件，是纯固态激光雷达的一种发展方向。其架构比整体曝光所有收发单元的Flash固态式激光雷达更先进。

连续波调频方案

FMCW目标物距离，同时也激光雷达发射调频连续激光，通过回波信号与参考光能够根据多普勒频移信息直接测量目标物的速度，其技术发展方向为利用硅进行相干拍频得到频率差，从而间接获得飞行时间反推基光电子技术实现激光雷达系统的芯片化。

激光雷达的迭代历史

激光雷达经历了60年左右的发展历程，其技术不断进步并呈现多样化发展趋势，同时随着应用领域的不断拓展丰富，激光雷达逐步迈向商业化，其市场也于近几年迅速扩大，并迎来上市热潮。在汽车产业“电气化、共享化、网联化、智能化”的“新四化”驱动下，2016年后无人驾驶行业高速发展，激光雷达行业也随之进入迅速发展期。2019年后激光雷达行业进入新的发展阶段，从技术方案来看，收发器件面阵化及核心模块芯片化为高性能、低成本、高集成度、高可靠性的激光雷达提供了可靠的发展方向，FMCW原理的激光雷达技术方案受到了市场的关注。

从应用领域来看，激光雷达应用范围进一步得到拓展，“新基建”中的车联网为激光雷达带来了新的应用场景，同时，依据应用领域的不同，激光雷达呈现性能及价格分层的发展趋势。此外，2020年境外激光雷达公司迎来通过特殊目的并购公司 （SpecialPurpo seAcquisitionCompany，SPAC） 完成上市的热潮，Velodyne、Luminar已完成NASDAQ上市，Aeva、Innoviz预计2021年第一季度完成，Ouster预计2021年上半年完成。

激光雷达行业发展历程：

1960年代~1970年代

激光雷达行业特点：随着激光器的发明，基于激光的探 测技术开始得到发展。

主要应用领域：科研及测绘项目。

标志性事件：1971年阿波罗15号载人登月任务使用激光雷达对月球表面进行测绘。

1980年代~1990年代

激光雷达行业特点：激光雷达商业化技术起步，单线扫 描式激光雷达出现。

主要应用领域：工业探测及早期无人驾驶项目。

标志性事件：Sick （西克） 与Hokuyo （北洋） 等激光雷达厂商推出单线扫描式2D激光雷达产品。

2000年代~2010年代早期

激光雷达行业特点：高线数激光雷达开始用于无人驾驶 的避障和导航，其市场主要是国外厂商。

主要应用领域：无人驾驶测试项等。

标志性事件：DARPA无人驾驶挑战赛推动了高线数激光雷达在无人驾驶中的应用，此后Velodyne深耕高线数激光雷达市场多年。

Ibeo LUX系列产品包含基于转镜方案的4线及8线激光雷达。基于4线版本，2010年Ibeo与法国Tier 1公司Valeo （法雷奥） 开始合作开发面向量产车的激光雷达产品 SCALA。

2016年~2018年

激光雷达行业特点：国内激光雷达厂商入局，技术水平 赶超国外厂商。激光雷达技术方案呈现多样化发展趋势。

主要应用领域：无人驾驶、高级辅助驾驶、服务机器人等，且下游开始有商用化项目落地。

标志性事件：2017年4月禾赛科技发布40线激光雷达 Pandar40。采用新型技术方案的激光雷达公司同样发展迅速，如基于MEMS方案的Innoviz，基于1550nm波长方案的Luminar等。

2019年至今

激光雷达行业特点：市场发展迅速，产品性能持续优化，应用领域持续拓展。激光雷达技术朝向芯片化、阵列化发展。境外激光雷达公司迎来上市热潮，同时有巨头公司加入激光雷达市场竞争。

主要应用领域：无人驾驶、高级辅助驾驶、服务机器人、车联网等。

标志性事件：Ouster推出基于VCSEL和SPAD阵列芯片技术的数字化激光雷达。禾赛科技应用自主设计的芯片组 （发射芯片和接收芯片） 于多线机械转式产品。2020 年9月Velodyne完成NASDAQ上市，2020年12月 Luminar完成NASDAQ上市。

激光雷达核心应用场景

除了无人驾驶，面向乘用车的前装高级辅助驾驶 （ADAS） 、服务型机器人、车联网 （V2X） 等领域也是激光雷达当前或者近期的重要市场。因使用场景和搭载激光雷达的载体 （无人驾驶汽车、乘用车、机器人等） 具有明显差异，这些市场对激光雷达的性能、价格、体积等维度提出了不同的需求。车联网应用起步最新，使用场景具有多样性，对无人驾驶、高级辅助驾驶、机器人领域的激光雷达都会有相应需求。

无人驾驶与高级辅助驾驶领域通常将自动驾驶技术按照国际汽车工程师协会 （SAEI nternational） 发布的工程建议J3016进行分类。从L0级 （纯由驾驶员控制） 至L5级 （完全自动驾驶） ，级别越高，车辆的自动化程度越高，动态行驶过程中对驾驶员的参与度需求越低，对车载传感器组成的环境感知系统的依赖性也越强。其中，L3级是自动驾驶等级中的分水岭，其驾驶责任的界定最为复杂：在自动驾驶功能开启的场景中，环境监控主体从驾驶员变成了传感器系统，驾驶决策责任方由驾驶员过渡到了汽车系统。

L4/L5级无人驾驶应用的实现，有赖于激光雷达提供的感知信息。该级别应用需要面对复杂多变的行驶环境，对激光雷达性能水平要求最高，在要求360°水平扫描范围的同时，对于低反射率物体的最远测距能力需要达到200m，且需要更高的线数以及更密的点云分辨率；同时为了减少噪点还需要激光雷达具有抵抗同环境中其他激光雷达干扰的能力。

对于L2/L3级高级辅助驾驶，覆盖前向视场 （水平视场角覆盖60°到120°） 的激光雷达通常为优选方案，实现自动跟车或者高速自适应巡航等功能，但在测远和角度分辨率等性能上的要求和无人驾驶是一致的；此外，整车厂及Tier1公司更看重激光雷达的形态与尺寸是否容易嵌入车身，保险杠、前挡风玻璃后视镜等易于隐藏的地方是放臵激光雷达的优先选择，这些位臵往往空间狭小因而限制了激光雷达的体积；该领域客户也要求激光雷达通过电磁兼容、可靠性 （包括振动及冲击、防水防尘） 等一系列严格的车规测试；因为面向消费者的乘用车采购数量大，该领域客户对激光雷达的价格敏感度相较于无人驾驶领域也更高。

机器人应用范围包括无人送货小车、自动清扫车辆、园区内的接驳车、港口或矿区的无人作业车、执行监控或巡线任务的无人机等，这些场景的主要特点是路线相对固定、环境相对简单、行驶速度相对较低 （通常不超过30km/h） 。因而相比无人驾驶应用，机器人应用对激光雷达测远及分辨率等探测性能的要求相对较低，但对价格更敏感。

车路协同采用先进的无线通信和新一代互联网技术，全方位实施车车、车路动态实时信息交互，并在动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理，其主要应用场景包括：盲区预警、多车协同换道、交叉口冲突避免、行人非机动车避撞、紧急车辆优先通行、车速引导、车队控制、车队协同通过信号交叉口等。人、车、路的有效协同需要准确识别和追踪交通参与者，并对其路线进行有效预测，采用基于激光雷达点云数据的目标聚类及追踪算法能够满足这一要求。

激光雷达产业链

激光雷达行业的上游产业链主要包括激光器和探测器、FPGA芯片、模拟芯片供应商，以及光学部件生产和加工商。激光雷达下游产业链按照应用领域主要分为无人驾驶、高级辅助驾驶、服务机器人和车联网行业。

整体而言，激光雷达整个产业链表现出发展速度快、科技水平高、创新能力强、市场前景广的突出特点。从国外产业链与国内产业链比较的角度而言，国外激光雷达上游公司由于起步更早，积累更为深厚，尤其在底层光电器件以及芯片领域。国外激光雷达下游企业在商业化进度方面也更成熟。然而，国内激光雷达行业的上游供应商、下游客户近几年均发展迅速，有望实现逐步赶超。

激光雷达技术的发展催生了新的产业链条。自美国DARPA无人驾驶挑战赛以来，全球范围内的无人驾驶行业进入了高速发展期，无人驾驶技术的实现以及无人驾驶出租车/无人驾驶卡车服务的落地有赖于激光雷达提供的高精度感知信息。此外，激光雷达的环境感知能力能够拓展已有的辅助驾驶功能，提升车辆安全性，为面向整车厂以及Tier1公司的高级辅助驾驶产业提供了重要的支撑。同时，激光雷达技术也促进了服务型机器人产业以及车联网产业的兴起，服务型机器人通过赋予机器人智能感知的能力实现无人配送、无人清扫等功能，车联网通过车与车、车与路、车与云平台等的互联实现更为安全、舒适、智能的交通服务。激光雷达技术促进了新产业的发展，新产业的兴起为社会带来了新的发展点。

激光雷达产业链发展情况：

上游：

激光器和探测器

激光器和探测器是激光雷达的重要部件，激光器和探测器的性能、成本、可靠性与激光雷达产品的性能、成本、可靠性密切相关。而且激光雷达的系统设计会对激光器和探测器的规格提出客制化的需求，与上游供应商深入合作定制激光器和探测器，有助于提升产品的竞争力。国外供应商在激光器和探测器行业耕耘较久，产品的成熟度和可靠性上有更多的实践经验和优势，客户群体也更为广泛。国内供应商近些年发展迅速，产品性能已经基本接近国外供应链水平，并已经有通过车规认证 （AEC-Q102） 的国产激光器和探测器出现，元器件的车规化是车规级激光雷达实现的基础，国内供应商能够满足这一需求。相比国外供应商，国内供应商在产品的定制化上有较大的灵活性，价格也有一定优势。

企业类别：激光器。

国外企业：OSRAM （欧司朗） 、AMS （艾迈斯半导体） 、Lumentum （鲁门特姆） 等。

国内企业：深圳瑞波光电子有限公司、常州纵慧芯光半导体科技有限公司等。

企业类别：探测器。

国外企业：First Sensor、Hamamatsu （滨松） 、ON Semiconductor （安森美半导体） 、Sony （索尼） 等。

国内企业：成都量芯集成科技有限公司、深圳市灵明光子科技有限公司、南京芯视界微电子科技有限公司等。

FPGA芯片

FPGA芯片通常被用作激光雷达的主控芯片，国外供应商的产品性能相比国内供应商大幅领先，但国内产品的逻辑资源规模和高速接口性能，也能够满足激光雷达的需求。

不过FPGA不是激光雷达主控芯片的唯一选择，也可以选用高性能单片机 （Microcontroller Unit，MCU） 、数字信号处理单元 （Digital Signal Processor，DSP） 代替。MCU的国际主流供应商有Renesas （瑞萨） 、Infineon （英飞凌） 等，DSP的主流供应商有TI （德州仪器） 、ADI （亚德诺半导体） 等。

国外企业：Xilinx （赛灵思） ，Intel （英特尔） 等。

国内企业：紫光国芯股份有限公司、西安智多晶微电子有限公司等。

模拟芯片

模拟芯片用于搭建激光雷达系统中发光控制、光电信号转换，以及电信号实时处理等关键子系统。国外供应商在该领域积累已久，技术先进、产能充足、成熟度高，是行业的领导者。国内供应商相比国外起步较晚，从产品丰富程度到技术水平还普遍存在着一定差距，尤其车规类产品差距会更大。

国外企业：TI （德州仪器） ，ADI （亚德诺半导体） 等。

国内企业：矽力杰半导体技术有限公司、圣邦微电子 （北京） 股份有限公司等。

光学部件

光学部件国内供应链的技术水平已经完全达到或超越国外供应链的水准，且有明显的成本优势，已经可以完全替代国外供应链和满足产品加工的需求。

激光雷达公司一般为自主研发设计，然后选择行业内的加工公司完成生产和加工工序。

下游：

无人驾驶行业

国外无人驾驶技术研究起步较早，从车队规模、技术水平以及落地速度来看，相比国内仍具有一定的领先优势。国内无人驾驶技术研究发展迅速，不断有应用试点和项目落地，与国外公司的差距在不断缩小。

企业类别：无人驾驶公司。

国外企业：GM Cruise、Ford Argo、Aurora、Zoox （2020年被Amazon收购） 、Navya。

国内企业：小马智行、文远知行、Momenta、元戎启行等。

企业类别：无人驾驶公司人工智能科技公司。

国内企业：百度、商汤科技等。

企业类别：出行服务提供商。

国外企业：Uber （优步） 、Lyft。

国内企业：滴滴等。

高级辅助驾驶行业

激光雷达用于量产车项目，通常需要激光雷达公司与车厂或Tier 1公司达成长期合作，一般项目的周期较长。

企业类别：世界各地的整车厂、Tier 1公司及新势力造车企业。

服务机器人行业

国内快递和即时配送行业相比国外市场容量大，服务机器人国内技术发展水平与国外相当，从机器人种类的丰富度和落地场景的多样性而言，国内企业更具优势。

企业类别：机器人公司。

国外企业：Nuro、Deka Research、Canvas Build、Unmanned Solution。

国内企业：高仙、智行者、优必选、新石器、白犀牛等。

企业类别：消费服务业巨头。

国内企业：阿里巴巴、美团、京东等。

车联网行业

通过车联网方案提供商将包括激光雷达在内的车辆网服务整合销售给各地政府和科技园区，也存在激光雷达公司政府和科技园区直接对接的情况。得益于“新基建”等国家政策的大力推动，国内车联网领域发展较国外更加迅速。

企业类别 ：车联网方案提供商。

国内企业：百度、大唐、金溢科技、星云互联、高新兴等。

激光雷达在广义上可以认为是带有3D深度信息的摄像头，被誉为机器人的眼睛，未来20年里随着智能驾驶和服务型机器人的逐渐普及，激光雷达也会像摄像头一样成为生活中的必需品。在摄像头产业链处于头部位臵的公司正逐渐开始围绕着激光雷达进行布局，如图像传感器领域的头部公司日本Sony （索尼） 和美国ONSemiconductor （安森美半导体） ；在摄像头视觉应用领域的人工智能公司也在基于激光雷达的测量数据开发相应的深度学习算法，如商汤科技、Waymo、百度。随着激光雷达每年出货量和市场份额的扩大，未来会有更多摄像头视觉产业链上的公司 （如芯片、器件、镜头、模组、算法） 融入激光雷达产业链。

主流激光雷达分类及原理

文章目录

• • 1 机械式激光雷达
  • • 1.1 机械旋转式激光雷达
  • 2 混合固态激光雷达
  • • 2.1 MEMS阵镜激光雷达
    • 2.2 旋转扫描镜激光雷达
    • 2.3 楔形棱镜旋转
    • 2.4 二维扫描振镜激光雷达
  • 3 纯固态激光雷达
  • • 3.1 Flash激光雷达
    • 3.2 光学相控阵激光雷达（OPA）
    • 3.3 调频连续波FMCW激光雷达
  • 4 发展趋势

激光雷达分类多种多样，比如按发射波形可分为脉冲型和连续型；按探测方式可分为直接探测和相干探测；按线束可分为单线和多线等。本文将按扫描方式将雷达进行分类介绍。

1 机械式激光雷达

1.1 机械旋转式激光雷达

机械旋转式Lidar的发射和接收模块存在宏观意义上的转动。在竖直方向上排布多组激光线束，发射模块以一定频率发射激光线，通过不断旋转发射头实现动态扫描。

机械旋转Lidar分立的收发组件导致生产过程要人工光路对准，费时费力，可量产性差。目前有的机械旋转Lidar厂商在走芯片化的路线，将多线激光发射模组集成到一片芯片，提高生产效率和量产性，降低成本，减小旋转部件的大小和体积，使其更易过车规。

机械旋转式激光雷达

优点：

• 技术成熟

• 扫描速度快

• 360度扫描

缺点：

• 可量产性差：光路调试、装配复杂，生产效率低

• 价格贵：靠增加收发模块的数量实现高线束，元器件成本高，主机厂难以接受

• 难过车规：旋转部件体积/重量庞大，难以满足车规的严苛要求

• 造型不易于集成到车体

2 混合固态激光雷达

混合固态激光雷达用“微动”器件来代替宏观机械式扫描器，在微观尺度上实现雷达发射端的激光扫描。旋转幅度和体积的减小，可有效提高系统可靠性，降低成本。

2.1 MEMS阵镜激光雷达

MEMS振镜是一种硅基半导体元器件，属于固态电子元件；它是在硅基芯片上集成了体积十分精巧的微振镜，其核心结构是尺寸很小的悬臂梁——反射镜悬浮在前后左右各一对扭杆之间以一定谐波频率振荡，由旋转的微振镜来反射激光器的光线，从而实现扫描。硅基MEMS微振镜可控性好，可实现快速扫描，其等效线束能高达一至两百线，因此，要同样的点云密度时，硅基MEMS Lidar的激光发射器数量比机械式旋转Lidar少很多，体积小很多，系统可靠性高很多。

优点：

• MEMS微振镜摆脱了笨重的马达、多发射/接收模组等机械运动装置，毫米级尺寸的微振镜大大减少了激光雷达的尺寸，提高了稳定性

• MEMS微振镜可减少激光发射器和探测器数量，极大地降低成本

缺点：

• 有限的光学口径和扫描角度限制了Lidar的测距能力和FOV，大视场角需要多子视场拼接，这对点云拼接算法和点云稳定度要求都较高

• 抗冲击可靠性存疑

主要存在的问题：

（1）振镜尺寸问题：

远距离探测需要较大的振镜，不但价格贵，对快轴/慢轴负担大，材质的耐久疲劳度存在风险，难以满足车规的DV、PV的可靠性、稳定性、冲击、跌落测试要求。

（2）悬臂梁：

硅基MEMS的悬臂梁结构实际非常脆弱，快慢轴同时对微振镜进行反向扭动，外界的振动或冲击极易直接致其断裂。

故障的悬臂梁

2.2 旋转扫描镜激光雷达

作为首款量产的L3级别自动驾驶的乘用车——奥迪A8上搭载的激光雷达就是旋转扫描镜激光雷达。与机械旋转激光雷达不同的是，其激光发射模块和接收模块是不动的，只有扫描镜在做机械旋转。激光单元发出激光至旋转扫描镜（Mirror），被偏转向前发射（扫描角度145°），被物体反射的光经光学系统被左下方的探测器接收。

Scala内部图

优点：

• 可车规，寿命长，可靠度高

缺点：

• 扫描线数少，扫描角度不能到360度

2.3 楔形棱镜旋转

收发模块的PLD（Pulsed Laser Diode）发射出激光，通过反射镜和凸透镜变成平行光，扫描模块的两个旋转的棱镜改变光路，使激光从某个角度发射出去。激光打到物体上，反射后从原光路回来，被APD接收。

Livox Lidar的工作原理示意图

与MEMS Lidar相比，它可以做到很大的通光孔径，距离也会测得较远。与机械旋转Lidar相比，它极大地减少了激光发射和接收的线数，降低了对焦与标定的复杂度，大幅提升生产效率，降低成本。

优点：

• 非重复扫描，解决了机械式激光雷达的线式扫描导致漏检物体的问题

• 可实现随着扫描时间增加，达到近100％的视场覆盖率

• 没有电子元器件的旋转磨损，可靠性更高，符合车规

缺点：

• 单个雷达的FOV较小，视场覆盖率取决于积分时间

• 独特的扫描方式使其点云的分布不同于传统机械旋转Lidar，需要算法适配

Livox的点云分布图

2.4 二维扫描振镜激光雷达

这类激光雷达的核心元件是两个扫描器——多边形棱镜和垂直扫描振镜，分别负责水平和垂直方向上的扫描。特点是扫描速度快，精度高。比如：一个四面多边形，仅移动八条激光器光束（相当于传统的8线激光雷达），以5000rpm速度扫描，垂直分辨率为2667条/秒，120度水平扫描，在10Hz非隔行扫描下，垂直分辨率达267线。

Luminar激光雷达内部解剖图

优点：

• 转速越高，扫描精度越高

• 可以控制扫描区域，提高关键区域的扫描密度

• 多边形可提供超宽FOV，一般可做到水平120度。MEMS Lidar一般不超过80度

• 通光孔径大，信噪比和有效距离要远高于MEMS Lidar

• 价格低廉，MEMS振镜贵的要上千美元，多边形激光扫描已经非常成熟，价格只要几十美元

• 激光雷达间抗干扰性强

缺点：

• 与MEMS技术比，其缺点是功耗高，有电机转动部件

3 纯固态激光雷达

3.1 Flash激光雷达

Flash激光雷达采用类似Camera的工作模式，但感光元件与普通相机不同，每个像素点可记录光子飞行时间。由于物体具有三维空间属性，照射到物体不同部位的光具有不同的飞行时间，被焦平面探测器阵列探测，输出为具有深度信息的“三维”图像。根据激光光源的不同，Flash 激光雷达可以分为脉冲式和连续式，脉冲式可实现远距离探测（100米以上），连续式主要用于近距离探测（数十米）。

Flash激光雷达的优势在于能够快速记录整个场景，避免了扫描过程中目标或Lidar自身运动带来的误差。其缺点是探测距离近。

Flash Lidar的工作示意图

发射模组：Flash激光雷达采用的是垂直腔面发射激光器（Vertical Cavity Surface Emitting Laser， VCSEL），比其他激光器更小、更轻、更耐用、更快、更易于制造，并且功率效率更高。

接收模组：Flash激光雷达的性能主要取决于焦平面探测器阵列的灵敏度。焦平面探测器阵列可使用PIN型光电探测器，在探测器前端加上透镜单元并采用高性能读出电路，可实现短距离探测。对于远距离探测需求，需要使用到雪崩型光电探测器，其探测的灵敏度高，可实现单光子探测，基于APD的面阵探测器具有远距离单幅成像、易于小型化等优点。

优点：

• 一次性实现全局成像来完成探测，无需考虑运动补偿

• 无扫描器件，成像速度快

• 集成度高，体积小

• 芯片级工艺，适合量产

• 全固态优势，易过车规

缺点：

• 激光功率受限，探测距离近

• 抗干扰能力差

• 角分辨率低

3.2 光学相控阵激光雷达（OPA）

很多军用Lidar使用OPA（Optical Phased Array）光学相控阵技术。OPA运用相干原理，采用多个光源组成阵列，通过调节发射阵列中每个发射单元的相位差，来控制输出的激光束的方向。OPA激光雷达完全是由电信号控制扫描方向，能够动态地调节扫描角度范围，对目标区域进行全局扫描或者某一区域的局部精细化扫描，一个激光雷达就可能覆盖近/中/远距离的目标探测。

Quanergy固态激光雷达

优点：

• 纯固态Lidar，体积小，易于车规

• 扫描速度快（一般可达到MHz量级以上）

• 精度高（可以做到μrad量级以上）

• 可控性好（可以在感兴趣的目标区域进行高密度扫描）

缺点：

• 易形成旁瓣，影响光束作用距离和角分辨率，使激光能量被分散

• 加工难度高：光学相控阵要求阵列单元尺寸必须不大于半个波长

• 探测距离很难做到很远

3.3 调频连续波FMCW激光雷达

以三角波调频连续波为例来介绍其测距/测速原理。蓝色为发射信号频率，红色为接收信号频率，发射的激光束被反复调制，信号频率不断变化。激光束击中障碍物被反射，反射会影响光的频率，当反射光返回到检测器，与发射时的频率相比，就能测量两种频率之间的差值，与距离成比例，从而计算出物体的位置信息。FMCW的反射光频率会根据前方移动物体的速度而改变，结合多普勒效应，即可计算出目标的速度。

FMCW原理

优点：

• 每个像素都有多普勒信息，含速度信息

• 解决Lidar间串扰问题

• 不受环境光影响，探测灵敏度高

缺点：

• 不能探测切向运动目标

FMCW与常见的TOF测距原理的对比：

4 发展趋势

激光雷达是实现无人驾驶的重要传感器部件之一。评价一款激光雷达产品，要从性能、技术成熟度、成本、“车规”化等多个维度去衡量。

机械式激光雷达：目前是自动驾驶公司的主流方案，技术成熟可靠，具备360度视场角，高分辨率等性能优势，但限于工艺等因素难以量产。部分机械雷达厂商正在通过芯片化的路线提高生产效率，降低成本，并使其符合车规。考虑到固态雷达的迭代过程，短期内机械式激光雷达仍将是自动驾驶的主流选择。

MEMS等半固态激光雷达：目前技术相对成熟，能兼顾成本、性能、车规等要求，但抗冲击可靠性存疑。长远来看，仅属于过渡产品。

全固态激光雷达：长远看，激光雷达的主流趋势会转向全固态。Flash技术领先，但受限于元器件性能，无法实现远距离探测；OPA具有一定的技术壁垒；FMCW具有探测距离远，灵敏度高，抗干扰能力高，成本低，功耗低等特点，但技术门槛高，对系统集成，信号处理要求很高，目前尚未量产。

总的看来，激光雷达固态化会持续推进，技术仍然有很长的探索期。

参考文献：

1.Sandborn, P. A. M. (2017). FMCW Lidar: Scaling to the Chip-Level and Improving Phase-Noise-Limited Performance. eScholarship, University of California.

2.SENSING-AIOT.(2021). LiDAR: FMCW vs. ToF. http://4da.tech/?p=272

3.AEye, Inc.(2021)Time of Flight vs. FMCW LiDAR Side-by-Side Comparison FMCW sToF_21_0113.

4.Liu, Z., Zhang, F., & Hong, X. (2021). Low-cost retina-like robotic lidars based on incommensurable scanning. IEEE/ASME Transactions on Mechatronics.

5.http://www.wrdrive.com/news/show.php?itemid=5301

6.https://www.sohu.com/a/345121853_467791

7.https://velodynelidar.com/

8.https://www.hesaitech.com/zh

9.https://www.robosense.ai/

10.https://www.livoxtech.com/

11.https://innoviz.tech/

12.https://zhuanlan.zhihu.com/p/344876823

13.https://www.novuslight.com/fmcw-the-future-of-lidar_N9691.html

---

原文链接