来源：光学追光者

激光雷达根据原理可以分为TOF（飞行时间），三角法测距和相位测距三种方式。

三角法测距为

三角测距法是利用相似三角形本地可以测得透镜中心和照射到CMOS/CCD上的距离，就可以得到物距，本地的分辨率l决定了探测物体的分辨率。因此当物距越大，探测精度越低。因此该方法测距较短且需要大面积的光电探测器。

TOF为目前大多数的自动驾驶采用的雷达方案，通过发射脉冲激光，计算脉冲激光经过目标并反射回探测器的时间，即飞行时间。飞行时间等于脉冲数n和脉冲间隔t的乘积，距离就等于飞行时间和速度的乘积,如下面公式所示，f为脉冲频率。

这种方式简单直接，测距的精度不随距离增加而恶化，但是由于光速快，短距下对器件的响应时间要求高。

TOF另一种精度更高的测距方式为测量调制信号和初始信号的相位差。对激光器发出的光进行幅度调制，调制信号经过反射后进行探测，检测该回波信号的相位和原始相位差，根据已知的调制信号的角频率即可获得距离

由于相位检测只能在一个2pi区间内，因此测距存在不准确性，为了提高测距的准确度，需要使用不同角频率的调制信号多次测量，测量效率低。

FMCW为Frequency modulated continuous wave，即调频连续波，从名字就可知在测距过程中发射的频率是变化且在时间上连续的。

上图为相干探测过程。RF信号频率在一定范围内改变，通常为三角波或者锯齿波。调制器将RF信号调制到光频域上，输出的频率范围假设为f1和f2，三角波周期为T，则输出频率为

分束器分出一部分光用作参考光，剩余部分经过放大器向空间发射，经过物体表面反射回来，和参考光合束后在PD中拍频。通常受限于带宽，和频被滤掉，剩余差频以及相位关系。

差频与回波信号相对于参考信号的延时有关。从上述公式以及相位测距的公式对比，可以发现FMCW就是通过将相位差转化为频率差严格的测出相位差（延时），而探测器很容易测出差频的频率。FMCW的优势明显，测量精度高，抗干扰能力强，同时也可以测速度，拍频后频率低，易于信号处理，而且不像脉冲激光器需要高功率打出去，FMCW的峰值功率为百mW量级，比TOF低四个数量级，比较安全。 

目前能够提供基于FMCW的激光雷达应该只有Aeva, Mobieye和Aurora，而且均没有量产。目前FMCW激光雷达主要的难点在于使用的是1.5um波长的光，在空气中传播损耗大，且受天气影响严重；基于硅芯片的FMCW需要调制信号，对调制器的线性度要求较高，而且成本也是一大问题，硅光始终没有大规模应用，封测成本都比较高。

参考:

[1]谈谈激光雷达的测距原理-三角/脉冲/相位/DTOF/ITOF... - 知乎 (zhihu.com)

[2]陶敏，光学相控阵全固态激光雷达驱动与控制技术研究

[3]FMCW激光雷达科普（下）：主要挑战、前景及市场格局_九章智驾的博客-CSDN博客

—END—

高效学习3D视觉三部曲

第一步 加入行业交流群，保持技术的先进性

目前工坊已经建立了3D视觉方向多个社群，包括SLAM、工业3D视觉、自动驾驶方向，细分群包括：[工业方向]三维点云、结构光、机械臂、缺陷检测、三维测量、TOF、相机标定、综合群；[SLAM方向]多传感器融合、ORB-SLAM、激光SLAM、机器人导航、RTK|GPS|UWB等传感器交流群、SLAM综合讨论群；[自动驾驶方向]深度估计、Transformer、毫米波|激光雷达|视觉摄像头传感器讨论群、多传感器标定、自动驾驶综合群等。[三维重建方向]NeRF、colmap、OpenMVS等。除了这些，还有求职、硬件选型、视觉产品落地等交流群。大家可以添加小助理微信: cv3d007，备注：加群+方向+学校|公司, 小助理会拉你入群。

第二步 加入知识星球，问题及时得到解答

针对3D视觉领域的视频课程（三维重建、三维点云、结构光、手眼标定、相机标定、激光/视觉SLAM、自动驾驶等）、源码分享、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答等进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业、项目对接为一体的铁杆粉丝聚集区，6000+星球成员为创造更好的AI世界共同进步，知识星球入口：「3D视觉从入门到精通」

学习3D视觉核心技术，扫描查看，3天内无条件退款

第三步 系统学习3D视觉，对模块知识体系，深刻理解并运行

如果大家对3D视觉某一个细分方向想系统学习[从理论、代码到实战],推荐3D视觉精品课程学习网址：www.3dcver.com

基础课程：

[1]面向三维视觉算法的C++重要模块精讲：从零基础入门到进阶

[2]如何学习相机模型与标定？（代码+实战）

[3]ROS2从入门到精通：理论与实战

工业3D视觉方向课程：

[1]机械臂抓取从入门到实战课程（理论+源码）

[2]从零搭建一套结构光3D重建系统[理论+源码+实践]

[3]三维点云处理：算法与实战汇总

[4]彻底搞懂基于Open3D的点云处理教程！

[5]3D视觉缺陷检测教程：理论与实战！

SLAM方向课程:

[1]如何高效学习基于LeGo-LOAM框架的激光SLAM?

[1]彻底剖析激光-视觉-IMU-GPS融合SLAM算法：理论推导、代码讲解和实战

[2]（第二期）彻底搞懂基于LOAM框架的3D激光SLAM：源码剖析到算法优化

[3]彻底搞懂视觉-惯性SLAM：VINS-Fusion原理精讲与源码剖析

[4]彻底剖析室内、室外激光SLAM关键算法和实战(cartographer+LOAM+LIO-SAM)

[5]ORB-SLAM3理论讲解与代码精析（第2期）

视觉三维重建

[1]彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进)

自动驾驶方向课程：

[1]目标检测中的视觉Transformer

[2]单目深度估计方法：算法梳理与代码实现

[3]面向自动驾驶领域的3D点云目标检测全栈学习路线！(单模态+多模态/数据+代码)

[4]如何将深度学习模型部署到实际工程中？（分类+检测+分割）