激光雷达为何容易产生串扰现象

激光雷达为何容易产生串扰现象

脉冲型飞行时间（TOF）激光雷达的运作原理较为直接，其通过定期发射极窄的激光脉冲，当这些脉冲遇到障碍物并反射后，接收端会记录从发射至接收之间的时间差。将此时间差乘以光速的一半，即可计算出目标物体的距离。这一方式实现起来相对简单，具备直观的测距优势，并且脉冲能量集中，然而其对时间测量精度要求极高，同时容易受到环境光或其他干扰信号的影响。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存在差异化设计。

相比之下，调频连续波（FMCW）激光雷达不依赖于短脉冲测时，而是通过连续发射激光，并随时间线性调频。接收端将回波与本地参考信号进行相干混频，从而提取出“拍频”信号。该信号频率反映了发射与接收间的频率差，借此可同时获得目标的距离和相对速度信息。由于FMCW激光雷达采用相干检测机制，在接收微弱回波时具备更强的增益能力，并能够获取多普勒信息。由于只有与参考信号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，包括其他车辆发射的激光信号，具有天然的抗干扰能力。

串扰现象的产生机制

随着激光雷达搭载车辆数量的增加，串扰问题变得尤为突出。所谓串扰，是指某一激光雷达接收到其他车辆激光雷达发射的信号，从而导致感知结果失真。TOF激光雷达发射的是周期性脉冲信号，这些信号在空间中传播时，可能会被其他车辆的激光雷达接收器误判为自身发射的回波。

这一问题的核心在于接收端缺乏有效的鉴别机制。若仅依据时间差或脉冲形状来识别目标，就很难区分自身发射信号与外部干扰。当误将外来脉冲识别为有效回波时，系统可能出现测距偏差、点云丢失，甚至产生虚假点云，进而影响整体感知精度。

尤其是在多车密集行驶、夜间环境或远距离探测等场景下，串扰现象尤为显著。此外，若同一车辆上安装的多个TOF单元之间未进行合理时序安排，也可能导致彼此之间的干扰。例如，A单元发射的激光经环境反射后进入B单元的视场，或B单元的接收窗口在A单元发射时仍处于开启状态，都可能引发串扰问题。相较之下，FMCW激光雷达由于其相干检测机制，对串扰具备天然的抑制能力，但并不能完全免疫，具体效果仍取决于系统设计。

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，其核心理念是为每个发射脉冲附加标识或通过时序控制来实现回波识别。

其中，脉冲编码是一种典型的方法。通过在每一束激光脉冲中嵌入特定编码，接收端可对回波信号进行解码运算，仅将与自身发射编码匹配的信号判定为有效回波。编码可以采用伪随机序列、时间序列或相位调制等多种方式。这种方式的优势在于，理论上可以显著降低误判概率，特别是在激光雷达密度较高的交通环境中。

然而，编码技术对系统性能也会带来一定影响。编码与解码过程会将信号能量在时间维度上“展开”，在恢复原始回波时需进行相关处理，这在低反射率目标或远距离探测中，可能造成灵敏度下降或测程受限。因此，在实际设计中，需在编码长度、码率、发射功率以及探测器积分时间之间进行权衡。

时间复用与接收门控则是另一种可行方案。通过错开不同激光雷达单元或车辆之间的发射时间，或仅在预期回波到达的时间窗口内开启接收器，可以有效减少相互干扰。在多单元系统中，这种方法尤为有效，通过精确的时钟同步，可大幅过滤来自其他单元的干扰信号。此类方案通常依赖于硬连线时钟、PPS（秒脉冲）或专用同步总线，难以仅通过无线方式实现。

此外，一些系统采用随机化发射时序或在帧结构中引入时间抖动的方法来降低周期性干扰概率。该方法操作简单、兼容性强，但其本质是对干扰进行概率平均化，无法从根本上区分外来信号，因此在高密度场景下效果有限。

在光学与硬件层面，也可通过窄带滤光、光学方向控制、物理遮挡或机械隔栅等方式减少干扰信号的进入。但这些方法可能限制探测视场或对同波段信号无效。在软件层面，则可结合接收门限设置、多帧验证机制（例如保留多帧内稳定出现的点）等手段，在点云后处理阶段剔除可疑点。

FMCW激光雷达的抗串扰特性

由于FMCW激光雷达依赖相干检测，其接收端通过将回波与本地参考信号混频，仅对频率与相位匹配的信号进行处理。因此，外来非相干信号无法形成有效干涉，从而不会被误判为有效回波。这一特性使得FMCW激光雷达在回波识别方面相较TOF系统更具先天优势。

尽管FMCW在抗串扰方面表现出色，但其在实际应用中并未成为主流。主要原因在于FMCW系统需要高质量的线性调频光源和稳定的本地参考源，同时对相位和频率噪声敏感，这导致其硬件成本与复杂度显著高于TOF系统。在极端条件下，例如存在两个相干源或外来信号频率轨迹巧合时，FMCW仍可能出现干扰。此外，FMCW在距离与速度信息上存在耦合关系，要求更高的信号处理算法与数字处理能力。因此，尽管FMCW在密集场景下具备更强鲁棒性，但其较高的成本与算法复杂度对大规模商业化应用提出了挑战。

软件优化与传感器融合策略

无论采用TOF还是FMCW方式，单靠硬件设计难以覆盖所有干扰场景。软件层面的优化成为不可或缺的补充手段。通过点云异常检测、时间一致性校验、多帧累积判断等方法，系统可以在后处理阶段进一步识别和剔除虚假点。

例如，若激光点云中出现孤立点，且其在单帧内出现、无速度场支持，同时其他传感器（如摄像头、毫米波雷达或惯性导航系统）未检测到对应目标，则可将其标记为低置信度信号并予以排除。通过多传感器融合，系统可进一步降低误检风险。

近年来，基于机器学习的方法也被用于识别和过滤串扰产生的伪点。通过训练具备时空特征的分类器，可识别串扰点的典型行为模式，例如突发性出现、空间孤立、反射强度异常等。这种方式在运行时可降低此类点的权重，从而提升系统鲁棒性。但该方法对训练数据的多样性和质量提出较高要求，同时需防止误将真实的小目标排除。