自动驾驶系统自身定位和感知周围环境需要各种各样的传感器，激光雷达在自动驾驶软硬件系统有举足轻重作用，尤其是在感知系统物体识别、定位系统的SLAM和匹配定位有较高的权重。

　　激光雷达最先应用在海洋深度探测，通过相同回波之间的时间差实现海洋深度测算。后来不断演进应用在地形地貌测绘、水下地形测量、农林业、采矿，智能家居的扫地机器人，以及近两年非常火的自动驾驶和iphone手机。

　　下面简单介绍激光雷达测距的原理，从测距的方法分为：三角测距法和飞行时间测距(Time of Flight)，简称TOF，连续调频波（FMCW）。

　　单线激光雷达采用三角测距法比较多，因为探测距离短和精度较差，所以成本较低。

　　三角法的原理如下图所示，激光器发射激光，在照射到物体后，反射光由线性CCD作为接收器接收，由于激光器和探测器间隔了一段距离，所以依照光学路径，不同距离的物体将会成像在CCD 上不同的位置。按照三角公式进行计算，就能推导出被测物体的距离。

　　TOF激光雷达原理是利用发射和接收激光时间差，计算探测距离。这种虽然比较简单，但是精度和探测距离较远，所以自动驾驶的车载激光雷达基本应用这种类型。

　　激光雷达总的结构分为激光发射单元、接收单元、扫描模块和光路系统四个模块。

　　发射单元包含激励源、激光发射器、接收单元包含激光接收器、放大器、滤波器、信息处理模块

　　MEMS激光雷达原理是激光打在MEMS振镜上，通过振镜上下左右两个方向摆动的扫描方式探测周围环境，

　　而相控阵雷达类似于毫米波相控阵雷达，通过改变每个通道光相位，从而改变合成光的发射角度，然后进行逐行逐列的扫描。目前这两项技术正在研究还不成熟

　　首先激光从激励源中产生经过激光发射器发出，经过光学镜片的分光镜，一部分进入反射镜进入光路系统发射出去，一部分反射回接收器记录飞行时间的开始时间。激光信号在碰到物体后按照原路返回进入光学镜片，接收器接收光子后光信号转换为电信号，经过放大器和滤波器后进入信号处理模块，记录到达时间，从而计算出物体的距离和方位角，此时间段在ns级，物体移动距离可忽略。

　　第二部分分享如何评价激光雷达性能好坏，想进入自动驾驶领域工作的同学建议收藏。首先分享激光雷达用户手册里有哪些性能参数，然后根据已经公开的点云视频，分析用户手册里没有但是又在算法应用中非常重要性能，下面两张性能参数表某两家公司128线机械式激光雷达性能。

　　点云方面：精度，线数，FOV 以及加密FOV ，分辨率、盲区，探测距离，点云数量

　　从这些参数能了解雷达基本性能，能判断该雷达对于自动驾驶系统是主雷达还是补盲雷达

　　其他参数像激光波长，一般都是905nm，帧率都是10/20Hz，等等参数基本大体相同，但是加密FOV，垂直/水平分辨率，点云数量每个产品差异较大，而且会影响不同物体的感知距离和定位精度。

　　这些都是在用户手册里能看到的性能参数，但如果仅仅只从用户手册去评判性能优劣是远远不够的，因为这些产品参数都是实验室或者严苛的条件下测出的指标，实际上车测试的点云性能才是我们最关注的，下面介绍算法应用的时候注重哪些性能，这些在手册里没有说明，需要根据车型自身情况去测试和评价

　　算法在应用主要看重三个方面：点云性能，感知距离，抗噪声性能。这些性能又包含如下表分项，下面逐个进行介绍。

　　如果点云性能如用户手册里介绍那样精度高探测远，但是不稳定同时误差也大，这样点云数据对于算法是不可用的。所以通过在实际场景测试去验证点云的精度和准度，在激光雷达指定距离放置特殊工艺的高反板去统计多帧点云概率分布来计算精度和准度。

　　点云空洞和抖动是验证激光雷达模组的性能是否有明显缺陷，这些和光路系统和收发算法有关系，验证时不需要特殊场景，随意找个场景打开激光雷达观察点云图像比较直观能看出来是否有这两种问题，如果有问题，这个雷达为不合格产品。

　　反射率一致性是验证点云在遇到同一个物体或者同种反射率物体，反射系数是否标定一致，如果不一致会影响物体识别准确性，也会影响匹配定位精度，对算法来说是个非常重要参数。

　　第二类是物体感知距离的验证，虽然在用户手册上已经给出10%反射率的探测距离，但是这个是最大距离，对于不同物体探测距离是不一样，而且感知算法也不是用一个可能不稳定的点云就能识别物体，而且两三排多个稳定点云判断，所以不同物体的实际识别距离比最大探测距离短，正常测试一般选成人，轿车，卡车，锥桶，轮胎，箱子等物体，统计的数据为算法和系统做参考。

　　第三类验证项是考察激光雷达的抗干扰性能，因为在车实际使用中会遇到各种各样场景，也会有很多干扰，对于激光雷达其实属于光学设备，虽然使用的905nm波长自然光中比较少，但在阳光直射或者有镜面反射的激光到雷达里还是容易受到干扰，在晚上或自然光较暗地方，对向来车的远光灯也会对雷达造成干扰，消除干扰就需要雷达有相应的降噪的算法，这些都需要全面的验证才能全面的评判一个雷达的性能。最后还有雨污扬尘等自然环境干扰也需要测试。

　　第三部分是激光雷达与毫米波雷达，摄像头和超声波雷达相比有哪些优缺点。不过有一点 我得提前说明，对比传感器的性能目的，不是为了说明某一款传感器优点多就选哪一个，其他传感器就不用，类似特斯拉考虑成本和算法成熟度只用视觉，而是发挥各个传感器优势，了解不同传感器应用场景，做多传感器融合

　　性能参数如下表，列举了9个维度去对比分析四种传感器的性能优劣势。如果没有接触过传感器的人，从参数分析会很快得到结论，毫米波雷达性价比最高，探测距离远，全天候工作，受外部干扰源比较少，而且又便宜。如果车只是L1级别系统，功能只有ACC，AEB，BSD这些功能，答案是肯定的。但是如果只有毫米波雷达或者摄像头想上L3智驾系统，那就显得天方夜谭了。

　　因为首先需要搞清楚一个问题，传感器的数据首先满足感知和定位算法的要求，如果不满足，哪怕9项有7项参数看起来不错，只有这两项精度和角分辨率差，也会导致算法不会使用或者所占权重比较低，这也是为什么激光雷达这么贵，但在L3以上的智驾系统中采用多个的原因。

　　首先是探测距离对比，目前在用的905nm激光雷达受限于脉冲功率，就是瞬时功率过高会对人眼有损坏，所以点云最远探测距离为230米左右，4D毫米波雷达采用MIMO和DBF技术功率和分辨率都提升不少，点云最远距离能到330米，摄像头虽然成像能达到1000米，但是视觉能提取物体二维或三维信息，主要依靠感知算法性能以及采集的数据量，如果算法不行或数据量比较少，哪怕20米测距也有问题。

　　测距精度和角分辨率主要和传感器本身的工作原理有关系，视觉的精度和探测距离一样，受限于算法和数据量。激光雷达的测距精度主要受限于激光光源发散角的大小，以及接收器性能和ADC采样时的精度。毫米波主要受限于接收信号带宽，天线孔径大小和DBF算法性能，当然信号带宽、天线孔径增加一定程度分辨率不会再变了。

　　测速能力只有毫米波雷达有这个功能，这个也和收发信号的频率差有关，其他传感器的信号频率是不变的，所以没有这个功能，但FMCW激光雷达已经有DEMO样件了，未来激光雷达的点云也会带速度信息。

　　干扰源这方面，激光雷达和摄像头都属于光学期间，受光的干扰会多些，毫米波雷达属于射频器件，对于金属等信号反射率高的环境比较敏感，这里主要指多径效应和镜面反射产生的噪点。所以激光雷达和摄像头才会对雨雾、扬尘等场景比较敏感

　　算法应用这部分，传感器数据的权重这部分设计，不同自动驾驶公司以及不同车型会有所不同，但主要是激光雷达和视觉数据会有权重不同，对于毫米波来说权重都比较低，超声波主要在泊车或近距离时才会有作用，而且毫米波和超声波主要应用在感知算法，无法应用在定位功能。

　　综合上述对比，激光雷达在测距，叫分辨率以及精度综合性能最强，这也是自动驾驶系统必有激光雷达的原因。