激光雷达高频术语全解：从ToF到点云你该知道的关键词

激光雷达参数表上的术语到底什么意思？这篇小词典帮你一一拆解，从入门到进阶不再困惑。

一、基础原理篇：激光雷达如何“看”世界

激光雷达的核心原理是发射激光并接收反射信号，通过测量时间差或频率变化来获取目标距离、速度等信息。理解几个基础术语是读懂一切的前提。

ToF（Time of Flight，飞行时间法）

ToF是最常见的测距方式：激光器发射一个极短脉冲，接收器记录回波时间，根据光速算出距离。其优势在于原理简单、技术成熟，适合中等距离（几十到两百米）探测。但受限于脉冲峰值功率和接收器灵敏度，远距离时信噪比下降。2026年主流车规激光雷达仍以ToF为主。

FMCW（Frequency Modulated Continuous Wave，调频连续波）

FMCW通过发射频率连续变化的激光，并与回波信号混频，得到频率差，从而同时获知距离和速度。它能抑制阳光干扰，且对多目标分辨能力更强。但系统复杂、成本较高，目前多用于高端科研和部分自动驾驶原型车。从实际场景看，FMCW在雨雾等恶劣天气下表现更稳定，是未来趋势之一。

波长（905nm vs 1550nm）

905nm是近红外波段，硅基接收器成本低，但人眼安全功率受限，探测距离通常不超过200米。1550nm属于短波红外，人眼安全阈值高，可用更高功率，探测距离可达300米以上，但需要特殊材料（如铟镓砷）的接收器，成本明显更高。对于追求超远距的高速自动驾驶，1550nm方案更有优势；而针对城市辅助驾驶，905nm在性价比上更胜一筹。

SPAD（Single Photon Avalanche Diode，单光子雪崩二极管）与SiPM

SPAD是一种极高灵敏度的光电探测器，可探测单个光子，配合ToF能实现低功耗、高分辨率的点云。SiPM（硅光电倍增管）由多个SPAD微元组成，输出模拟信号，动态范围更大。两者在Flash激光雷达中应用广泛，2026年固态激光雷达多采用SPAD阵列。

二、扫描方式篇：机械、固态与混合固态

激光雷达如何让激光束覆盖整个视场？扫描机构决定了产品的可靠性、体积和成本。

机械旋转式

通过电机带动激光器和接收器整体旋转，实现360°水平扫描。优点是视场完整、技术成熟，缺点是存在活动部件，易磨损，车规可靠性挑战大。早期高线束激光雷达（如64线、128线）多为此类，但正逐步被固态方案取代。

MEMS微振镜（混合固态）

用一个微型镜面在二维方向摆动，将单一激光束反射到不同角度。体积小、成本可控，且能实现较高线束（如等效128线）。但镜面尺寸小，光学口径受限，远距离探测时信噪比下降。常见的半固态激光雷达多采用此技术，是当前乘用车量产的主流。

Flash激光雷达

一次性发射大面积激光（类似闪光灯），通过面阵探测器同时获取整个视场的距离信息。无扫描部件，固态化程度高，可靠性强。但受限于光源功率和探测器灵敏度，探测距离较近（通常几十米），主要用于盲区监测或低速场景。

OPA（Optical Phased Array，光学相控阵）

通过控制波导阵列的相位差，实现激光束的电子扫描，完全没有机械部件。理论上可以灵活控制光束指向，分辨率极高。但目前制造工艺复杂，波导损耗大，尚处于实验室或早期样机阶段，预计2026年后才可能进入量产前夜。

三、性能指标篇：看懂参数表的门道

厂商参数表上密密麻麻的数字，到底哪些是关键？

线数（扫描线束）

表示垂直方向上同时或分时扫描的线数，如16线、32线、128线。线数越高，垂直分辨率越好，对远处小物体的识别能力越强。但线数高也意味着数据量更大，对后端算力要求更高。实际选择需综合视场角与帧率。

视场角（FOV，Field of View）

水平FOV常见为120°或360°，垂直FOV在25°~45°之间。水平360°的机械式适合全景感知，但车顶安装可能增加风阻。半固态产品通常水平120°，用多台拼接覆盖。垂直FOV越大，能探测到近处低矮物体（如路沿、小孩）的能力越强。

角分辨率（水平与垂直）

衡量相邻两个激光点之间的角度间隔，单位通常为0.1°或更小。角分辨率高（数值小）意味着点云更密集，能看清远处车辆轮廓。例如0.05°的角分辨率可在100米外分辨出自行车。但角分辨率受限于线数和扫描机构。

测距精度与精度误差

表示单次测量距离与真实距离的偏差，通常为±2cm~±5cm。精度越高，对物体轮廓还原越准确，有利于后续算法分割。但精度受目标反射率、环境光、温度等影响，参数表上常列出典型值。

帧率与点频

帧率指每秒完成一次完整视场扫描的次数，常见10Hz或20Hz。点频指每秒出点数，单位万点/秒。高帧率能捕捉快速移动目标，但会降低每帧点云密度；高点频提供更丰富信息，但对算力与带宽要求更高。

探测距离（最远与测距能力）

通常给出对90%反射率目标（白色车身）的最远距离和对10%反射率目标（黑色橡胶）的最近距离。注意：实际有效距离远低于标称值，尤其在雨雾天。选购时更应关注低反射率下的测距能力。

四、点云处理篇：从原始数据到可识别信息

激光雷达输出的是一堆三维坐标点，如何变成车辆能理解的障碍物信息？

点云（Point Cloud）

激光雷达每次扫描产生的三维空间点集合，每个点包含(x,y,z)坐标和反射强度（intensity）。点云密度直接影响算法效果，但原始点云包含大量噪声。

噪声滤波与离群点剔除

由于环境杂散光、多路径反射等，点云中会有孤立噪点。常用统计滤波（去除与相邻点距离过远的点）或半径滤波（某点周围近邻不足阈值则剔除）。这一步能显著提升后续处理稳定性。

地面分割（Ground Segmentation）

将路面点与非地面点分离，常见方法有平面拟合（RANSAC）或射线坡度法。地面点用于可行驶区域识别，非地面点用于障碍物检测。不同算法对陡坡或起伏路面鲁棒性差异较大。

聚类（Clustering）

将非地面点按空间邻近关系分组，形成一个个可疑物体候选。常用DBSCAN（密度聚类）或欧几里得聚类。聚类参数（如半径阈值）直接影响是否将一个目标误分或漏分。

目标检测与跟踪（Object Detection & Tracking）

在聚类基础上，通过形状特征（尺寸、长宽比）或深度学习，判定物体类型（车辆、行人、骑行者等）。跟踪算法（如卡尔曼滤波）利用历史帧信息平滑位置与速度。这一环节是感知系统的核心，算法鲁棒性直接影响自动驾驶安全性。

五、应用场景篇：激光雷达在车上到底做什么

不同级别的自动驾驶对激光雷达的依赖程度不同。

L3/L4自动驾驶

L3级允许系统在特定条件下执行全部动态驾驶任务，L4级则无需驾驶员介入。这类系统必须依赖高可靠性的环境感知，激光雷达能提供厘米级深度信息，弥补摄像头在夜间、逆光下的不足。典型配置为13台前向激光雷达加24台补盲激光雷达。

ADAS（高级驾驶辅助系统）

当前不少L2+车型开始搭载激光雷达，主要用于高速领航辅助、自动紧急制动（AEB）等。激光雷达可提升AEB对静止车辆或行人的探测距离（从摄像头的80米提升至150米以上）。但需注意，激光雷达并非AEB少有的传感器，融合方案才是主流。

盲区监测（近场感知）

安装在车侧或后保险杠的低线束或Flash激光雷达，用于检测车辆周围盲区内的行人或障碍物，尤其适用于变道辅助和泊车场景。其探测距离通常短于30米，但要求视场角大。

SLAM（即时定位与地图构建）

在没有高精地图的行驶环境中，激光雷达可以通过连续帧点云匹配，实现同时定位与环境建图。这对地下停车场、乡村道路等区域尤为重要。2026年部分量产车已经支持基于激光雷达的记忆泊车功能。

六、行业趋势篇：降本、车规与未来方向

激光雷达正在从“尝鲜”走向“标配”，相关术语也值得关注。

车规级认证（AEC-Q100/ISO 16750）

车规级意味着激光雷达能耐受-40°C~85°C温度循环、机械振动、盐雾等恶劣条件。通过认证是前装量产的前提。不少厂商宣称“车规级”，但实际测试项目与标准深度仍有差异，需关注第三方认证报告。

ASIL（汽车安全完整性等级）

ISO 26262定义的功能安全等级，从A到D递增。激光雷达作为感知核心，通常要求ASIL B或更高等级。但注意，ASIL是对系统功能安全流程的评定，与器件性能无关。

固态化与芯片化趋势

减少机械部件、将发射接收电路集成到芯片上（如集成VCSEL阵列、SPAD SoC）是降本关键。Flash和OPA被视为全固态终极方案，但短期内MEMS仍是性价比之选。2026年芯片化激光雷达有望将单颗成本压到200美元以内。

前融合与后融合

前融合指在数据层面（原始点云或图像点云）就进行传感器融合，后融合是各自生成目标列表后再合并。前融合信息损失少，但计算量大；后融合易于工程实现。行业趋势是向神经网络端到端前融合演进。

通过以上高频术语的梳理，相信你对激光雷达的核心概念已有了系统认识。下次看到参数表或行业新闻，就能快速抓住关键点，不再被陌生名词困扰。

常见问题