AI慧眼｜激光雷达深夜城市测试：感知能力推演

深夜十点，一辆自动驾驶测试车驶入城市路口，激光雷达开始它的“视力考试”。它能看清什么？又在哪里犯错？

场景设定：傍晚的城市路口

2026年10月的一个傍晚，天色将暗未暗，测试车停在市中心一个繁忙的十字路口。路灯刚亮，夕阳余晖从西侧斜射而来，地面有积水，空气中飘着细雨。车载的混合固态激光雷达开始旋转扫描——它要完成的任务是：在几十毫秒内构建200米范围内的三维环境，准确识别出机动车、行人、非机动车、路沿、交通标志等目标。这种场景对任何传感器都不友好：逆光、雨雾、低照度、高动态范围共存。激光雷达发射的是红外激光，理论上不受环境光颜色影响，但强光中的红外分量仍可能造成干扰；雨滴会散射激光，削弱回波信号。测试之前，工程师已经标定了雷达的安装角度和视场，但实际路况远比实验室复杂。

第一关：阳光与反射的干扰

激光雷达以每秒数十万次的频率发射近红外激光脉冲，通过测量飞行时间计算距离。阳光中含有大量近红外成分，当太阳直射入雷达接收窗口时，会抬升背景噪声电平。在逆光场景下，激光雷达的信噪比下降，点云中会出现“虚警”（假目标）或“漏检”（目标消失）。测试车正对西侧，夕阳位于前方30度仰角位置。雷达的点云显示，天空区域出现大量噪点，原本应为空白的区域生成了许多低强度点。这些噪点如果被误判为障碍物，会导致车辆误刹车。工程师处理这类问题的常用方法包括：调整接收器增益曲线，让系统对高背景光自动降低灵敏度；在算法层增加点云时空连续性滤波，因为真目标会在连续帧中保持位置稳定，而噪点随机出现。此外，激光雷达的视场角设计也影响抗强光能力——窄视场雷达更容易通过物理遮光结构抑制杂散光。

第二关：雨雾中的衰减

细雨给激光雷达带来了另一重挑战。雨滴的直径约0.5到4毫米，与激光波长（通常905nm或1550nm）相当，会产生米氏散射。当激光穿过雨区，部分能量被水滴散射，导致回波信号减弱、较大探测距离下降。测试车前方100米处有一辆黑色轿车，在干燥天气下雷达可以清晰捕捉其轮廓；但在中雨时，回波强度衰减约30%到50%，点云变得稀疏，轿车后部甚至出现断裂。更麻烦的是，雨滴本身也会产生回波，形成“雨噪”点云。这些雨滴点往往集中在近处，密度高且随机分布。工程师需要在感知算法中区分雨滴和真正障碍物：雨滴点云在空间上呈现“雾状”分布，且在后处理中可以通过统计离群点剔除；而障碍物点云通常有明显的几何形状。部分高端激光雷达采用1550nm波长，因为该波长对雨雾的穿透能力优于905nm，且对人眼更安全，可以发射更高功率延长探测距离。但在2026年，905nm仍是主流，因为成本更低、产业链成熟。

第三关：低反射率物体的“隐身”

前方突然出现一辆深蓝色电动汽车，其车身漆面采用了低反射率的哑光材质。激光雷达发射的激光打到这样的表面，只有很少一部分反射回接收器。测试车的雷达数据显示，这辆车在20米外时反射强度仅为正常车辆的1/5，点云密度也显著下降——原本能显示后窗轮廓的几十个点只剩下寥寥数个。更极端的情况是黑色橡胶轮胎和深色塑料保险杠，这些材料的反射率可能低至5%以下。如果车辆后方还有高反射率的金属护栏，激光雷达会因为动态范围有限而难以同时呈现两者。为了解决这一问题，雷达厂商从硬件和软件两方面入手。硬件上，提高探测器灵敏度、采用多回波接收技术（记录同一脉冲的多次回波）可以捕捉到微弱信号；软件上，通过降低距离置信阈值，或利用多帧积累来增强弱目标。但这也意味着计算量增加，对芯片算力提出更高要求。在实际测试中，工程师发现单靠激光雷达本身，对低反射率物体的可靠探测距离通常只有高反射物体的一半左右。因此，多数自动驾驶系统会融合摄像头图像进行补充验证——摄像头在低光照下可能同样吃力，但高动态范围的摄像头可以勉强区分深色车辆与路面。

第四关：近距离盲区的填充

当测试车准备起步时，一个小孩突然从车头左侧的盲区窜出——他的身高不足1.2米，且紧贴车身。激光雷达安装于车顶，其垂直视场角通常为25到40度，贴近车身正下方存在一个锥形盲区（约0.3到1米宽）。在这个盲区内，激光雷达无法直接探测到低于雷达安装高度的物体。小孩的位置正好落在盲区里，雷达点云中没有任何反映。这恰恰是多年前多起自动驾驶事故的诱因之一。为了填补盲区，2026年的车辆通常搭载“补盲激光雷达”：安装在车头两侧或保险杠上的短距雷达，视场角可达90度以上，探测距离30米内，专门覆盖车周近场。它们采用固态技术，成本低于主雷达。测试车上也装配了这样的补盲雷达，它们检测到了小孩的腿部，并在100毫秒内触发预警。此外，超声波传感器也常用于填补最后的厘米级盲区，但超声波对非规则表面的静态物体（比如蹲下的人）可靠性一般。多传感器融合在这里是关键：激光雷达、补盲雷达、摄像头、超声波的数据必须通过时间同步和空间标定才能形成一致的环境模型。

第五关：多激光雷达的协同与数据融合

在复杂的城市路口，仅靠一个主激光雷达难以覆盖所有区域。测试车共搭载了三个激光雷达：车顶一个192线主雷达（探测距离200米），两侧各一个补盲雷达（30米，120度视场）。三者的点云数据需要融合成一张完整的360度地图。融合面临两大难点：一是时间同步——每个雷达的扫描周期不同（主雷达10Hz，补盲雷达20Hz），数据到达时间有误差，需要依靠GPS时间戳或硬件同步线对齐；二是空间标定——雷达之间安装位置和姿态有偏差，必须通过标定程序精确计算出旋转平移矩阵，否则点云会出现重影或错位。工程师在测试前使用标定间内棋盘格完成了初标，但车辆行驶中的振动可能导致微小的松动，因此系统需要在线自标定，利用同时观测到的静态特征（如路灯杆）来持续校正。数据融合后，感知算法还要处理点云冗余：同一个目标被三个雷达同时观测，可以增强置信度，但也增加算力消耗。2026年的车规级计算平台（如英伟达Orin等）已经能够实时处理每秒数百万点的融合数据。

小结：激光雷达的适用边界

经过这一小时的城市夜间测试，激光雷达交出了一份有收获也有遗憾的答卷。它擅长的事：精确定距、三维轮廓重建、在良好光照下对金属等强反射目标的高置信度检测。它不擅长的事：穿透浓雾、识别低反射率的深色物体、覆盖近端盲区。激光雷达并非万能，但它为自动驾驶系统提供了一个独立于可见光的深度感知通道，与摄像头、毫米波雷达形成冗余互补。2026年的技术趋势显示，激光雷达正向更远探测距离、更高分辨率、更小体积和更低成本演进，905nm和1550nm两条路线并行，而固态化和阵列化正在成为主流。对用户来说，理解激光雷达的边界比追捧其参数更重要：它能在多大场景下可靠运行，决定了自动驾驶的安全冗余水平。真正的自动驾驶不是单传感器的独秀，而是多传感器交响乐的和谐。

常见问题