【太平洋汽车网 技术频道】1638年，伽利略提着一盏灯站在山头上，默默的把灯盖了起来......
远处的另一个山头上，他的助手在看到灯灭的一瞬间也把自己手上的灯盖了起来。伽利略想用这样的办法计算出光的速度。可惜他不仅没能测出光速，甚至没能判断出光速是不是无限的，对于当时的技术手段，光速实在太快了。
不过伽利略的想法并没有错。今天我们已经能测出一束光射出，遇到物体后返回的精确时间差，同时我们也知道精确的光速，于是这个办法就可以用来测量发射点到目标物体的距离，这种方法叫做“飞行时间”，简称TOF。
今年开始，突然冒出一大堆配备激光雷达的量产车，正是利用TOF测距，通过激光感知周边的三维环境。激光雷达究竟有什么用让这么多品牌趋之若鹜，有为什么直到今天才突然被厂商如此垂青？
激光雷达为什么会“蹿红”
近几年来，自动驾驶的概念越来越被频繁的提及，而自动辅助驾驶技术也在快速的发展。随着自动驾驶辅助系统在量产车型上的需求与日俱增，相关的感知硬件也得以快速发展。
我们平时开车需要用眼睛观察路况，而自动（辅助）驾驶便是通过感知硬件来感知周围的路况。目前汽车上应用到的感知硬件包括但不限于：摄像头、毫米波雷达、超声波雷达、激光雷达以及V2X相关硬件等。
作为一种新兴崛起的感知硬件，激光雷达的原理前面也有简单提及，就是通过发射激光来测量周围事物的距离。发射的激光线束越多，感知的区域和细节就越多，而通过让反射的激光转动扫描，就可以得到一片区域的三维形态。
我们将激光雷达和其他感知硬件做一个简单的对比，其中超声波雷达成本极低，但感知距离较近，主要用于停车辅助；而V2X还处在起步阶段，尚未得到大量的应用，这两者不做比较。
摄像头是目前最主流的自动驾驶感知硬件，类似人眼看世界，系统算法会自动分析图像并找出其中的各种事物。双目摄像头还可以像人眼一样通过夹角分析出前方障碍物的距离。不过视觉十分依赖算法，而算法需要海量的数据进行训练，对于后来者有极高的门槛。此外，摄像头受逆光、能见度等环境因素影响颇大，识别准确率在不同环境下会有较大波动。
毫米波雷达在汽车上的应用更久，ACC自适应巡航就是靠毫米波雷达实现的。目前毫米波雷达成本可控，同时毫米波雷达在恶劣天气下也可以正常工作，并且可以更直接的判断其他车辆的速度，因此在自动（辅助）驾驶中应用广泛。但毫米波雷达识别精度有限，难以判断障碍物的具体轮廓，目前主流的毫米波雷达甚至无法判断垂直高度信息，对小尺寸障碍物的判断更加模糊。
上海车展期间，华为发布了其最新的可装车的4D成像雷达，其实也是一种毫米波雷达，不过在精度上进行了大幅优化。在成像精度上有了大幅提升，不仅可以勾勒出车、人等障碍物的大致轮廓，甚至可以越过前车探测前方两台车的速度与距离。相应的，成本也有较大升高。且毫米波雷达对金属敏感，对非金属探测能力较弱的特性也一样存在。
接下来就是激光雷达了，相比前两者，激光雷达可以准确的感知周边环境的三维信息，探测精度在厘米级以内。这就使得激光雷达能够准确的识别出障碍物具体轮廓、距离，且不会漏判、误判前方出现的障碍物。相比前两者目前主流水平，激光雷达普遍的有效探测距离也更远。
当然缺点也很明显，一个是贵，早期的机械式激光雷达动辄几十万上百万，如今华为、大疆等将激光雷达的价格控制在了一千美元以内，已经达到了实用的程度，但相较其他感知传感器依然显得十分昂贵。
另外，激光雷达对工作环境要求也很高。我们知道，光和电磁波一样由自己的波长，而波长越短走的线路越直，绕过障碍物的能力也越弱。毫米波雷达发射的电磁波波长在1-10mm之间，而目前主流的激光雷达发射的激光波长为905nm和1550nm。激光的优势在于聚焦，很长的距离上都不会发散，但这样就无法绕过障碍物，在雨雾、风沙等天气时会受到极大的干扰，甚至无法工作。
因此，激光雷达不能作为单独的感知硬件，但激光雷达与毫米波雷达、摄像头等进行数据融合，可以得出更全面的周遭环境信息，对自动（辅助）驾驶的路径规划和安全性有着极大的帮助。
尤其在当下，系统算法还没有海量的数据训练升级的情况下，单纯依赖摄像头会有较大的安全隐患，而激光雷达正好可以与之互补，而同时激光雷达价格已经下探到可以接受的程度，也因此成为了各大厂商趋之若鹜的自动驾驶感知硬件新宠。
激光雷达历史回顾
1916年，爱因斯坦提出了光的受激发射理论，人类对激光开始有了认知。激光并不像红外线、紫外线之类的是某一波段的光的总称，而是有着精确的单一颜色和单一波长的光，相比由多种颜色、波长混合的自然光，激光有着亮度高、能量大、方向性好的特点。
直到1960年，人类研制出了第一台激光发生器，终于揭开了利用激光的序幕。根据发生器材料的不同，可以生成从紫外线（10-400nm）到可见光（390-780nm）到红外线（760-1000000nm）波段内的不同激光。
激光诞生之后便广泛应用在军事、医疗、通讯、工业、航空等各个领域，被认为是继核能、电脑、半导体之后人类最重要的发明之一。
而激光雷达的想法，也是在激光发生器诞生后立马就被考虑的一种用途。1969年7月美国第一次登月，在月球表面安装了一个类似镜子的后向反射器装置，在地球上向该装置发射激光，人类测得了精确的地月距离。
不过激光并没有停留在测距这一单一的用途上，密集的激光束可以将被测物体的每一个细节都精确的建模还原，很快便被应用在了测绘、文物保护、3D建模等领域。
应用最广泛的当然是测绘，将高精度的激光雷达安置在汽车、飞机甚至卫星上可以对大范围的地形地貌进行精确的还原，并且激光可以穿过狭窄的缝隙，因此在植被覆盖的地表也能够探测到植被下方的详细地貌，这是其他测绘雷达等无法比拟的优势。
不过测绘对激光雷达的进度等要求很高，而市场相对而言并不是很大，因此激光雷达一直都在追求更好的性能，而价格也居高不下，早前Velodyne品牌的一套128线机械式激光雷达售价高达70万，而动辄百万以上的激光雷达也并不鲜见。
故事的转折发生在2005年，随着九十年代末人工智能的发展，自动驾驶概念也在飞速进步。
2004年，美国国防部高级研究计划局为了能够找到为军方打造无人驾驶汽车的解决方案发起了一项名为DARPA无人驾驶车挑战赛的比赛。参赛队伍中有一支来自音响品牌Velodyne，参赛的原因也很简单，创始人兼CEO David Hall为了打发“无聊”找的乐子。
David Hall改装了一辆带有全景摄像头的皮卡参加了2004年的DARPA无人驾驶车挑战赛，并未能完赛。但也正是在这届比赛中，David Hall听说了一个新玩意——激光雷达。
随后，David Hall带领Velodyne制造一款360°旋转式激光雷达，而这一发明让Velodyne成为谈及自动驾驶绕不过去的一个名字，上市估值超过了30亿美元。
2005年、2006年Velodyne带着装有激光雷达的无人驾驶参加了DARPA无人驾驶车挑战赛，成绩虽不理想，但却让Velodyne名声大噪。
2007年，第四届DARPA在美国西部加利福尼亚州维克多维尔的乔治空军基地举办，在53支报名队伍中，11支通过了资格测试，７支车队跑完了全程，而完赛车队中有６支搭载了激光雷达。
而此时，音响起家的Velodyne已经成为了专业的激光雷达制造商，并推出了其知名的64线激光雷达产品。2010年，开始布局无人驾驶汽车的谷歌也选用了Velodyne提供的激光雷达。
随着Velodyne的崛起和无人驾驶汽车配备激光雷达的前景被看好，越来越多的企业开始了车载激光雷达的研发，涌现出了Velodyne LiDAR、Luminar、Ouster、法雷奥、禾赛科技、华为、大疆览沃、图达通等一众激光雷达头部企业，激光雷达的成本也开始大幅度降低。
在谷歌开始自动驾驶项目后，全球涌现出了大量的自动驾驶研发的企业，包括百度、Uber、Cruise、文远知行、小马智行等等。而这些企业无一例外的选择从L4级无人驾驶开始着手，自己打造测试车在法规限定的区域进行测试。
由于尚未涉及量产，因此对于所搭载的激光雷达也没有车规级要求，而高昂的成本本身也尚不是严重的问题。
2015年，特斯拉宣布推出AutoPilot，率先拉开了L2 、L3级自动驾驶在量产车型上的大规模普及进程。由于当时激光雷达仍然价格高昂，马斯克提出了纯视觉的自动驾驶方案，摒弃了昂贵的激光雷达。纯视觉与激光雷达的路线之争也由此开始。
2018年，全球领先的汽车零部件供应商法雷奥发布了全球首款车规级激光雷达——Valeo SCALA，随后率先搭载在全新一代奥迪A8上。
激光雷达的种类
Velodyne开发的360°旋转式激光雷达是最早应用在自动驾驶汽车上的激光雷达类型。他的特点是呈圆柱（锥）形，需要顶在车辆较高的位置。而在刚刚过去的上海车展上，我们见到了很多封闭在一个平面内的激光雷达，而小鹏P5、极狐阿尔派S等车辆也并未将激光雷达装配在车顶位置，因为这些激光雷达原理略有不同，目前（准）量产车型上搭载的多数是混合固态激光雷达。
机械式激光雷达、混合固态激光雷达、纯固态激光雷达是按照激光雷达的结构进行的分类，不过分类的依据并不止于此。激光雷达主要包括四大要素：测距原理、光束操作方式、光源、探测器，据此可以将同一个激光雷达归类到不同的分类中。接下来我们举几个目前常说的几种分类：
按结构分类
● 机械式激光雷达
机械式激光雷达是最早应用于自动驾驶的激光雷达类型，以Velodyne推出的几款产品最为知名。其特点是激光发生器竖直排列并可以360°旋转，通过旋转对四周环境进行全面的扫描。
机械式激光雷达最大的优点是可以通过物理旋转进行3D扫描，对周遭环境进行全面的覆盖形成点云。
而缺点也很明显，一个是高频的转动和复杂的机械结构致使其平均的失效时间仅1000-3000小时，难以达到车规级设备最低13000小时的要求。
另一个问题是机械式激光雷达需要布置在车身最高点避免遮挡，对车辆造型造成很大的影响，凸起的雷达也较容易受损。
而在车顶布置激光雷达及其他设备以及加强结构，对车辆重心也容易带来影响。2017年，Uber一辆自动驾驶测试车在自动驾驶状态与对向车辆发生碰撞导致侧翻，被认为与车顶过中的设备带来的重心提高有关。
另外，机械式激光雷达复杂的结构也不易控制成本，高昂的售价也是影响其广泛装备量产车型的一大因素。目前尚没有达到车规并搭载在（准）量产车型的经销商激光雷达问世。
● 纯固态激光雷达
针对车规级设备需要在连续振动、高低温、高湿高盐等环境下连续工作的特点，固态激光雷达成为了较为可行的发展方向。相比机械式激光雷达，固态激光雷达仅面向一个方向一定角度进行扫描，覆盖范围有所限制。但取消了复杂高频转动的机械结构，耐久性得到了巨大的提升，体积也可以大幅缩小。纯固态激光雷达主要包括OPA光学相控阵和Flash闪光激光雷达两种。
◆ OPA光学相控阵
喜欢军事的朋友应该都听过军机、军舰上搭载的相控阵雷达，而OPA光学相控阵激光雷达的原理与之相似。
相控阵雷达发射的是电磁波，同样也是波的一种，波与波之间会产生干涉现象。通过控制相控阵雷达平面阵列各个阵元的电流相位，利用相位差可以让不同的位置的波源会产生干涉，从而指向特定的方向。往复控制相位差便可以实现扫描的效果。
我们知道光和电磁波一样也表现出波的特性，因此同样可以利用相位差控制干涉让激光“转向”特定的角度，往复控制实现扫描效果。
OPA光学相控阵激光雷达发射机采用纯固态器件，没有任何需要活动的机械结构，因此在耐久度上表现更出众。
但是，OPA激光雷达要求阵列单元尺寸必需不大于半个波长，因此每个器件尺寸仅500nm左右，对材料和工艺的要求都极为苛刻，因此成本也相应的居高不下，目前也很少有专注开发OPA激光雷达的品牌。
◆ Flash闪光
Flash闪光激光雷达原理完全不同，他不是通过扫描的方式，而是在短时间内直接向前方发射出一大片覆盖探测区域的激光，通过高度灵敏的接收器实现对环境周围图像的绘制。Flash激光雷达的原理类似于拍照，但最终生成的数据包含了深度等3D数据。
由于结构简单，Flash闪光激光雷达是目前纯固态激光雷达最主流的技术方案。
但是由于短时间内发射大面积的激光，因此在探测精度和探测距离上会受到较大的影响，主要用于较低速的无人驾驶车辆，例如无人外卖车、无人物流车等，对探测距离要求较低的自动驾驶解决方案中。代表品牌包括Ibeo、大陆、Ouster、法雷奥等。
● 混合固态激光雷达
混合固态激光雷达是前两者的折中方案，相较机械式激光雷达，混合固态激光雷达也只扫描前方一定角度内的范围，而相比纯固态激光雷达，混合固态激光雷达也有一些较小的活动部件。不过混合固态激光雷达在成本、体积等方面更容易得到控制。目前，混合固态激光雷达也有多种解决方案，主要包括MEMS振镜、转镜、棱角等。
◆ MEMS微振镜
MEMS微振镜是通过控制微小的镜面平动和扭转往复运动，将激光管反射到不同的角度完成扫描，激光发生器本身固定不动。对于反射的微振镜也有静电驱动、电磁驱动、电热驱动、压电驱动等多种不同的控制方案。
由于取消了马达、多棱镜等较为笨重的机械运动设备，毫米级尺寸的微振镜大大减少了激光雷达的尺寸，同时也提高了可靠性。而可以精确控制偏转角度的微振镜的引入可以减少减少激光器和探测器数量，通过控制扫描路径达到等效机械式更多线束激光雷达的覆盖区域和点云密度，极大地降低成本。
也正因此，MEMS微振镜激光雷达会出现信噪比低，和有效距离短等问题。增大镜面尺寸可以有效增加MEMS激光雷达的精度，但最大偏转角度也会因此受限，FOV视场角会更加受限。
目前，MEMS微振镜激光雷达的代表品牌包括Innoviz、速腾聚创、先锋等等。
◆ 转镜
与MEMS微振镜平动和扭转的形式不同，转镜是反射镜面围绕圆心不断旋转。转镜在功耗、散热等方面有着更大优势。法雷奥推出的全球首款车规级激光雷达就采用了转镜形式。
在转镜方案中，也存在一面扫描镜（一维转镜）和一纵一横两面扫描镜（二维转镜）两种技术路线。一维转镜线束与激光发生器数量一致，而二维转镜可以实现等效更多的线束，在集成难度和成本控制上存在优势。
不过转镜方案与MEMS一样存在信噪比低，和有效距离短，FOV视场角受限等问题。目前转镜方案代表品牌包括华为、法雷奥、Ibeo、禾赛、Luminar、Innovusion等。
◆ 棱角
棱镜激光雷达也称为双楔形棱镜激光雷达，内部包括两个楔形棱镜，激光在通过第一个楔形棱镜后发生一次偏转，通过第二个楔形棱镜后再一次发生偏转。控制两面棱镜的相对转速便可以控制激光束的扫描形态。
与前面提到的扫描形式不同，棱镜激光雷达累积的扫描图案形状状若菊花，而并非一行一列的点云状态。这样的好处是只要相对速度控制得当，在同一位置长时间扫描几乎何以覆盖整个区域。
不过对于高速移动的汽车来说，显然不存在长时间扫描的情况，因此也存在中心区域点云密集。两侧点云相对稀疏的情况。因此采用棱镜激光雷达的小鹏P5选择在车头两侧分别配备一枚激光雷达，保证车头前方区域有密集的点云覆盖。
相比MEMS微振镜和转镜方案，棱镜激光雷达可以通过增加激光线束和功率实现更高的精度和更远的探测距离，不过机械结构也相对更加复杂，体积叫前两者更难以控制，存在轴承或衬套的磨损等风险。目前发力棱镜激光雷达的主要有大疆旗下的Livox览沃，大疆凭借无人机时积累了精密电机制造技术，有信心克服棱镜轴承或衬套寿命的难题。
按波长分类
前文已经提到，激光是一种单一颜色、单一波长的光，根据发生器的不同可以产生紫外线（10-400nm）到可见光（390-780nm）到红外线（760-1000000nm）波段内的不同激光，相应的用途也各不相同。
由于要避免可见光对人眼的上海，激光雷达选用的激光波长一般不低于850nm。而目前主流的激光雷达主要有905nm和1550nm两种波长。
● 905nm
由于905nm激光雷达接收器可以直接选用价格较低的硅材质，因此成本也更加可控，905nm激光雷达成为了当下最主流的激光雷达所选用的波长。
不过人眼可识别的可见光波长处在390-780nm，而400-1400nm波段内激光都可以穿过玻璃体，聚焦在视网膜上，而不会被晶状体和角膜吸收，人眼视网膜温度上升10℃就会造成感光细胞损伤。因此905nm激光雷达为了避免对人眼造成伤害，发射功率需先在在对人无害的范围内。
正因如此，905nm激光的探测距离也会受到限制。
● 1550nm
相比905nm激光，1550nm激光会被人眼晶状体和角膜吸收，不会对视网膜产生伤害，因此1550nm激光雷达可以发射更大功率，探测距离也可以做到更远。
但是1550nm激光雷达无法采用常规的硅吸收，而需要用到更加昂贵的铟镓砷（InGaAs）材质，因此在价格上较905nm激光雷达会贵出很多。
其他分类
除了以上提到的分类，根据测距原理的不同，激光雷达还可以分为飞行时间（dTOF）激光雷达和相位偏移（iTOF）激光雷达，飞行时间（dTOF）激光雷达采用非连续的脉冲激光，根据发射和接收的时间差直接算出距离，正式本文开头提到的原理，也是目前车载激光雷达最常用的测距原理。而相位偏移（iTOF）激光雷达采用的发射特定频率的调制的激光，通过计算相位差间接计算出距离。dTOF理论上其精度不随距离增加而下降、抗干扰强、功耗较低，但工艺相对复杂；iTOF精度偏低、抗干扰性较弱、功耗较大，但工艺相对简单。
从光源分类，常见的激光雷达包括边缘发射激光器、垂直面激光发射器、光线激光发生器等等。
另外，机械式激光雷达也经常提及光源线束，即有多少组发射和接收器，线束越多形成的点云越密集，探测精度也越高。不过，除了一维转镜，二维转镜和MEMS微振镜激光雷达可以进行左右上下扫描，而棱镜激光雷达会在中心区域重复多次扫描，厂家一般会发布区域内等效线束数据，而非发射和接收器数量。
此外，根据激光雷达四大要素：测距原理、光束操作方式、光源、探测器的不同还可以有更多的分类依据，这里就不再一一列举。
激光雷达还有更多用处
目前，汽车领域受到广泛关注的是用于自动（辅助）驾驶感知硬件的车载激光雷达。不过激光雷达在汽车领域的运用远不止于此。
随着自动驾驶相关概念的兴起，高精度地图也开始越来越受到关注和普及，在高精度地图数据的采集过程中，激光雷达强大的3D建模能力能够得到极大的发挥。
而随着搭载激光雷达的量产车逐渐普及，实时上传的众包高精度地图概念也被提出。不过由于高精度地图涉及国家机密等原因，目前法规下这一概念尚不能实现。不过，在停车场等非敏感地带通过激光雷达进行众包数据采集的路线也正在探索中。
另外，视觉摄像头相较雷达的一大优势在于包含了颜色信息，不过激光雷达采集的数据也并非单纯只有“一种颜色”。激光雷达对于不同反射率的物体有不同的感知，而道路车道线、交通标识等多采用高反光率的涂层。视觉目前探测距离，识别能力等有诸多限制因素，因此通过激光雷达识别车道线等也是一种极佳的技术路线。
而目前尚未大规模普及的C-V2X技术中，路侧感知设备也在积极探索对激光雷达的运用。
凭借高精度的感知能力，固定在路侧的激光雷达可以更准确的捕捉到车辆视觉盲区的行人等潜在障碍，通过V2X技术将视野盲区的潜在风险“告知”车辆，可以有效的避免“鬼探头”，有遮挡交叉路口侧翻车辆等难以主动避免的安全隐患。
其实，路侧的激光雷达等V2X硬件并非单纯的为路上的汽车服务，还可以在安防、智慧城市等更多领域发挥作用。而激光雷达也不止在交通领域发力，前不久发布的iPhone12 Pro也配备了激光雷达，在VR游戏，室内建模等更多的领域有着很大的潜力。
随着激光雷达在自动（辅助）驾驶汽车上越来越多的被搭载，激光雷达也从测绘这样的小众市场进入了大众消费市场，产业链逐步成熟，开始出现在了更多的领域，未来将有望出现在我们生活的更多场景中，也可以发挥出更大的作用。（文：太平洋汽车网 郭睿）
,
