主流激光雷达分类及原理
激光雷达分类多种多样
比如按发射波形可分为脉冲型和连续型
按探测方式可分为直接探测和相干探测
按线束可分为单线和多线等
本文将按扫描方式将雷达进行分类介绍
机械式激光雷达
1.1 机械旋转式激光雷达
机械旋转式激光雷达
（图源: Velodyne官网）
优点：
技术成熟
扫描速度快
360度扫描
缺点：
可量产性差：光路调试、装配复杂，生产效率低
价格贵：靠增加收发模块的数量实现高线束，元器件成本高，主机厂难以接受
难过车规：旋转部件体积/重量庞大，难以满足车规的严苛要求
造型不易于集成到车体
混合固态激光雷达
混合固态激光雷达用“微动”器件来代替宏观机械式扫描器，在微观尺度上实现雷达发射端的激光扫描。旋转幅度和体积的减小，可有效提高系统可靠性，降低成本。
2.1 MEMS阵镜激光雷达
MEMS振镜是一种硅基半导体元器件，属于固态电子元件；它是在硅基芯片上集成了体积十分精巧的微振镜，其核心结构是尺寸很小的悬臂梁——反射镜悬浮在前后左右各一对扭杆之间以一定谐波频率振荡，由旋转的微振镜来反射激光器的光线，从而实现扫描。硅基MEMS微振镜可控性好，可实现快速扫描，其等效线束能高达一至两百线，因此，要同样的点云密度时，硅基MEMS Lidar的激光发射器数量比机械式旋转Lidar少很多，体积小很多，系统可靠性高很多。
优点：
MEMS微振镜摆脱了笨重的马达、多发射/接收模组等机械运动装置，毫米级尺寸的微振镜大大减少了激光雷达的尺寸，提高了稳定性
MEMS微振镜可减少激光发射器和探测器数量，极大地降低成本
缺点：
有限的光学口径和扫描角度限制了Lidar的测距能力和FOV，大视场角需要多子视场拼接，这对点云拼接算法和点云稳定度要求都较高
抗冲击可靠性存疑
主要存在的问题：
（1）振镜尺寸问题：
远距离探测需要较大的振镜，不但价格贵，对快轴/慢轴负担大，材质的耐久疲劳度存在风险，难以满足车规的DV、PV的可靠性、稳定性、冲击、跌落测试要求。
（2）悬臂梁：
硅基MEMS的悬臂梁结构实际非常脆弱，快慢轴同时对微振镜进行反向扭动，外界的振动或冲击极易直接致其断裂。
故障的悬臂梁
（图源：无人驾驶网）
MEMS激光雷达点云数据
（图源：RoboSense）
2.2 旋转扫描镜激光雷达
作为首款量产的L3级别自动驾驶的乘用车——奥迪A8上搭载的激光雷达就是旋转扫描镜激光雷达。与机械旋转激光雷达不同的是，其激光发射模块和接收模块是不动的，只有扫描镜在做机械旋转。激光单元发出激光至旋转扫描镜（Mirror），被偏转向前发射（扫描角度145°），被物体反射的光经光学系统被左下方的探测器接收。
Scala内部图
（图源：搜狐）
优点：
可车规，寿命长，可靠度高
缺点：
扫描线数少，扫描角度不能到360度
2.3 楔形棱镜旋转
收发模块的PLD（Pulsed Laser Diode）发射出激光，通过反射镜和凸透镜变成平行光，扫描模块的两个旋转的棱镜改变光路，使激光从某个角度发射出去。激光打到物体上，反射后从原光路回来，被APD接收。
Livox Lidar的工作原理示意图
（图源：Livox官网）
与MEMS Lidar相比，它可以做到很大的通光孔径，距离也会测得较远。与机械旋转Lidar相比，它极大地减少了激光发射和接收的线数，降低了对焦与标定的复杂度，大幅提升生产效率，降低成本。
优点：
非重复扫描，解决了机械式激光雷达的线式扫描导致漏检物体的问题
可实现随着扫描时间增加，达到近100％的视场覆盖率
没有电子元器件的旋转磨损，可靠性更高，符合车规
缺点：
单个雷达的FOV较小，视场覆盖率取决于积分时间
独特的扫描方式使其点云的分布不同于传统机械旋转Lidar，需要算法适配
Livox的点云分布图
（图源：Livox官网）
2.4 二维扫描振镜激光雷达
这类激光雷达的核心元件是两个扫描器——多边形棱镜和垂直扫描振镜，分别负责水平和垂直方向上的扫描。特点是扫描速度快，精度高。比如：一个四面多边形，仅移动八条激光器光束（相当于传统的8线激光雷达），以5000rpm速度扫描，垂直分辨率为2667条/秒，120度水平扫描，在10Hz非隔行扫描下，垂直分辨率达267线。
Luminar激光雷达内部解剖图
（图源：Luminar）
优点：
转速越高，扫描精度越高
可以控制扫描区域，提高关键区域的扫描密度
多边形可提供超宽FOV，一般可做到水平120度。MEMS Lidar一般不超过80度
通光孔径大，信噪比和有效距离要远高于MEMS Lidar
价格低廉，MEMS振镜贵的要上千美元，多边形激光扫描已经非常成熟，价格只要几十美元
激光雷达间抗干扰性强
缺点：
与MEMS技术比，其缺点是功耗高，有电机转动部件
纯固态激光雷达
3.1 Flash激光雷达
Flash激光雷达采用类似Camera的工作模式，但感光元件与普通相机不同，每个像素点可记录光子飞行时间。由于物体具有三维空间属性，照射到物体不同部位的光具有不同的飞行时间，被焦平面探测器阵列探测，输出为具有深度信息的“三维”图像。根据激光光源的不同，Flash 激光雷达可以分为脉冲式和连续式，脉冲式可实现远距离探测（100米以上），连续式主要用于近距离探测（数十米）。
Flash激光雷达的优势在于能够快速记录整个场景，避免了扫描过程中目标或Lidar自身运动带来的误差。其缺点是探测距离近。
Flash Lidar的工作示意图
（图源：LeddarTech官网）
发射模组：Flash激光雷达采用的是垂直腔面发射激光器（Vertical Cavity Surface Emitting Laser， VCSEL），比其他激光器更小、更轻、更耐用、更快、更易于制造，并且功率效率更高。
接收模组：Flash激光雷达的性能主要取决于焦平面探测器阵列的灵敏度。焦平面探测器阵列可使用PIN型光电探测器，在探测器前端加上透镜单元并采用高性能读出电路，可实现短距离探测。对于远距离探测需求，需要使用到雪崩型光电探测器，其探测的灵敏度高，可实现单光子探测，基于APD的面阵探测器具有远距离单幅成像、易于小型化等优点。
优点：
一次性实现全局成像来完成探测，无需考虑运动补偿
无扫描器件，成像速度快
集成度高，体积小
芯片级工艺，适合量产
全固态优势，易过车规
缺点：
激光功率受限，探测距离近
抗干扰能力差
角分辨率低
3.2 光学相控阵激光雷达（OPA）
很多军用Lidar使用OPA（Optical Phased Array）光学相控阵技术。OPA运用相干原理，采用多个光源组成阵列，通过调节发射阵列中每个发射单元的相位差，来控制输出的激光束的方向。OPA激光雷达完全是由电信号控制扫描方向，能够动态地调节扫描角度范围，对目标区域进行全局扫描或者某一区域的局部精细化扫描，一个激光雷达就可能覆盖近/中/远距离的目标探测。
Quanergy固态激光雷达
（图源：Quanergy官方视频截图）
优点：
纯固态Lidar，体积小，易于车规
扫描速度快（一般可达到MHz量级以上）
精度高（可以做到μrad量级以上）
可控性好（可以在感兴趣的目标区域进行高密度扫描）
缺点：
易形成旁瓣，影响光束作用距离和角分辨率，使激光能量被分散
加工难度高：光学相控阵要求阵列单元尺寸必须不大于半个波长
探测距离很难做到很远
3.3 调频连续波FMCW激光雷达
以三角波调频连续波为例来介绍其测距/测速原理。蓝色为发射信号频率，红色为接收信号频率，发射的激光束被反复调制，信号频率不断变化。激光束击中障碍物被反射，反射会影响光的频率，当反射光返回到检测器，与发射时的频率相比，就能测量两种频率之间的差值，与距离成比例，从而计算出物体的位置信息。FMCW的反射光频率会根据前方移动物体的速度而改变，结合多普勒效应，即可计算出目标的速度。
FMCW原理²
优点：
每个像素都有多普勒信息，含速度信息
解决Lidar间串扰问题
不受环境光影响，探测灵敏度高
缺点：
不能探测切向运动目标
FMCW与常见的TOF测距原理的对比：
系统简单，成本低
平均功率低
测距精度高
能探测出切向运动的目标
环境光的抗干扰性比FMCW稍差
波段接近人眼可响应的范围
环境光抗干扰能力强
1550nm波长对人眼安全更有利
除距离和intensity信息外还能得到速度信息
系统复杂度高，成本高
平均能耗高
不能探测出切向运动的目标（比如横穿马路的人/车）
发展趋势
激光雷达是实现无人驾驶的重要传感器部件之一。评价一款激光雷达产品，要从性能、技术成熟度、成本、“车规”化等多个维度去衡量。
机械式激光雷达：目前是自动驾驶公司的主流方案，技术成熟可靠，具备360度视场角，高分辨率等性能优势，但限于工艺等因素难以量产。部分机械雷达厂商正在通过芯片化的路线提高生产效率，降低成本，并使其符合车规。考虑到固态雷达的迭代过程，短期内机械式激光雷达仍将是自动驾驶的主流选择。
MEMS等半固态激光雷达：目前技术相对成熟，能兼顾成本、性能、车规等要求，但抗冲击可靠性存疑。长远来看，仅属于过渡产品。
全固态激光雷达：长远看，激光雷达的主流趋势会转向全固态。Flash技术领先，但受限于元器件性能，无法实现远距离探测；OPA具有一定的技术壁垒；FMCW具有探测距离远，灵敏度高，抗干扰能力高，成本低，功耗低等特点，但技术门槛高，对系统集成，信号处理要求很高，目前尚未量产。
总的看来，激光雷达固态化会持续推进，技术仍然有很长的探索期。
参考文献：
1.Sandborn, P. A. M. (2017). FMCW Lidar: Scaling to the Chip-Level and Improving Phase-Noise-Limited Performance. eScholarship, University of California.
2.SENSING-AIOT.(2021). LiDAR: FMCW vs. ToF. http://4da.tech/?p=272
3.AEye, Inc.(2021)Time of Flight vs. FMCW LiDAR Side-by-Side Comparison FMCW sToF_21_0113.
4.Liu, Z., Zhang, F., & Hong, X. (2021). Low-cost retina-like robotic lidars based on incommensurable scanning. IEEE/ASME Transactions on Mechatronics.
4.http://www.wrdrive.com/news/show.php?itemid=5301
5.https://www.novuslight.com/fmcw-the-future-of-lidar_N9691.html
6.https://www.sohu.com/a/345121853_467791
7.https://velodynelidar.com/
8.https://www.hesaitech.com/zh
9.https://www.robosense.ai/
10.https://www.livoxtech.com/
11.https://innoviz.tech/
12.https://zhuanlan.zhihu.com/p/344876823