第27章 典型应用案例（三）：无人机避障与地形测绘
返回课程目录：FMCW激光雷达技术课程（公开版）
引言：无人机面临的感知挑战
现代无人机（UAV）在物流、农业、测绘、救援等领域应用日益广泛，但其自主飞行的核心挑战在于对周围环境的实时、精确、可靠的感知。传统视觉传感器受光照影响大，超声波和毫米波雷达则存在分辨率不足的问题。FMCW激光雷达凭 借其高精度、直接测速、强抗干扰能力，成为高端无人机环境感知的理想选择。
一、FMCW激光雷达在无人机上的核心优势
1. 直接速度测量
通过多普勒频移直接获取每个像素点的径向速度，无需通过位置差分计算，极大提升了避障决策的实时性和安全性。
2. 卓越的抗干扰能力
基于相干探测和独特的线性调频信号，能有效滤除环境光和其他激光雷达的干扰，适合多机协同作业。
3. 高精度与高分辨率
提供厘米级的距离精度和丰富的点云细节，满足精细地形测绘和细小障碍物（如电线）识别的需求。
4. 全天候适应性增强
相比ToF激光雷达，在雾、小雨等弱天气条件下，相干探测信噪比更高，性能衰减更小。
二、系统架构与工作流程
【原文此处有示意图，图片内容见源资料对应页面】
- **数据采集：**雷达扫描前方扇形区域，获取每个像素的差频信号。
- **信号处理：**对差频信号进行快速傅里叶变换（FFT），解算出距离和速度。
- **点云与速度场生成：**将极坐标数据转换为3D点云，并附上每个点的径向速度。
- **感知与决策：**算法实时检测障碍物、识别地形特征，并规划安全路径。
- **控制执行：**飞控系统根据指令调整无人机姿态与速度。
三、关键技术指标对比
| 性能指标 | FMCW激光雷达 | ToF激光雷达 | 双目视觉 | 毫米波雷达 |
|---|---|---|---|---|
| 测距精度 | 厘米级 (≤ 3 cm) | 厘米级 (2-5 cm) | 依赖距离与纹理 | 米级 (0.1-0.5 m) |
| 直接测速 | ✅ 是 (多普勒) | ❌ 否 | ❌ 否 (需估算) | ✅ 是 |
| 抗阳光干扰 | ✅ 优秀 | ⚠️ 一般 | ❌ 差 | ✅ 优秀 |
| 抗同频干扰 | ✅ 优秀 (调频编码) | ❌ 差 | 不适用 | ⚠️ 中等 |
| 地形细节还原 | ✅ 极佳 | ✅ 好 | ⚠️ 中等 | ❌ 差 |
| 典型作用距离 | 50 - 200 m | 20 - 150 m | 5 - 50 m | 100 - 500 m |
四、应用场景与算法示例
场景A：动态避障
面对突然出现的鸟类或其他无人机，FMCW雷达能直接提供其接近速度，实现更早预警。
// 简化避障决策伪代码
if (detected_obstacle.distance < SAFE_DISTANCE) {
// 计算威胁等级
threat_level = obstacle.radial_velocity / obstacle.distance;
if (threat_level > THRESHOLD) {
// 紧急规避
generate_evasive_trajectory(obstacle.position, obstacle.velocity);
} else {
// 温和减速或绕行
adjust_path_smoothly(obstacle.position);
}
}
场景B：地形跟随与测绘
在山区或起伏地形进行测绘时，无人机需保持相对地面的固定高度。FMCW雷达提供的高密度点云可实时生成数字高程模型（DEM）。
# 简化地形高度提取伪代码
def get_terrain_height(point_cloud, drone_position):
# 提取无人机正下方的点云区域
ground_points = filter_ground_points(point_cloud)
# 拟合局部地形平面
plane_model = fit_plane_ransac(ground_points)
# 计算无人机到平面的高度
height = distance_to_plane(drone_position, plane_model)
return height, plane_model # 用于飞控高度保持
五、挑战与未来展望
- **成本与体积：**目前FMCW系统成本高于ToF，集成化、芯片化是降低成本和体积的关键。
- **数据处理算力：**高分辨率点云和速度场对机载算力要求高，需要高效的边缘计算算法。
- **多传感器融合：**未来趋势是与视觉、IMU、GNSS深度融合，构建更鲁棒的感知系统。
- **标准化与安全：**需要制定行业标准，确保多机作业时的信号互不干扰和飞行安全。
随着技术的成熟，FMCW激光雷达将成为实现无人机完全自主、超视距、高安全飞行的核心传感器，开启低空经济的新篇章。