第25章 典型应用案例（一）：自动驾驶汽车中的FMCW激光雷达
返回课程目录：FMCW激光雷达技术课程（公开版）
【原文此处有示意图，图片内容见源资料对应页面】
一、FMCW LiDAR 在自动驾驶中的核心优势
相较于传统的脉冲式（ToF）激光雷达，调频连续波（FMCW）激光雷达通过发射频率连续变化的激光，并检测回波 与参考光的相干信号，实现了革命性的性能提升。其在自动驾驶领域的核心优势可归纳为：
- 直接速度测量：通过多普勒频移直接、精确地获取每个像素点的径向速度，无需多帧数据推算。
- 卓越的抗干扰能力：基于相干探测原理，只对自身调制频率的光信号敏感，极大降低了环境光和其他LiDAR的干扰。
- 极高的探测灵敏度与信噪比：相干增益使其能够探测更微弱的光信号，提升探测距离和点云质量。
- 更高的距离分辨率：距离分辨率取决于调制带宽，易于实现厘米级甚至毫米级分辨率。
- 芯片化集成潜力：与硅光技术兼容，为低成本、大规模量产奠定基础。
二、系统架构与信号处理流程
一个典型的车载FMCW LiDAR系统由光、电、算三大模块构成，其核心信号处理流程如下：
【原文此处有示意图，图片内容见源资料对应页面】
关键算法步骤（以三角波调制为例）：
- 中频信号生成：回波光与本地参考光在平衡光电探测器上相干混频，产生包含距离和速度信息的中频（IF）信号。
- 二维FFT处理：对每个调频周期（上扫频和下扫频）的采样信号分别进行FFT，得到频谱峰值。
- 参数解算：由上、下扫频的峰值频率 (f_{up}) 和 (f_{down})，联立解算目标距离 (R) 和径向速度 (v)： [ R = \frac{c (f_{up} + f_{down})}{4 \alpha} \quad v = \frac{\lambda (f_{up} - f_{down})}{4} ] 其中，(c)为光速，(\alpha)为调频斜率，(\lambda)为激光波长。
// 简化的FMCW距离-速度解算伪代码示例
function resolveRangeVelocity(f_up, f_down, alpha, lambda) {
const c = 3e8; // 光速 (m/s)
// 计算距离 (米)
let range = c * (f_up + f_down) / (4 * alpha);
// 计算径向速度 (米/秒)，正值为远离
let velocity = lambda * (f_up - f_down) / 4;
return { range, velocity };
}
// 示例：处理单个目标
let f_up = 10.5e6; // 上扫频峰值频率 10.5 MHz
let f_down = 9.5e6; // 下扫频峰值频率 9.5 MHz
let alpha = 1e12; // 调频斜率 1 MHz/ns (或 1e12 Hz/s)
let lambda = 1550e-9; // 波长 1550 nm
let result = resolveRangeVelocity(f_up, f_down, alpha, lambda);
console.log(`距离: ${result.range.toFixed(3)} m, 速度: ${result.velocity.toFixed(3)} m/s`);
三、与ToF LiDAR的关键性能对比
FMCW LiDAR
- ✅ 直接测量瞬时速度
- ✅ 极强抗干扰（日光、其他LiDAR）
- ✅ 高灵敏度，探测距离远
- ✅ 距离分辨率高（带宽决定）
- ⭕ 系统相对复杂，成本目前较高
- ✅ 易于硅光芯片集成
传统ToF LiDAR
- ❌ 需多帧推算速度，有延迟
- ❌ 易受环境光和其他激光干扰
- ⭕ 灵敏度受限于单光子探测
- ❌ 距离分辨率受脉冲宽度限制
- ✅ 技术成熟，成本较低
- ❌ 芯片化集成难度大
| 性能指标 | FMCW LiDAR | 脉冲式ToF LiDAR | 对自动驾驶的意义 |
|---|---|---|---|
| 速度测量 | 直接、瞬时、精确 | 间接、有延迟、有误差 | 实现更精准的轨迹预测与规划 |
| 抗干扰性 | 极强（相干滤波） | 弱（需窄带光学滤波） | 保障在复杂交通流（多车）中的稳定工作 |
| 探测距离 | 远（相干增益） | 受脉冲功率和探测器限制 | 更早发现远处障碍物，提升安全性 |
| 人眼安全 | 高（连续波，低峰值功率） | 需注意（高瞬时功率） | 满足更严格的安全法规 |
四、在自动驾驶系统中的具体应用场景
【原文此处有示意图，图片内容见源资料对应页面】
- 高速公路巡航：精确测量前车及相邻车道车辆的相对速度，实现更平顺、安全的自适应巡航（ACC）和自动变道。
- 城市复杂交通：在十字路口，快速区分静止物体（路灯）与横穿的行人/自行车（具有横向速度分量），减少误刹车。
- 恶劣天气与干扰环境：在雨、雾、烟尘中，凭借高信噪比和抗干扰能力，保持部分探测性能；在多车同时使用LiDAR的场景下避免相互“致盲”。
- 高精度地图构建与定位：结合速度信息，可生成带有运动属性的动态点云，辅助SLAM算法，提升定位鲁棒性。
- 预测性规划：直接的速度向量输入，使预测模块能更早、更准地判断其他交通参与者的意图，规划出更安全、高效的路径。
五、挑战与未来展望
尽管优势显著，FMCW LiDAR在车载大规模应用上仍面临挑战：
- 成本与集成度：需要高性能窄线宽激光器、相干接收机等，系统复杂度高。未来依赖于硅光芯片（PIC）的大规模集成以降低成本。
- 扫描系统：如何将相干探测与高速、可靠、低成本的光束扫描（如光学相控阵OPA、MEMS）完美结合。
- 信号处理复杂度：实时处理海量相干数据对计算单元提出高要求，需要专用集成电路（ASIC）或高性能片上系统（SoC）。
- 标准化与车规：需要建立完整的车规级测试认证体系，确保在严苛环境下长期稳定工作。
展望：随着硅光技术和产业链的成熟，FMCW LiDAR有望成为L3级以上自动驾驶汽车的“标配”传感器，提供超越人类视觉的感知能力，并与毫米波雷达、摄像头深度融合，共同构建可靠的环境感知体系。