🙋
老师，LiDAR 与相机和雷达有什么区别？自动驾驶车顶那个转来转去的就是它吧？
🎓
是的，Velodyne 或 Ouster 的机械旋转式是最著名的。LiDAR（光学探测和测距）发射短激光脉冲，测量目标反射回来的时间（飞行时间，TOF），从而计算距离。公式很简单：d = c·τ/2，光速乘以飞行时间除以2。1米距离往返约需6.67纳秒，100米则需667纳秒。相机擅长捕捉颜色和纹理，雷达擅长测速，LiDAR 的优势是"3D形状"和"绝对距离精度"，记住这个就好。
🙋
看到默认距离分辨率是 0.75 m，那自动驾驶汽车是不是只能以 75 厘米为单位测量物体？这样怎么区分行人和路标呢…
🎓
很好的问题！"距离分辨率" δd = c·τ/2 其实是指"两个物体连续出现时，能分辨为独立物体的最小间隔"。行人后面如果还有另一个物体，间隔小于 75 cm 就会被合并成一个。但是单个物体的"距离精度（测距精度）"会变好很多，公式是 δd / √SNR。如果 SNR=100（20dB），精度就是 7.5 cm；SNR=1000 时，精度是 2.4 cm。这是根据 Cramer-Rao 下界的统计理论得出的。所以实际规格会是"分辨率50cm但精度2cm"这样的。
🙋
明白了，那提高 SNR 就好了。我看接收功率显示 0.001μW，这是怎么回事？50mW 的激光出去，回来的信号这么微弱吗？
🎓
这正是 LiDAR 设计最严峻的地方。LiDAR 方程是 P_rec = P_tx·ρ·A_rec / (π·R²)。50mW 的功率出射，但 100m 外反射率 30%、5cm 接收口径的话，回来的功率只有 10 的负 9 次方 W = 1 纳瓦级别。因为功率随 1/R² 衰减，距离翻倍时接收功率变成 1/4。所以实际的车载 LiDAR 用三招：(1) 几百到上千个脉冲的平均来获得 √N 倍的 SNR 改善，(2) 相干检测（FMCW）突破射噪极限，(3) 门控检测抑制背景光。
🙋
波长选择里有 905nm 和 1550nm，有什么不同？1550nm 标注为眼睛安全，那 905nm 就危险了吗？
🎓
905nm 也是符合安全规范的 Class 1，但输出功率限制严格。1550nm 被人眼的角膜和晶状体吸收，到不了视网膜，所以在同样的 Class 1 下允许 10～50 倍的高功率输出。长距离 LiDAR（超过250m）的佼佼者如 Luminar 和 Aeva 用的都是 1550nm InGaAs。而 905nm 因为 Si APD/SPAD 便宜，是车载量产的主流，Velodyne、Hesai、Innoviz 大多用这个。缺点是 1550nm 在 SWIR 波段，靠近水蒸气吸收带，雾雨中衰减可能比 905nm 更大。
🙋
听说特斯拉放弃了 LiDAR，只用摄像头。LiDAR 真的有必要吗？
🎓
业界意见分歧很大。特斯拉 2021 年起逐步停用 LiDAR 和毫米波雷达，改为纯视觉加神经网络的 FSD 策略。Waymo、Cruise、Mobileye、Zoox 则坚持 LiDAR 必需论，通过在夜间、低对比度、小物体检测中的冗余性来提高安全系数。最近的热点是 FMCW LiDAR（Aurora、Aeva），它与 ToF 不同，能同时获得多普勒速度。"对面车辆距右边 30m、以 50km/h 接近"这样的信息能在一帧里读出来，这是大优势。成本比 905nm ToF 高，但被 L4 自动驾驶看好。
TOF 方式 LiDAR 的距离分辨率由 δd = c·τ/2 决定。τ 是脉冲宽度，c 是光速 2.998×10^8 m/s。例如 5 ns 脉冲时 δd = 0.75 m，1 ns 时为 15 cm，0.1 ns（亚纳秒）时可达 1.5 cm 级。实用的 APD 接收器响应时间和电路带宽会产生限制，905 nm 级通常在 1～10 ns 范围，最先进的 SPAD 阵列可实现 100 ps 量级。
本工具采用基于 Lambert 漫射目标的简化 lidar 方程：P_rec = P_tx·ρ·A_rec / (π·R²)。ρ 是反射率，A_rec 是接收器口径面积，R 是距离。R 的平方衰减是最大特征，距离加倍时接收功率变为 1/4。系统性大气衰减系数 exp(-2αR) 和接收光学系统的透过率被省略，所以在雾雨等恶劣天气或 200m 以上长距离评估中，实际值通常仅为理论值的一半或更少。
905 nm 的 Si APD/SPAD 便宜且易量产，是低成本车载 LiDAR（Velodyne、Hesai、Innoviz 等）的主流。1550 nm 需要 InGaAs 接收元件，成本更高，但人眼角膜和晶状体会吸收它，无法到达视网膜，因此在 Class 1 眼睛安全限制内允许 10～50 倍的高输出功率，在长距离（>200m）和恶劣天气耐性方面有优势。Luminar、Aeva 等长距离高端 LiDAR 采用此方案。SWIR 波段靠近水蒸气吸收带，雾雨中衰减可能大于 905 nm。
特斯拉 2021 年以来逐步停用 LiDAR 和毫米波雷达，采用纯视觉加神经网络进行深度推断来构建 AP/FSD 的策略。原因包括：(1) LiDAR 的 BOM 成本，(2) 传感器融合软件的复杂性，(3) 埃隆·马斯克的哲学"人类仅用眼睛就能驾驶，AI 也应该如此"。而 Waymo、Cruise、Mobileye、Zoox 仍将 LiDAR 视为必需品，通过夜间、低对比度、小物体检测中的冗余性来提高安全系数。FMCW LiDAR（Aurora、Aeva）与 ToF 不同，能同时获得多普勒速度，可在单帧读出相对车辆的速度矢量。
自动驾驶车·ADAS：Waymo Driver 顶部的蜂窝 LiDAR、Velodyne Alpha Puck、Hesai AT128、Luminar Iris 等，从 L4 自动出租车到 L2+ 量产车都在采用，是核心传感器。通常要求在 200m 处检测 10% 反射率，距离精度 ±5cm，角分辨率 0.1°。本工具默认条件 100m 30% 下 SNR 4 dB 对实际系统来说很严苛，实机通过平均和相干检测来获得 20 dB 以上的 SNR。
地理测量·国土测量：飞机和无人机搭载的 LiDAR（RIEGL、Leica）是 GIS、地形图制作、森林管理的标准工具。地面固定的 terrestrial LiDAR（Faro、Leica BLK360）用于建筑 3D 扫描和 BIM 制作。这些应用目标静止或速度低，可进行长时间平均，精度通常达到亚厘米级，测量范围从 10m 到数公里。
农业·林业机器人：John Deere、Naïo Technologies 等的机器人拖拉机和除草机器人采用 LiDAR 进行作物识别。使用低成本 905 nm 固态 LiDAR，进行行间走行和作物vs杂草的识别。作为 SLAM（同步定位与制图）的传感器也是标配。
气象观测 LiDAR：利用 Mie 散射的气溶胶 LiDAR、多普勒风 LiDAR（NOAA、日本气象厅）用于测量大气成分、云底高度、PM2.5 分布、上空风速。本工具的 TOF 距离测量原理相同，但目标是散射体积而非单点，距离分辨率由门控宽度决定。
第一个陷阱是混淆"距离分辨率"与"距离精度"。本工具输出的 δd = c·τ/2 = 75 cm（5 ns 脉冲）是指"两个物体能分辨为独立的最小间隔"，单个物体的测距精度会好得多，即 δd/√SNR。默认条件下精度 45 cm 是因为 SNR 只有 4 dB，很低。实机可通过脉冲平均获得 30 dB（1000 倍）的 SNR 提升，同样的脉冲宽度下精度可达 2.4 cm。对于"分辨率 75cm 的传感器看不到行人的腿和躯干吗"的问题，正确答案是"看不到分开的两个部分，但一个行人的重心位置精度能达到厘米级"。
第二个陷阱是直线外推 Lidar 方程。本工具的简化式 P_rec = P_tx·ρ·A/(π·R²) 假设了 (1) Lambert 漫反射，(2) 无大气衰减，(3) 光学系统透过率 100%。实机中：(a) 镜面反射体（保险杠、玻璃）会导致接收为零或饱和，(b) 雾雨雪增加 10-30 dB 的额外衰减，(c) 接收光学系统损失 30-50%。设计时应该用 6-10 dB 的裕度来使用这个公式，通过实机评估进行校准。确保不超过 Class 1 眼睛安全限制也是必须的。
第三个陷阱是只讨论距离分辨率而忽视角分辨率。本工具固定角分辨率为 0.5 mrad（典型值），这是决定横向（空间）分辨率的关键参数。100m 处 0.5 mrad = 5 cm 宽度，200m 处是 10 cm，比此更小的物体（行人的手臂、自行车的车架）就识别为单个点。Velodyne Puck 的 32 线、水平 0.2° 在 200m 处只有 4-5 个点打在一个行人身上，需要识别算法的精心设计。Luminar Iris 这样的可变分辨率型会在感兴趣区域密集到 0.05°。