企业官网建设流程全解析

激光雷达这三个字，这几年出现频率高得离谱。扫地机器人拿它做导航，自动驾驶拿它做感知主传感器，无人机拿它定高避障，测绘行业拿它做三维重建，连手机上都短暂出现过它的身影。但真要问一句"它到底是怎么把一束光变成点云里那串三维坐标的"，能把链路讲完整的人其实不多。大部分资料要么停留在"发射激光、接收回波、算时间"这种三句话版本，要么直接跳到SLAM算法上去，中间那段最关键的——测距体制怎么选、扫描机构怎么转、探测器凭什么是那个型号、点云里的畸变从哪来——全被跳过去了。

我写这篇东西的目的，就是把激光雷达的工作原理从头到尾拆一遍。不假设你有光学背景，也不回避那些真正决定性能的参数计算。看完之后你应该能做到几件事：拿到一份激光雷达规格书，知道哪些指标是硬指标、哪些是话术；知道905nm和1550nm的取舍到底卡在哪里；知道为什么同样叫激光雷达，机械式和MEMS式的点云质量完全不是一个东西；也知道在Linux环境下把雷达跑起来、接进建图流程时，最容易在哪一步翻车。

内容会按"测距原理—扫描机构—光电与电路—数据处理—落地与排查"这个顺序推进，因为这就是一个雷达从光子打到目标到你在屏幕上看到点云的真实链路顺序。中间会穿插参数计算、实测经验和踩坑记录，适合刚入行的感知工程师、做机器人导航的同学，以及需要选型但被参数表绕晕的产品同学。

1. 先搞清楚激光雷达到底在输出什么

1.1 点云的本质是一堆带时间戳的极坐标测量值

很多人第一次打开点云文件，看到的是密密麻麻的点，直观感觉像是"拍了一张三维照片"。这个直觉会误导你。相机输出的是一张二维强度图，每个像素是一次曝光时间内光子积分的平均值；激光雷达输出的每一个点，本质上是一次独立的、离散的测距事件，它记录的是"在某个特定时刻，某个特定方向上，测到了一个距离值"。

所以一个点的完整信息至少包含四样东西：水平方位角、垂直俯仰角、距离值、时间戳。有些雷达还会附带回波强度（反射率）和多次回波编号。你在RViz里看到的xyz坐标，其实是雷达内部按自己的内参把这四个量转换出来的笛卡尔坐标。理解这一点非常关键，因为后面讲运动畸变、讲标定、讲多传感器融合的时候，你会发现所有问题的根源都在"每个点的时间戳都不一样"这件事上。

一台典型的机械式32线雷达，水平360度、垂直40度视场，10Hz帧率。它在0.1秒内要完成一整圈的扫描，每一圈里又细分出成千上万个测距事件。这些事件不是同时发生的，而是严格按时间顺序依次发生的。当雷达装在正在行驶的车上时，第一个点和最后一个点之间，车可能已经移动了半米。这就是为什么原始点云在快速行驶时看起来像"歪"的，必须做运动补偿。

1.2 它和相机、毫米波雷达各自的分工

先把定位说清楚。相机靠被动接收可见光成像，纹理和语义信息丰富，但深度信息是靠视差或者模型"猜"出来的，精度和可靠性都不稳定，逆光和大雾基本歇菜。毫米波雷达靠电磁波，穿透雨雾能力强，测速极其精准，但角分辨率差，几百块钱的毫米波雷达你很难让它分辨出路边两个紧挨着的行人。

激光雷达的位置在中间偏"几何"那一侧。它是主动发射、直接测距，深度信息是物理测量出来的，不是推算出来的，所以精度可以做到厘米级，角分辨率可以做到0.1度级别，能清晰勾勒出物体的轮廓。代价是：它依赖光路通畅，雨雾烟尘会带来严重干扰；它输出的是一堆无纹理的几何点，单靠它很难判断"这是一个人还是一根柱子"；而且成本、体积、寿命都比另外两个高。

理解了这三者的差异，你在做方案设计时就不会纠结"能不能只用一个"。目前主流的做法是激光雷达提供精确几何和轮廓，相机提供语义和纹理，毫米波提供全天候的测速冗余。激光雷达的工作原理决定了它的强项是几何精度，你把它的短板拿去和相机比语义，那是用错了工具。

1.3 为什么"工作原理"这件事值得深挖

有人会问，我直接用厂商提供的驱动和SDK不就行了，为什么要搞懂原理？因为实际工程中大量问题没法靠SDK解决。比如：为什么我的雷达在阳光直射下点云突然变稀？为什么对着玻璃幕墙扫出来一个洞？为什么两台北斗导航天线旁边那台雷达的强度值全是饱和的？为什么下雨天点云出现一圈一圈的"雨线"？为什么点云在转弯的时候车身轮廓被拉成了弧形？

这些问题全都能从原理层面找到解释和解决方向。知道测距是阈值检测，你就能理解为什么弱回波会被丢弃；知道探测器有死区时间，你就能理解为什么近距离会出现堆叠点；知道扫描是逐点串行的，你就能理解为什么快速旋转的物体边缘会拖影。原理不是学术装饰，它是你排查问题的坐标系。

2. 测距的底层逻辑：一束光打出去，怎么算出距离

2.1 脉冲飞行时间法：最主流也最直白的一条路

脉冲飞行时间法（Time of Flight，简称ToF，为了区分超声波通常叫dToF）是现在绝大多数车载、机器人激光雷达用的方案。逻辑一句话：发一个极短的激光脉冲出去，同时启动计时；光打到目标上反射回来，被探测器收到，停止计时；得到往返时间t，距离就是光速乘以时间再除以二。

公式很朴素：d = c · t / 2，其中c取3×10^8 m/s。但真正决定性能的是这个"t"能测到多准。我们做个小换算来建立量感：如果计时精度是1纳秒（1ns），对应距离误差是 c·1ns/2 = 0.15米。也就是说，你的时间测量电路只要有1ns的抖动，测距误差就有15厘米。想做到1厘米的测距精度，需要的时间测量精度是 2×0.01 / 3×10^8 ≈ 66.7皮秒。66皮秒是什么概念？光在66皮秒里只走了2厘米。

这就是为什么激光雷达的时间测量不用普通MCU的定时器，而是用专门的TDC（Time-to-Digital Converter，时间数字转换器）。TDC的实现方式有两种主流：一种是数字延迟线加游标法，用一串反相器或者专用延迟单元做精细刻度，分辨率可以到几十皮秒甚至更低；另一种是模拟斜坡法，让一个恒流源对一个电容充电，把时间间隔转换成电压幅度，再用ADC采样。前者一致性好、抗温漂设计复杂，后者电路简单、但线性度受电容和电流源精度影响。

注意：测距精度和重复精度是两码事。规格书上的"精度±2cm"通常指与真值的偏差，"重复精度±5mm"指同一目标多次测量的标准差。做标定的时候要分清这两个指标，前者靠内参标定修正，后者是硬件决定的噪声底。

除了计时精度，脉冲本身的宽度也很要命。如果脉宽是10ns，那么回波波形本身就展宽了10ns，前沿触发和后沿触发得到的时刻不一样，测距就带了系统性偏移。所以发射脉冲通常压到3到6纳秒，驱动电路要用氮化镓或者碳化硅器件配合极短走线，把寄生电感压到最低。这也是为什么雷达的发射板看起来比接收板"讲究"得多。

2.2 相位差法与三角测距：便宜方案的取舍

不是所有激光雷达都走ToF路线。早期扫地机器人和低成本避障模块大量用的是三角测距，原理是激光器发射一束光，打到目标后在接收端的线阵图像传感器（比如CCD或者CMOS线阵）上形成一个光斑，目标越远，光斑在传感器上的位置偏移越小。基线长度b、接收透镜焦距f、光斑位移x，距离满足 d = b·f / x。

三角测距的优势是结构简单、成本极低、近距离精度高，几十块钱就能做出来。缺点也很明显：精度随距离衰减得非常快，因为x的分母在变小，测距误差被放大；量程通常只有几米；而且对光斑中心提取精度依赖大，强环境光下几乎失效。扫地机器人用它是因为工作距离本来就短，而且成本敏感。

相位差法用的是连续调制而不是脉冲。激光器发出的是经过正弦（或者方波）幅度调制的连续光，回波和发射信号之间会产生一个相位差Δφ，距离和相位差的关系是 d = (Δφ / 2π) · (λ_mod / 2)，其中λ_mod是调制波长。问题是相位只在一个周期内有效，超过一个调制波长就出现多值的模糊，所以工程上用多个不同调制频率组合来解算，用低频保证量程、用高频保证精度。

相位法在中近距离测距仪、工业测量领域用得很多，优点是可以用连续光，平均功率低、峰值功率低，对器件要求不那么极端。缺点是要连续调制、解模糊算法复杂、动态场景下容易出错，而且它的测量是"积分性质"的，一个测量周期内目标移动了就会污染结果。

2.3 FMCW调频连续波：顺带把速度也测了

FMCW（Frequency Modulated Continuous Wave，调频连续波）是这十几年的热门方向。它发射的是频率随时间线性扫频的连续光，回波因为往返延迟，和本地参考光之间存在一个频率差，这个差值叫拍频。距离和拍频的关系大致是 f_beat = 2·B·R / (c·T)，其中B是扫频带宽、T是扫频周期。

FMCW的核心优势有三个：第一，它是相干探测，本质上是把回波光和参考光做干涉，等效于一个极窄带的滤波器，环境光干扰几乎被完全抑制，抗阳光能力远超脉冲体制；第二，如果目标还在运动，回波会叠加一个多普勒频移，拍频里同时包含了距离和速度信息，一次测量就能得到瞬时径向速度，这对区分静止物体和运动物体价值极大；第三，因为它不需要高峰值功率脉冲，单光子能量利用效率高，理论上可以做得更省功耗。

代价也很实在。它需要窄线宽、频率可线性调谐的激光源，通常用外腔半导体激光器或者集成光子芯片上的可调激光器；需要相干接收、需要平衡探测器、需要对激光的相位噪声和扫频非线性做校正。整个光路复杂度和成本都明显高于脉冲体制。目前FMCW在部分高端车载雷达和科研场景有落地，但大规模铺开还在路上。

2.4 关键参数怎么反推：一张能直接用的计算表

理论讲完，落到选型上你会遇到一堆互相牵制的参数。我整理了一张计算关系表，这些都是我实际做方案评估时会算的：

最后一行值得单独说。点云密度随距离平方衰减是几何决定的，不是设计缺陷。假设雷达在10米处每平方米有1000个点，那到30米处就只剩大约111个点。所以你在规格书里看到的"探测距离250m"和"在250m处能分辨行人"完全是两回事，后者需要看的是点密度和角分辨率能不能在目标上落下足够多的点。一般来说，要可靠识别一个行人轮廓，目标上至少需要十几个点；识别车辆轮廓大概需要几十个点。拿这个标准去反推有效识别距离，比直接信标称值靠谱得多。

3. 扫描机构拆解：机械、MEMS、转镜、固态四条路线

3.1 机械旋转式：性能天花板，但寿命是硬伤

机械旋转式是最早普及的形态，雷达内部有一个旋转的头部，发射和接收模块装在转子上，电机带动它360度旋转。因为是物理旋转，所以水平视场天然是完整360度，不需要任何光学扩展，光路的能量利用效率也最高。

这类雷达的点云质量在四条路线里通常是最好的：水平角分辨率均匀、垂直视场可以靠堆叠线数解决、测距能力也是同类里最强的。但它有两个绕不开的问题。第一是机械磨损，轴承和滑环是寿命瓶颈，早期产品的标称寿命普遍在几千小时量级，而车规要求通常是几万小时。第二是成本和体积，转子要做动平衡、要做密封、要防振动，装配精度要求高，很难把单价压下来。

另外还有一个工程上经常被忽略的点：机械旋转雷达在旋转过程中，由于离心力和振动，光路的对准会发生微小变化，这会导致测距出现周期性的系统误差。高端的机械雷达会在内部做实时角度校正，低端产品就只能靠外参标定勉强糊过去，你在点云上看会表现为墙面出现细微的"波浪"。判断一台机械雷达品质好坏，一个简单方法就是对着一面平整的墙静止扫描几秒，把点云拟合成平面看残差。

3.2 MEMS微振镜与转镜：用光学方式造出扫描

MEMS方案的核心是把机械旋转换成了微米尺度的振镜。一块硅基微镜通过静电或者电磁驱动做谐振摆动，激光束打在这面镜子上被反射出去，镜子的角度变化就形成了扫描。因为镜片质量极小，谐振频率可以做到几千赫兹，扫描速度很快，而且没有轴承磨损问题，寿命和可靠性大幅提升。

代价是视场角受限。MEMS镜的摆动角度一般只有十几到二十几度，所以水平视场通常做到120度左右，达不到360度。为了弥补，很多MEMS雷达会用一维MEMS扫水平、再用垂直方向的一维线阵探测器或者另一维扫描来覆盖垂直视场，形成一个二维扫描图案。这种"混合扫描"的图案往往不是均匀栅格，中间密边缘疏，做点云处理的时候要注意这个非均匀性，直接用均匀栅格假设去做最近邻搜索会有偏差。

转镜方案是另一种思路。它用多面棱镜或者转镜做一维高速旋转扫描，另一维靠垂直排列的激光器阵列和探测器阵列一次性覆盖。这个方案的好处是：垂直方向的线数是靠器件阵列堆出来的，不依赖扫描机构的精度，所以垂直角分辨率可以做得比较细；水平方向用转镜扫，转速稳定、没有滑环、可以做到很高的可靠性。目前不少量产车载雷达走的就是这条路，把垂直视场做到25度到40度，水平120度，兼顾了成本和性能。

实操心得：转镜和MEMS雷达的点云在垂直方向上通常是"非均匀分布"的，中间几线密、上下几线疏。做地面分割的时候，如果按固定线号去取地面点，很容易在远端把地面点误判成障碍。稳妥的做法是先把点云按垂直角度分箱，每个箱里单独做地面拟合。

3.3 固态路线：OPA与Flash的现状

固态雷达的目标是彻底去掉任何运动部件。目前主要有两条路。

一条是OPA（Optical Phased Array，光学相控阵）。原理是通过调节阵列中每个发射单元的相位，让干涉后的光束在特定方向上增强，从而实现无机械运动的光束偏转。这个概念非常优雅，因为它等于用电子控制代替了机械扫描，扫描速度可以到微秒级。但工程难度极高：需要亚波长量级的相位控制精度，需要解决旁瓣抑制问题，需要大规模集成相位调制器和天线阵列，而且硅光工艺在1550nm波段的损耗和封装都是挑战。目前OPA还处在研发和早期验证阶段。

另一条是Flash，思路完全不同：不扫描，直接用一束大发散角的激光把整个视场一次性照亮，然后用面阵探测器同时接收所有方向的回波，像相机闪光灯一样"拍"一张三维图。它没有任何运动部件，可靠性极高，结构也简单。但它有两个物理上的硬限制：第一，发射能量被摊薄到整个视场，单位立体角的功率密度下降，导致探测距离短；第二，面阵探测器每个像素都要独立计时，像素规模和读出电路面积受限。所以Flash目前主要用在近距离补盲、室内机器人这类场景。

3.4 四条路线的对比与选择逻辑

把四条路线放在一起对比，选型逻辑就清楚了：

选择的核心不是"哪个先进"，而是"你的场景要什么"。做室内移动机器人，需要360度覆盖、成本敏感、速度慢，机械式或者双MEMS拼接都能用。做量产乘用车前向主雷达，需要120度、远距离、高可靠、可过车规，转镜或者MEMS更合适。做近场补盲，Flash方案的体积和可靠性优势就体现出来了。上来就追求"全固态"不一定对，得看你愿意为什么指标付代价。

4. 光学与电路端的核心件：波长、探测器、驱动

4.1 905nm和1550nm的取舍到底卡在哪

这两个波长是当前激光雷达最主流的选择，争议也最多。核心分歧在于人眼安全。

905nm属于近红外，人眼对这个波段的透射率还比较高，光会穿过角膜和晶状体到达视网膜并且被聚焦，视网膜上的功率密度被放大很多倍。所以按照IEC 60825-1这类通用安全标准，905nm的"最大允许曝光量"比较低，Class 1等级下能用的峰值功率受限，这直接限制了最远探测距离。

1550nm就不同了，这个波段的光在到达视网膜之前，大部分被角膜和晶状体的水分吸收掉了，视网膜上承受的功率密度大幅降低，允许的曝光量可以高出好几个数量级。这意味着同样的眼安全等级下，1550nm可以用大得多的发射功率，从而把探测距离做远。

但1550nm的代价也很实在。第一，硅基探测器在1550nm基本没有响应，必须换成铟镓砷（InGaAs）探测器，材料成本高、工艺成熟度不如硅。第二，1550nm的激光器通常是光纤激光器或者需要特殊的外延结构，成本比905nm的边发射激光器高。第三，光纤和光路器件的封装工艺要求更高。

所以这是一个典型的工程权衡：905nm成本低、供应链成熟，但受眼安全限制功率上不去；1550nm性能上限高，但成本高。前几年1550nm被炒得很热，但这几年随着905nm的方案在探测器灵敏度（比如SPAD阵列）和信号处理上不断优化，两者的实际差距在缩小。选型时不要迷信波长，要看同等眼安全等级下的实际探测能力。

注意：眼安全等级是针对整机评估的，和波长、脉宽、重复频率、发散角都相关。同样一个激光器，发散角调大之后安全等级会变好，但单位立体角的能量密度也下降了。规格书上的"Class 1"必须连同测试条件一起看，脱离条件的等级声明没有意义。

4.2 探测器：从PIN到APD再到SPAD

探测器是决定雷达灵敏度上限的器件，也是整个接收链路里最讲究的部分。

最基础的是PIN光电二极管。它工作在零偏或者反偏状态，没有内部增益，一个光子最多产生一个电子空穴对，输出电流极小。它的线性度最好、响应最快，但灵敏度最低，通常只在近距离或者强回波的场景下够用。

APD（雪崩光电二极管）在PIN的基础上加了内部增益。它工作在接近击穿电压的反偏区，光生载流子在强电场中获得足够能量去碰撞电离，产生雪崩倍增，增益可以做到几十到几百倍。这让它的等效灵敏度大幅提升，是目前脉冲ToF雷达最主流的探测器。但APD有两个麻烦：一是增益随温度变化剧烈，必须做温度补偿，通常是调节偏置电压；二是它的增益是线性的，输出幅度和光强成正比，所以需要高动态范围的模拟前端，否则强弱回波同时出现时会饱和。

SPAD（单光子雪崩二极管）是另一个思路。它工作在击穿电压之上，处于所谓的盖革模式，只要有一个光子触发，就会发生自持雪崩，输出一个幅度固定的脉冲。它本质上是一个数字器件：要么没响应，要么就输出一个标准脉冲。这让它不需要高精度模拟前端，而且理论上可以做到单光子级别的探测灵敏度。

SPAD的问题同样明显。第一，它有死区时间，一次雪崩发生后需要一段时间把偏压降下来淬灭，再恢复，这段时间通常是几纳秒到几十纳秒，期间它对任何光子都不响应。这意味着近距离强回波会让探测器"致盲"一段时间，形成近距盲区。第二，它有暗计数，即使没有光也会随机产生雪崩脉冲，形成噪声。第三，它容易发生串扰，一个像素的雪崩会诱发相邻像素误触发，所以要做像素隔离，工艺难度高。

SiPM是SPAD的阵列版本，把成百上千个SPAD微单元并联在一起。每个单元独立工作，输出信号是所有单元脉冲的叠加，幅度大致正比于同时触发的单元数，相当于恢复了一定的模拟特性。它的优点是可以在低压下工作、增益一致性比APD好、对磁场不敏感，缺点是暗计数会随单元数增加而累加，且有恢复时间带来的饱和问题。

实际选型时的一个经验：如果你追求远距离弱回波探测，SPAD/SiPM的方案配合多次累积统计（对同一方向发多个脉冲，统计光子到达时间分布，峰值得出距离）会有优势；如果你追求高精度和线性度，APD配合高动态范围模拟前端更稳。

4.3 发射驱动与时序：纳秒级脉冲是怎么打出来的

发射端看起来简单——给激光器一个电流脉冲就行了。但要在几纳秒内把电流从零升到几十安培，同时保证波形干净、抖动小，这里面的门道不比接收端少。

核心难点是回路电感。电流变化率di/dt越大，寄生电感上产生的电压尖峰就越高，会让脉冲变形甚至损坏器件。所以发射板的布局要走最短回路，使用低寄生电感的封装，驱动器通常用氮化镓或者碳化硅的功率器件，配合专门的栅极驱动芯片。去耦电容要贴着激光器放，容值要算够，否则脉冲后半段会掉。

时序控制也是关键。发射时刻和计时起点必须严格对齐，通常是发射驱动信号分出两路，一路去激光器，一路去TDC作为start信号。这两条路径的延时差必须在标定时测出来并且补偿掉，否则会引入固定的距离零偏。这就是为什么雷达出厂要做距离零偏标定，也是为什么换了发射板之后测距重新校准是必须的。

还有一个常被忽略的细节：脉冲重复频率（PRF）和最大无模糊距离是绑定的。R_max = c/(2·PRF)，如果PRF是1MHz，那么理论最大无模糊距离是150米；如果一个更远的目标回波在下一个脉冲发出之后才到达，它就会被错误地记录成近距离目标，形成所谓的"距离混叠"。工程上解决混叠靠两个办法：一是限制PRF保证量程，二是用非等间隔的脉冲间隔编码，让不同脉冲的回波可以通过时序模式被区分开来。这也是多雷达互扰抑制的常用手段。

4.4 环境光干扰与滤光片的必要性

白天的太阳光在905nm附近的辐射非常强。如果你的接收端不做任何带宽限制，太阳背景光产生的光电流可能远大于回波信号，直接把信噪比压到无法检测。

解决方案是窄带滤光片。在探测器前面加一片带通滤光片，中心波长对准激光波长，带宽通常做到10nm到30nm。这样一来，窗口内的太阳背景光被大幅削减，回波信号被保留。滤光片的关键指标是中心波长随温度的漂移和角度漂移：入射角变化10度，中心波长可能偏移好几个纳米。如果滤光片的带宽太窄，而激光器的波长又随温度漂移，就有可能出现"激光波长跑出滤光窗口"的灾难性故障，表现为高温下测距能力突然大幅下降。所以带宽的选择要同时考虑激光器的温漂范围和滤光片的角度漂移。

除了滤光片，还可以用时间门控。因为回波的到达时刻是已知范围内的，只在与预期距离对应的时间窗口内开启探测器，窗口外的环境光就不参与积分。这个技术对SPAD类探测器尤其有效，可以显著降低背景光引起的误触发率。

5. 从原始回波到可用点云：数据处理链路

5.1 时间数字转换、多回波与强度计算

原始的回波信号进入接收链路之后，第一道处理是波形检测和时刻鉴别。最常用的方法是阈值检测，即信号超过某个阈值就认为检测到一个回波，取过阈时刻作为到达时间。阈值可以是固定的，也可以做恒虚警率（CFAR）自适应，后者在环境光变化剧烈的场景下更稳。

问题是，同一个脉冲可能产生多个回波。激光打到玻璃上，一部分在玻璃表面反射，一部分穿过去打到后面的物体再反射回来，接收端就会收到两个脉冲。打到树叶、雨滴、电线这类细小目标时，也会出现部分遮挡导致的多回波。所以现代雷达会记录多回波信息，通常标记为最强回波和最后回波，或者记录前N个回波。选择最后回波的好处是可以"看穿"雨雾和树叶，看到后面的真实目标；选择最强回波的好处是轮廓更清晰。实测中这两种模式常常需要根据场景切换，甚至同时输出两套点云。

强度值（intensity）是另一个重要输出。它本质上反映的是回波功率，受目标反射率、距离平方衰减、入射角余弦、大气衰减共同影响。想用强度做材质区分，必须先做距离和入射角归一化，否则同一块白墙在近处和远处的强度值会差几十倍。归一化之后，不同材质的反射率差异才显现出来，沥青路面、水泥、金属、反光标识的强度分布差别很显著，这在做可行驶区域分割时非常好用。

5.2 标定、运动补偿与去畸变

前面反复提到"每个点的时间戳不同"，现在到还债的时候了。一台旋转雷达扫描一圈需要100毫秒，如果载体在运动，同一圈内的点在空间上并不落在同一个位姿下。如果你直接把所有点按同一个位姿转换到全局坐标系，转弯时就会出现明显的弧形扭曲。

运动补偿的做法是：为每个点记录精确的时间戳，然后通过IMU和轮速里程计插值出该时刻的载体位姿，把每个点单独变换到统一时刻的坐标系下。这就是所谓的去畸变。对低速机器人而言，这个问题不严重，可以直接忽略；对高速车辆，不去畸变的点云在转弯时会把直墙扫成弯墙，直接影响后续的特征匹配精度。

标定分内参和外参两层。内参标定解决的是雷达自身的参数：每条激光线的垂直角度、水平角度偏移、距离零偏、以及不同线之间的延时。内参不准的直接表现是点云里的直线不是直线，而是分层的折线。外参标定解决的是雷达和其他传感器之间的相对位姿。外参标定最常用的方法是对着已知几何的目标（比如墙角、标定板）做优化，或者用运动轨迹做手眼标定。

实操心得：外参标定做完之后一定要做验证，方法是选一个外形明显、位置固定的目标（比如一根电线杆），在融合后的结果里检查雷达点和相机投影是否对齐。我曾经遇到过外参标定收敛得很好但实际偏差5度的案例，原因是标定时车辆载重和平时不一样，悬架高度变了。标定完成后在真实载荷状态下复验，这一步不能省。

5.3 点云落到ROS2与建图流程里

理论讲够了，说说落地。以ROS2环境为例，把激光雷达接进建图流程大致要走这几步。

第一步是驱动和通信。大多数雷达通过网口输出UDP数据包，包里是按协议打包的方位角、距离、强度等信息。你要做的第一件事是确认网络配置：雷达通常有固定的IP和端口，主机需要设置同网段的地址，用ping确认链路连通，再看数据包能不能收到。

# 确认网卡与雷达同网段，检查链路 ip addr show ping -c 3 192.168.1.200 # 查看是否有UDP数据到达 sudo tcpdump -i eth0 udp port 2368 -c 20

如果ping通了但收不到包，多半是端口或者组播配置的问题；如果能收到包但驱动解析不出点云，那就是协议版本或者时间戳格式的问题。这一步的排查顺序很重要，先物理链路，再网络层，最后才是驱动层，不要一上来就怀疑驱动。

第二步是把点云转换成SLAM算法能吃的格式。三维SLAM可以直接用点云，但二维SLAM（比如在平面场景下的Cartographer二维模式）需要的是LaserScan消息。这时候要用pointcloud_to_laserscan节点，把三维点云在一个高度区间内投影成一条二维扫描线。

# pointcloud_to_laserscan 关键参数说明 min_height: -0.3 # 低于此高度的点丢弃，通常设在地面以下 max_height: 0.5 # 高于此高度的点丢弃，避免把天花板当障碍 angle_min: -3.14159 # 扫描起始角，覆盖360度 angle_max: 3.14159 angle_increment: 0.0087 # 0.5度一个扇区，和雷达角分辨率匹配 scan_time: 0.1 # 10Hz匹配雷达帧率 range_min: 0.3 # 近距盲区，低于此值不输出 range_max: 30.0 # 超过此值丢弃，远端点太稀 target_frame: base_link

这里面最容易被忽略的是高度区间的选择。区间设得太宽，会把地面起伏和悬挂物全都当成障碍；设得太窄，一个斜坡上的障碍物就漏掉了。我的习惯是先看原始点云的高度分布直方图，找到地面点集中的高度带，然后把区间设在地面上方0.1米到0.5米左右，实际再根据机器人高度调。

第三步是SLAM配置。二维码制建图常用的是Cartographer，关键参数集中在trajectory_builder里。常见的配置要点：min_range要和雷达盲区匹配，设得比实际盲区小会导致雷达自身的结构被当成障碍；missing_data_ray_length决定了空区域被清空的长度，设得太大回环会有问题，设得太小地图上会残留旧的障碍；submaps.num_range_data控制一个子图包含多少帧，太多会导致子图内部漂移，太少会导致子图之间频繁优化；另外就是use_imu_data，如果雷达帧率高且角速度变化不快，可以先用纯激光模式跑通，再引入IMU。

-- 二维建图的典型起始配置 TRAJECTORY_BUILDER_2D.min_range = 0.3 TRAJECTORY_BUILDER_2D.max_range = 30. TRAJECTORY_BUILDER_2D.missing_data_ray_length = 5. TRAJECTORY_BUILDER_2D.use_imu_data = false TRAJECTORY_BUILDER_2D.num_accumulated_range_data = 1 TRAJECTORY_BUILDER_2D.submaps.num_range_data = 90 TRAJECTORY_BUILDER_2D.ceres_scan_matcher.occupied_space_weight = 1. TRAJECTORY_BUILDER_2D.motion_filter.max_angle_radians = math.rad(0.2)

第四步是保存地图。二维栅格地图的落盘有两种做法：一种是让节点在结束时自动保存pbstream，再用转换工具导出成pgm加yaml；另一种是直接调用地图序列化服务。pbstream里保存了完整的轨迹和子图信息，后续可以继续基于它做定位，比单纯的pgm更完整。

# 结束建图时保存状态文件，再转换成栅格地图 ros2 run cartographer_ros cartographer_pbstream_to_ros_map \ -pbstream_filename=./map.pbstream \ -map_filestem=./map

这套流程我跑过很多次，最常见的问题不是算法参数，而是前面的数据质量。如果原始点云里就有大量噪点、丢帧或者时间戳错乱，后面怎么调参数都是治标不治本。所以在调SLAM之前，先用RViz把原始点云一段一段看清楚，确认没有异常，这一步的时间投入是值得的。

6. 实测中最容易踩的坑与排查速查表

6.1 环境与目标引起的异常点云

雨天是最经典的坑。雨滴本身是散射体，激光打到雨滴会有回波，于是点云里会出现在空中悬浮的对点点，距离越远越明显，看起来像一圈圈毛刺。解决办法通常是三重：一是用多回波，取最后回波，雨滴体积小、回波靠前，最后回波往往属于真实目标；二是按强度过滤，雨滴回波强度分布和实体目标不同；三是按高度过滤，地面附近的雨滴点可以直接裁掉。还有一个补充办法是短时多帧累积，雨滴是运动的，实体目标相对静止，累积后雨滴点因位置不稳定会被削弱。

玻璃和镜面是另一个极端。普通玻璃对905nm的反射率很低，大部分光透射过去，导致回波极其微弱甚至检测不到，点云上表现为一个"洞"。但对贴了反光膜的玻璃或者金属镜面，又会出现相反的情况：回波太强，强度值饱和，而且因为镜面反射方向性强，某些角度下会出现完全虚假的远距离点。工程上的应对是检测点的入射角，对超过一定角度且强度异常的孤立点做剔除。

低反射率目标同样麻烦。黑色车漆、沥青路面、深色织物的反射率只有百分之几，回波功率大幅下降，导致这些地方的测距距离明显缩短。这就是规格书里"探测距离"通常标注在10%反射率条件下的原因，和90%反射率（白板）条件下的数值差别可能超过一倍。做覆盖评估时一定要用10%那档数据，用白板数据去评估实际道路表现会严重乐观。

6.2 数据链路与驱动层的典型故障

点云出现扇形缺口、帧率不稳定、偶尔丢一整帧，这类问题九成出在传输链路上。UDP本身不保证可靠传输，网络拥塞、交换机缓冲溢出、网卡中断处理不及时都会导致丢包。排查顺序是先把雷达直连主机，绕过交换机验证；如果没有问题，再逐步加回网络设备。检查丢包可以直接统计每秒收到的数据包数和雷达标称的包速率对比，差的百分比就是丢包率。

时间戳问题也很常见。如果雷达的时间戳用的是自己内部的时钟，和主机时钟不同步，那么融合时点云的位置就会有偏差。解决办法是配置PTP精确时间协议，或者用外部PPS加串口时间报文做同步。做多传感器融合之前，建议先花时间把时间同步做到毫秒以内，否则后面所有的融合调试都会在错误的基础上进行。

驱动版本和固件版本的匹配也值得提一句。同一款雷达不同批次的固件可能改了数据包格式或者增加了新的字段，老版本驱动解析新固件的数据包，通常不会报错，但会静默地错位解析，表现为点云的形状看起来很怪但又不是完全乱。遇到"点云看起来像被揉皱了"的情况，先确认固件和驱动版本匹配，这比调参数有效得多。

6.3 问题速查表

把上面这些整理成一张可以直接对照的表：

7. 选型与验证的实操建议

7.1 看规格书时该盯住哪几个指标

规格书里最容易被拿来营销的是"最大探测距离"。这个数字通常在最理想的条件下测得——高反射率目标、低环境光、常温。真正需要盯的是这几个：10%反射率下的探测距离，这个决定你在实际道路上的有效感知范围；角分辨率，尤其是垂直角分辨率，它直接决定你能不能分辨远处的人形轮廓；近距盲区，很多雷达盲区在0.3到0.5米，如果你的机器人贴墙作业，这个数字很关键；抗环境光能力，通常标"在100klx照度下性能衰减不超过多少"，这个数字决定了白天中午的表现；帧率与点频的匹配，高帧率但低点频意味着每帧点很少，噪声会更明显。

另外一个容易被忽略但很实际的是时间同步接口。有没有PPS输入、支持不支持PTP、有没有硬件触发引脚，这些决定了你在多传感器系统里能不能做到精确同步。有些低成本雷达完全没有同步接口，只能靠软件打时间戳，那么融合精度上限就很低。

7.2 快速验证一台雷达能不能用的三个土办法

买回来或者拿到样机，别急着装车装机器人，先做三个简单验证。

第一，测距一致性验证。找一个室内走廊，用卷尺量出几个已知距离，对着白墙静止扫描，看雷达测出来的距离和卷尺读数差多少。这个动作能验证测距精度和零偏是否正确。同时变化几个距离，如果误差是随距离线性增长的，说明存在标尺误差（时间基准不准）；如果是固定的常数偏移，说明是零偏问题，可以通过外参或者软件补偿。

第二，反射率响应验证。准备一块白板（高反射率）和一块黑色哑光板（低反射率），放在同一个距离，对比回波强度值和最大可测距离。这个测试能快速看出雷达的真实弱回波能力。如果黑板上直接测不到，那实际道路上的深色车辆和沥青路面会是你后续的主要问题来源。

第三，环境光验证。在正午阳光直射的户外，对着不同方向扫描，观察点云密度和最大距离的变化。特别注意逆光和顺光的差异，逆光时太阳背景光直接进入接收视场，是最严苛的工况。这个测试不需要任何仪器，但能非常直观地暴露雷达的抗光能力。

7.3 安装与长期使用中需要注意的细节

安装角度直接影响点云可用性。前向雷达通常略微下倾2到5度，让地面点落在视场下部，既能测到近处路沿又能保留远处的仰角余量。仰角设得太高，地面点太少，做地面分割会很难；俯角太大，天空区域被浪费，远距离目标落在视场上边缘之外。

散热是个长期容易被低估的问题。激光器和驱动电路的发热集中，旋转部分的散热路径又受结构限制。如果长期在高温环境下满负荷工作，探测器的温漂会导致增益下降，表现为工作一段时间后测距能力缓慢衰减。这种衰减是渐进的，很可能被误认为是脏污，实际上需要看温度曲线才能定位。

清洁维护也很重要。激光雷达的出光窗口如果积了灰尘或者油膜，光会被散射和衰减，表现和标定不准很像但又不是。定期用无尘布加酒精擦拭窗口，这个动作简单但能避免很多误判。我见过好几次"雷达坏了"最后发现是窗口上落了一层灰的案例。

我个人在实际使用中的体会是：激光雷达的性能表现，七分靠硬件底子，三分靠数据链路上的细节处理。同一台雷达，时间同步做好、去畸变做对、安装角度调准，出来的点云质量和直接用驱动默认配置相比，完全是两个观感。很多人一遇到点云不理想就去换雷达，其实先回头看看时间戳、看看标定、看看安装角度，往往问题就解决了。