激光雷达作为智能驾驶技术发展的重要基石，其技术路线的选择不仅决定了产品的性能和适用性，更反映了行业对成 本、可靠性和量产能力的权衡。
激光雷达作为自动驾驶技术的重要感知组件，其核心作用是通过发射激光并接收反射信号，来生成精确的三维环境数 据。根据技术路线的不同，激光雷达可以分为 ToF（Time of Flight，飞行时间）和 FMCW（Frequency-Modulated Continuous Wave，频率调制连续波）两种测距技术。 ToF 利用光速与时间差的关系，计算光脉冲从发射到接收的飞行时间，推算目标距离。测量激光脉冲从激光器到待测 目标之间的往返时间 T，即可得到目标距离 S=cT/2，其中 c 为光在空气中的传播速度。其实现原理相对简单，且技术 成熟，是目前车载激光雷达的主流方案，广泛应用于量产车型。 FMCW 激光雷达技术因其独特的测距和测速能力，近年来成为激光雷达研究领域的重点方向。与 ToF 技术不同，FMCW 利用频率调制的连续波信号，不仅可以实现距离的精确测量，还可以获取目标的速度信息，从而为更复杂的动态环境 提供支持。
激光雷达作为环境感知的核心工具，其性能高度依赖于结构设计的协同作用。从基础功能出发，它可以分为发射、扫 描、接收和控制四大模块。每一模块都代表着技术发展的一个方向，而它们之间的配合直接决定了激光雷达在不同应 用场景中的表现。
发射模块：技术路径与波长选择
发射模块的任务是产生高质量的激光束，其性能直接决定了激光雷达的测距范围和精度。目前，发射模块的激光器以 边发射激光器（EEL）为主流，同时垂直腔面发射激光器（VCSEL）和光纤激光器也在特定场景中逐渐得到应用。 905nm 波长是当前主流选择。EEL 激光器使用 905nm 波长光源是当前主流方案，这一波长在成本和性能之间达到了较 好的平衡，适用于中短距离探测。光纤激光器通常采用 1550nm 波长光源，具有更高的功率输出和更长的探测距离， 但成本较高，主要用于高端自动驾驶场景。
扫描模块：从机械走向固态
在激光雷达的发展历程中，扫描模块是最能体现技术进化的环节。从机械式到混合固态，再到纯固态，扫描技术的演 变不仅仅是技术的突破，更是市场需求和成本压力的博弈。
机械式：技术的起点，市场的退场者。机械式激光雷达通过旋转部件实现全景扫描，是行业技术发展的开端。其高精度、多目标检测能力为高精度地图采集和早期自动驾驶研发提供了有力支持。然而，随着车规级市场对成本、 体积和可靠性的要求不断提高，机械式逐渐显现出“体积庞大”“高成本”“低可靠性”的问题。当前，这一技术 主要应用于科研测试和特定工业场景。
混合固态：性能与经济性的平衡之道。混合固态技术通过减少机械部件并结合固态扫描技术，实现了性能、可靠 性和成本的均衡。特别是一维转镜方案，凭借其稳定的性能与较低的制造成本，在 L3-L4 级别自动驾驶车型中广 泛应用。与此同时，MEMS 微振镜技术逐渐获得高端市场的青睐，其轻量化和低功耗特性为新能源车市场提供了新 的选择。 当前，混合固态激光雷达已成为 20-40 万价格区间乘用车市场的主力方案，在辅助驾驶与部分高级自动驾驶场景 中扮演重要角色。
纯固态：高级别自动驾驶的未来支柱。纯固态激光雷达通过彻底去除机械部件，实现了体积小、可靠性高的设计 目标。其核心技术包括光学相控阵（OPA）和 Flash 泛光技术，具备超高速扫描与动态目标探测能力。然而，当 前技术瓶颈主要集中在制造工艺复杂和高成本上，短期内难以进入大规模量产阶段。随着技术突破和成本下降， 纯固态激光雷达将在未来 5-10 年内逐步进入高级自动驾驶（L4-L5 级别）市场，并在机器人和无人机领域展现 潜力。
3接收模块：探测灵敏度的决胜点
接收模块的任务是将目标反射的激光信号转化为可处理的电子信号，其灵敏度和可靠性直接影响激光雷达的探测能力。 根据信通院报告，目前的接收技术主要集中在以下几种探测器上：
雪崩光电二极管（APD）：APD 因其高灵敏度和高速响应，成为车载激光雷达的主流选择。其稳定性和性价比使其 广泛应用于 L2-L4 级别的自动驾驶场景。
单光子雪崩二极管（SPAD）：SPAD 能够探测单个光子信号，在极低光条件下表现突出，但其高成本限制了其在量 产产品中的应用。
硅光电倍增管（SiPM）：SiPM 的灵敏度和动态范围更高，适合高性能需求的场景，但成本相对较高。 APD 探测器因其性能和成本的平衡性，仍将在车规级产品中长期占据主流地位。
控制模块：数据处理与智能化的核心
控制模块作为激光雷达的“大脑”，负责信号处理、数据分析和系统控制。其核心是高性能的处理器和算法，实现对海 量点云数据的实时处理和解算，当前主要包括 FPGA、ASIC、SoC 三类：
FPGA（现场可编程门阵列）：具有高度灵活性和并行处理能力，适用于原型开发和功能验证。但 FPGA 成本较高， 功耗较大，不利于大规模量产。
ASIC（专用集成电路）：针对特定功能优化，具有高性能、低功耗的优势，适合量产应用。但开发周期长，缺乏 灵活性。
SoC（系统级芯片）：将处理器、存储器和接口集成在单一芯片上，实现高集成度和低功耗。SoC 的应用有助于降 低系统复杂度和成本。
激光雷达的四大模块相互关联，共同决定了整机性能和应用效果。905nm 波长的激光器与一维转镜扫描方案的组合， 在当前技术条件下，实现了性能、成本和可靠性的最佳平衡，成为主流的技术路线选择。 然而，随着自动驾驶技术的发展，对激光雷达性能的要求不断提升，各模块仍有巨大的改进空间。发射模块需要在功 率和成本之间取得更好的平衡；扫描模块期待纯固态技术的突破；接收模块需要提升探测器性能并降低成本；控制模 块则需要更强大的数据处理能力和智能化水平。 未来，激光雷达技术的升级将更多地依赖于各模块的协同创新。只有在整体架构上实现优化，才能满足高级自动驾驶 对高性能感知系统的需求，引领行业发展。
分辨率、探测距离、扫描频率和视场角（FOV）四大参数，直接决定了激光雷达的感知能力、场景适配性和市场定位。 不同供应商在技术参数上的差异，也塑造了当前激光雷达市场的竞争格局。
分辨率：点云密度与细节还原能力
分辨率是一项极具市场敏感度的参数，消费者可能并不了解点云密度的具体技术细节，但他们能感受到激光雷达对物 体轮廓和细节的还原能力。高分辨率的激光雷达往往能够更精准地捕捉行人、车辆以及路面的微小细节。 禾赛科技的 AT128 凭借 128 线的高分辨率在高端市场脱颖而出，其细腻的点云输出为理想 L7、L8 等车型的复杂场景 感知提供了精确支持。而速腾聚创的 M1 系列则以 64 线为主，满足了问界 M7、极氪 001 等中端市场对性价比的需求。 相比之下，图达通的 Falcon 虽然以 120°的宽视场著称，但其点云密度在分辨率上表现一般。 高分辨率的激光雷达在动态场景中表现优异，但对于某些高速场景，点云密度的提升可能因计算成本的增加而受到限 制。未来，分辨率的竞争将逐步从“线数的堆叠”向“点云优化分布”演进，为更高效的环境感知提供支持。
探测距离：谁的视野更远?
探测距离不仅影响自动驾驶系统的提前响应能力，也决定了其是否适合高速场景和复杂环境感知。特别是在高速公路 场景下，探测距离的不足可能直接导致安全隐患。 当前，混合固态激光雷达已经能够稳定实现 200 米以上的探测距离。例如，速腾聚创的 M1P 在问界 M7 和极氪 001 等 车型中的应用，验证了其在高速场景中的可靠性能。与此同时，禾赛科技的 AT128 将探测距离提升至 250 米（见上 表），为 L4 级自动驾驶的提前预判提供了更高的安全冗余。 300 米以上探测范围将是下一阶段的重点突破方向。这一目标的实现不仅依赖于光源功率的提升，还需要在信号接收 灵敏度和环境干扰处理能力上取得进展。
扫描频率：动态感知的“快与慢”
一维转镜技术的扫描频率通常在 10-20Hz 之间，适用于主流辅助驾驶场景。而 MEMS 技术凭借其高频扫描能力（可达50Hz），在动态目标检测中更具优势。例如，禾赛科技的高频 MEMS 方案在城市道路的动态测试中表现优异。而纯固态 Flash 技术通过全视场同步扫描，将频率与覆盖范围结合，展现了更高的理论潜力。 高频扫描需要克服硬件功耗和热管理问题，同时在快速动态响应中保持点云质量。未来可能通过与其他传感器（如毫 米波雷达）的数据融合，缓解单一设备性能的局限性。
视场角（FOV）：横纵视野的取舍
视场角决定了激光雷达对环境的覆盖范围，尤其在城市路口和狭窄道路等复杂场景中，广视场角有助于减少感知盲区。 禾赛科技的 AT128 提供了 120°水平视场和 25°垂直视场的设计，兼顾了感知广度与点云密度，在城市道路和高速场 景中表现良好。 未来，激光雷达可能通过动态调节视场角的技术，实现宽视场和聚焦视场的智能切换。例如，在车辆转弯或进入交叉 路口时，扩大水平视场以增强安全性；而在直线路段，则集中点云密度于前方目标。
