對于自動駕駛汽車來說，搭載在車頂和車身周圍的激光雷達(LiDAR)已成為環(huán)境感知的“眼睛”。激光雷達之所以被廣泛采用，是因為它能夠快速、準確地捕捉周圍物體并生成三維點云，為車輛規(guī)劃行駛路線提供關鍵數(shù)據(jù)。任何一個激光雷達，首先要做的就是發(fā)射和接收光信號。它會通過激光發(fā)射模塊不斷地向四周掃描，發(fā)出成千上萬束激光脈沖或連續(xù)調制的光線，光束遇到障礙物后會被反射回來，再由接收模塊捕獲。這些往返的時間差，便是激光雷達測距的核心指標——飛行時間(ToF)，還有某些先進設備通過比較發(fā)射光與回波光的頻率差(FMCW技術)來計算距離和速度。為實現(xiàn)對整個周邊環(huán)境的覆蓋，傳統(tǒng)方案往往讓激光器安裝在一個能夠高速旋轉的支架上，不斷掃過周圍360度;新興固態(tài)相控陣方案則利用微機電系統(tǒng)或光學相控陣元件，無需機械運動便可完成大角度掃描。

　　激光雷達的硬件主要分成發(fā)射、接收、掃描和處理四大部分。發(fā)射單元需要一個能夠輸出穩(wěn)定脈沖或線性調頻光源的激光器;接收端則搭配高靈敏度的光電探測器，用來捕捉回波信號;光學系統(tǒng)中的透鏡和反射鏡負責將光束聚焦并調整方向;最后由信號處理單元將采樣到的電信號轉換成數(shù)字數(shù)據(jù)，經過濾波、峰值檢測和算法計算后，拼湊成一幅幅精細的三維點云圖。對自動駕駛車輛而言，這些點云圖是識別行人、自行車、車輛、路沿和交通標志的基礎。

　　激光雷達構成

　　當車流量不高時，每一臺激光雷達都在相對“清凈”的環(huán)境中工作，它發(fā)出的光脈沖絕大部分都會擊中真實障礙物后返回，數(shù)據(jù)質量很高。但如果路上出現(xiàn)了多臺近距離行駛且都在發(fā)射相似波長、相似調制方式的激光，有時一個設備發(fā)出的光脈沖會恰好在另一臺接收器的采樣窗口內被誤當成自身回波，產生虛假的測距結果。更直白地說，A汽車發(fā)的脈沖恰好落在B汽車的“收聽”周期里，B就會把A發(fā)的信號識別成路面或障礙物返回的信號。類似情況在FMCW型激光雷達中也會出現(xiàn)，當兩臺設備的調頻帶寬或起始頻率接近時，混頻后會產生多重頻差峰值，接收端很難分辨哪一個才是真正針對自己的目標。

　　在城市擁堵或紅綠燈前排隊等候的場景中，這種“串波”效應獲將尤其明顯。比如兩輛搭載激光雷達的自動駕駛汽車并排行駛時，如果它們的掃描角度重疊，A車前方的樹干產生的回波很可能被B車接收，這就會讓B車在自己的點云中看到多余的“樹叢”，影響對實際行人或車輛的識別和判斷。又或者在交叉口等待時，旁邊車輛的回波誤入本車點云，使得系統(tǒng)以為前方有人橫穿道路，從而激發(fā)不必要的急剎車。更嚴重的情況是，在擁擠的隧道或多層停車場里，多路徑回波也會被相互疊加，這將給算法濾波帶來更大挑戰(zhàn)。

　　激光雷達之間產生干擾的原因，其實可以歸結為頻率、時間和空間三方面的重疊。激光器的波長往往集中在905nm或1550nm兩個波段，即使廠家在出廠調校時稍有差異，由于接收器帶寬較寬，還是能捕捉到相鄰波長的光子。不同設備如果沒有精準同步發(fā)射時序，也很容易出現(xiàn)脈沖或者調頻信號在時間上互相“撞車”。此外，掃描方向如果對不上角度，彼此發(fā)射的光束就會在空間中重疊，一個設備的光束就恰好也在另一個設備的視野內被接收。

　　若搭載激光雷達的汽車出現(xiàn)上述情況，將可能導致嚴重的后果。首先是虛警率上升，也就是系統(tǒng)會把不存在的物體當真，出現(xiàn)過多的“假障礙”，這會降低自動駕駛系統(tǒng)對真實障礙的響應速度，甚至導致不必要的急?；蚶@行。其次是漏檢風險，真正存在的行人、車輛或障礙在一片雜亂的點云噪聲中，很容易被淹沒，算法無法精確提取，進而無法及時作出避讓決策。更深層次的隱患在于，激光雷達數(shù)據(jù)往往和攝像頭、毫米波雷達等多傳感器融合，如果LiDAR數(shù)據(jù)質量持續(xù)不穩(wěn)定，將影響整個感知鏈路的可靠性。

　　對于這個問題，業(yè)界已經在硬件和軟件層面展開了多管齊下的攻關。一些廠商嘗試在不同波長或不同調制帶寬之間進行頻域隔離，讓相鄰車輛的信號在頻率上互不重疊;也有人推廣基于衛(wèi)星定位(GNSS)或車聯(lián)網(V2V)通信的時間同步方案，將不同車輛的發(fā)射時隙嚴格錯峰，確保任何時刻同一區(qū)域內只有少數(shù)幾輛車在同一時段發(fā)射。固態(tài)相控陣LiDAR的出現(xiàn)，為空間隔離提供了更多可能，通過電子方式改變光束指向，在保證關鍵方向高分辨率的同時，對其它方向的“入侵”信號進行衰減。

　　在軟件層面，也有技術提出運用編碼和匹配濾波技術，為每臺LiDAR的光脈沖或調頻信號加上專屬的“身份標記”。接收側只對帶有自己標記的信號進行解碼，其他帶有不同標記的信號就被當作噪聲剔除掉。這種思路與通信領域的CDMA(碼分多址)類似，但在光學域內實現(xiàn)對實時高頻信號的編碼解碼，對處理器性能提出了不小挑戰(zhàn)。此外，點云后處理算法也更加智能化，通過機器學習模型在線識別潛在的串擾點云，將可疑點云歸為“干擾”類別，并在融合其它傳感器數(shù)據(jù)后進行校正。

　　想要解決這個問題，除了依靠單車或單系統(tǒng)的改進外，車與車之間的協(xié)同也顯得尤為關鍵。借助高速低時延的C-V2X(蜂窩車聯(lián)網)或DSRC(專用短程通信)，不同車輛可以實時交換雷達狀態(tài)和時隙安排，一旦檢測到潛在的發(fā)射沖突，就能立刻通過網絡指令調節(jié)發(fā)射功率、改變發(fā)射時隙或調整掃描角度。這種集中式或分布式的資源調度，每輛車既能保持對周圍環(huán)境的高精度感知，又能避免對同伴造成“激光干擾”。

　　未來，激光雷達的抗干擾技術或將與整車智能化、一體化設計深度融合。光子集成芯片的不斷進步，將讓LiDAR芯片級別的小型化和低功耗成為可能，未來大規(guī)模裝車的成本也會大幅下降。車載中央處理單元(域控制器)將集成更強大的AI算力，能夠在毫秒級的時間尺度對多源數(shù)據(jù)進行融合、判別和校正，實時區(qū)分自家激光信號與他家信號，并動態(tài)調節(jié)發(fā)射參數(shù)。云端大數(shù)據(jù)平臺的崛起，能夠將各地道路上、各種路況下的雷達“實戰(zhàn)”數(shù)據(jù)進行匯聚與分析，為更新算法和優(yōu)化配置提供持續(xù)反饋。

　　當多輛自動駕駛汽車同時使用激光雷達時，確實存在相互干擾的可能，從而導致虛警、漏檢和感知失真等問題。但好在，無論是頻率和時序的隔離、編碼與解碼的抗干擾手段，還是車聯(lián)網的協(xié)同調度和后端智能算法，各種對策正在不斷成熟和落地。隨著技術和標準的不斷完善，激光雷達的抗干擾能力將得到顯著增強，進而為自動駕駛車輛提供更加可靠的“第三只眼”，助力智慧交通在未來真正走上大規(guī)模商用之路。