自动驾驶中常提的ToF是个啥？

[首发于智驾最前沿微信公众号]ToF的全名是Time-of-Flight，即“飞行时间测距”。想理解它其实很容易，发一束光，等光从物体反射回来，传感器通过接收到的信号判断物体与传感器之间的距离，就是ToF。ToF输出的是物理意义上的“距离”，不是通过图像推理出来的估计值。这一点决定了它在很多应用里会被当作一个很直接、可靠的深度来源。

ToF常被应用到能输出“深度图”的相机，或者做成单点/点阵测距器。深度图里每个像素都有一个距离值，拿到这样的数据后，系统不需要再通过复杂的推断就能知道哪儿离车近、哪儿离车远。ToF的实现方式也是多样的，同样应用ToF的设备在用途和表现上可能差别很大。

ToF的两种常见实现与不同

实现ToF的技术路线主要有两类思路，它们在原理和工程实现上各有侧重，理解这两种差异有助于判定在哪些场景下选哪种方案更合适。

第一种是把光源做连续调制，通过接收端测量返回光和发射光之间的相位差，借此推算距离。这类实现更容易做成像素化的深度相机，也就是能在画面上每个像素输出深度信息，所以在近中距离的场景里常见于需要高帧率深度图的应用。第二种实现是发短脉冲，直接记录光子被检测到的绝对时间，这种方式更贴近传统激光测距的思路，适合做远距离单点或点阵式测量。

简单理解这两种方式，前者更像是“给整张画面做深度”，适合近距成像；后者更像是“把一束光往前打，精确记录回来的时间”，在远距精度上占优势。

两条路线在产品设计上常会互补。有的系统在车身周围多个位置同时用不同类型的ToF传感器，各司其职；也有产品把两者融合成混合方案，既输出大范围深度图又提供若干高精度测点，用于关键位置的距离校验。

在自动驾驶里的典型用途和局限

ToF在车载系统里使用的其实非常多。它擅长近中距离的深度获取，特别适合那些对实时性和逐像素深度有需求的场景。比如泊车、低速拥堵路段的人车识别、侧向盲区的快速距离判断、以及车内驾驶员姿态和乘员检测等场景，都是ToF发挥价值的常见场合。

ToF虽然有明显优势，但也有不可回避的局限，因此在设计自动驾驶方案时要把这些限制考虑进去并做出补偿。

ToF的有效距离和稳定性受限于发射功率、接收器灵敏度以及被测表面的反射特性。黑色、吸光材料或透明、镜面材料可能导致返回光弱或发生散射，使得读数失真或完全没有返回。强日光场景下，太阳光在近红外波段会增加背景噪声，降低信噪比，导致白天远距性能下降。

某些ToF传感器还会出现“模糊”或“环绕”问题，这意味着单一测量在某些情况下可能产生周期性的不确定性，需要通过多频或序列化的设计来扩展可用距离范围。

多路径反射也是ToF传感器会遇到的挑战，光在复杂道路环境中可能发生多次反射，得到的返回信号混合了多条路径，会引起错误的深度值。温度漂移、像素间不一致和出厂校准误差在长期运行中也必须通过温补与在线自校准来管理。

最后的话

ToF是个能直接给出距离信息的有力工具。它适合处理近中距、弱纹理或低光条件下的感知任务，能明显提高某些场景下的鲁棒性。要让它发挥最大效用，工程上需要进行正确的选型、做足标定与温度补偿、处理好与其他传感器的融合关系，并设计好置信度与降级策略。

ToF其实不是一个单独的传感器，而是一种测距的办法。如激光雷达、ToF相机，甚至一些车内的感知模组等很多设备可能都在用这个思路，只不过形式不同，它的好处在于能给系统直接的距离数据。对自动驾驶来说，这种“真实距离”很重要，尤其在泊车、低速避障、车内监测这些场景里，能让车更快、更准地反应。