激光雷达硬件拆解:从EEL发射到APD接收的收发链路全解析
上周末把朋友那台腾势车顶的“小犄角”拆了。本来只想拍几张照就收手结果打开外壳看到里面的激光收发器模组之后我决定把整个收发链路从头到尾捋一遍。很多人知道激光雷达能让车“看得见”但真正把它肢解开去看里面的激光器、光电探测器、光学镜片和扫描镜你才会理解为什么一颗车规级雷达能动辄几千上万元也才会明白智能驾驶系统里那些漂亮点云背后到底发生了什么。这篇文章就是围绕腾势车型搭载的这颗半固态激光雷达展开的一次硬件拆解重点放在“硬核激光收发器”本身从发射端到接收端到扫描光路再到它如何影响上层SLAM、聚类甚至三维表型处理算法一次讲全。先说明一点腾势不同配置车型、不同生产批次搭载的雷达存在版本差异我手里拆的这台内部结构只代表当前批次的工程状态具体参数请以官方发布为准。但激光雷达的收发链路架构在车规半固态产品里高度相似搞清楚这条链路的底层逻辑比记住某个型号的具体数字更有价值。1. 为什么要拆腾势这台雷达先确认它到底是什么方案腾势的高阶智驾版车型在车顶前沿会有一个明显凸起的传感器模组里面藏着的就是一颗车规级半固态激光雷达。拆之前我先做了功课它的外观是扁平的小方盒前脸有一块透光窗口不像老式机械雷达那样顶着个大圆柱体这说明它走的是MEMS微振镜或者转镜扫描路线而不是传统的电机旋转方案。把雷达从支架上取下来翻到背面能看到一个车规级连接器用来接入整车电源和以太网数据链路标签上的型号编码和散热片的形状基本可以确认它属于速腾聚创M系列的家族化设计。为什么值得专门拆一颗车规雷达来聊我的理由是半固态MEMS方案现在正是量产乘用车的主流选择之一腾势、问界、小鹏、理想的多款车型都在用同类型产品。这颗雷达内部同时包含了激光器、探测器、扫描振镜、驱动电路、FPGA或主控芯片可以把它理解成一台“会发射和接收光的微型测距计算机”。把每一个环节拆开看你会知道眩光环境下它为什么还能测距、为什么点云会有一两个“飞点”、为什么大太阳底下不失效这些问题的根源都在收发链路上。拆解之前有几个安全习惯必须说清楚。第一断电操作激光雷达虽然正常工作时满足Class 1人眼安全等级但拆开外壳后内部器件状态不可控尽量不要在通电状态下观测出光口。第二防静电手环要戴好雷达主板上很多模拟前端器件对静电很敏感。第三准备好小号十字螺丝刀、撬棒、放大镜和相机车里用的雷达螺丝通常带防松胶拧的时候要稳。2. 外壳之下拆解步骤与内部器件的第一印象拿下雷达外壳的瞬间第一个印象是“比想象中沉”。分量感来自全金属外壳、内侧的导热结构和大面积的金属屏蔽罩。这和扫地机器人上几百块钱的塑料雷达完全不是一个制造等级。车规要求的工作温度范围一般在零下四十度到零上八十五度还要扛住振动、湿热、盐雾所以外壳和内部结构的设计思路是整个雷达可靠性的大前提。拆开外罩之后最先注意到的是出光窗口玻璃内侧贴有电加热膜。这不是什么稀奇但很容易被忽略的设计冬季冰雪天气里雷达窗口一旦结霜结雾激光穿透率会明显下降测距会直接打折。加热膜和温湿度传感器联动的逻辑就是把这个问题在源头解决掉。这一点在装车使用场景中非常关键我见过不少早期试验车因为没考虑窗口除雾雪天白白损失了一半有效探测距离。接着看内部整体布局一整块主板分成几个功能区块。靠近光机模块的是激光驱动区域特征是能看到功率电感和驱动IC紧挨着接收光学元件的是模拟前端区域APD探测器的管脚周围有一圈无源器件再往外是扫描控制区域MEMS振镜的驱动走线会被单独包起来避免和数字信号互相干扰最后是数据处理区域通常是FPGA加以太网PHY的组合。不同功能区域的间距和走线不是随意的模拟信号、数字信号、功率信号三者在电磁兼容上必须做物理隔离否则激光器瞬间脉冲产生的大电流会污染接收通道里极其微弱的回波信号。主板背面的导热设计也值得讲。激光发射驱动电路在脉冲瞬间消耗的功率不小产生的热量需要导到外壳上散出去所以你会看到导热硅垫、铝压条、金属外壳三重结构。发热控制不好激光器的波长会漂移APD的增益会变化这些都会直接杀掉测距精度。拆到这里已经能明显感觉到激光雷达不是“一个光模块加一个算法”那么简单它是一个在电、光、热、机四个维度上反复做权衡的系统工程。3. 发射链路拆解EEL激光器如何打出905nm脉冲激光雷达“测距”这个动作的起点是发射链路。这颗雷达采用的是边缘发射激光器EEL波长在905nm附近。之所以选905nm而不是肉眼可见的可见光波段原因很直接905nm处于近红外波段太阳光中有这部分能量但不算峰值配合窄带滤光片后能做到全天候工作同时硅基光电探测器对905nm响应好APD技术非常成熟成本能压得住。可以说这个波长选择是“探测器性能、人眼安全限制和量产成本”三者折中的结果。EEL激光器的工作原理可以类比成一支微型光枪电流注入半导体芯片内部的PN结电子和空穴在量子阱区域复合辐射出相干光光从芯片端面射出。它的输出光束在快轴和慢轴上发散角度不一样是一个椭圆形的光斑这就需要在发射端加准直透镜把光斑整形成一个可控的光束。准直做不好远处目标上的光斑就会散开能量密度下降回波信号变弱测距范围直接缩水。脉冲驱动电路是发射链路里很硬核的部分。雷达需要测量激光飞行时间所以发射的是极窄的脉冲脉冲宽度通常在几纳秒到十几纳秒峰值功率能做到几十瓦级别。这里有一个大多数人容易误解的点激光雷达的瞬时峰值功率很大但脉冲占比极低平均功率其实很小所以才能满足人眼安全的Class 1等级要求。脉冲质量直接决定测距精度脉冲边沿越陡飞行时间判读的起点越准如果驱动电路波形拖尾、过冲严重远处的回波点就会带上系统性的距离误差。发射链路上还有一个细节是温度补偿。激光二极管的波长会随温度变化每升高一定温度峰值波长就往长波方向偏几个纳米。如果波长偏得太多接收端的窄带滤光片就会把回波信号滤掉一部分测距能力瞬间恶化。因此雷达内部会有温度传感器驱动电路会根据实时温度调整驱动电流或硬件参数把波长稳定住。我拆开的这台雷达激光器附近能看到明显的热耦合结构和温度采样点设计上对这个问题是做了冗余准备的。905nm和1550nm两种主流波长的取舍这里给一张表格方便对比维度905nm EEL方案1550nm光纤激光方案探测器硅基APD成熟且便宜铟镓砷探测器成本高人眼安全阈值较低峰值功率受限较高可上更高功率典型测距150-200米级别200米以上量产车规成熟度极高多车型搭载相对低主要高端配置核心优势成本低、供应链成熟、集成度好远距离表现更稳、抗干扰更好腾势这颗雷达选905nm路线本质上就是量产经济性和性能的平衡。别看到1550nm就觉得更先进对于L2到L3级别的城市智驾场景905nm的测距能力已经够用关键是系统整体稳定性。4. 接收链路拆解APD探测器把微弱回光变成电信号发射链路的脉冲打出去之后遇到目标表面会发生反射极小一部分光沿原路返回雷达。这束回波的强度有多弱如果说发射出去的峰值功率是几十瓦经过几百米的空气衰减和漫反射回到接收窗口的能量常常只有纳瓦甚至皮瓦级别。要在这么弱的信号里把飞行时间读出来接收链路必须足够敏感这就是APD探测器登场的意义。APD的中文名叫雪崩光电二极管。它的结构和普通光电二极管类似但内部多了一个高电场倍增区。入射光子把价带电子激发到导带形成光生载流子载流子在强电场下被加速碰撞电离出更多电子空穴对形成一个“雪崩式”的倍增效应。一般来说APD能把信号放大几十到上百倍这就把微弱回光的探测门槛压得极低。好处是灵敏度高代价是噪声也跟着放大所以APD的工作偏压和增益必须被精确控制温度一变还得做补偿。这解释了为什么接收前端电路看起来那么“绕”全是在为信噪比服务。回波在到达APD之前还要过两道光学关卡。第一道是接收透镜作用是把散射回来的光线汇聚到探测器的光敏面上第二道是窄带滤光片只允许905nm附近很小带宽的光通过其他波段的太阳光背景光大致被挡在外面。大晴天户外红外辐射非常强如果没有这块滤光片APD早就被背景光打饱和了。滤光片的中心波长和半带宽越是匹配激光器的实际出光波长白天抗干扰能力就越强。光电转换完成之后APD输出的是一路极其微弱的电流信号处理链路接着要做两件事放大和计时。跨阻放大器TIA先把电流信号转成电压信号再经过后级放大电路整形成脉冲然后时间数字转换器TDC记录激光发射时刻和回波到达时刻的差值。这里有个很直观的换算关系光速约30万公里每秒激光飞行时间1纳秒对应的是光子走了30厘米往返算下来距离分辨率就是15厘米。所以要实现厘米级的测距精度TDC的时间分辨率必须做到几十皮秒级别这对整个接收电路的噪声表现和高频带宽提出了极其苛刻的要求。接收链路里有很多看不见的工程功夫PCB板材选择高频低损耗材料、模拟地分割、走线等长匹配、屏蔽罩接地。这些细节单个拿出来似乎都不起眼但累积在一起决定了一颗雷达能不能在颠簸路面、强烈阳光、雨天水雾这些复杂条件下稳定出点。拆开看之后你会发现车规雷达贵有贵的道理它不是只堆料而是在别人看不见的模拟性能上下了非常多功夫。5. 扫描与光路MEMS振镜如何把单点变成一片点云有了发射和接收激光雷达目前只能测量一个方向上的距离。要形成“一片”点云必须让激光束在空间里扫描。腾势这颗雷达用的是MEMS微振镜方案这是半固态激光雷达最有代表性的扫描路线。MEMS振镜本质上是一个毫米尺度的硅基微型镜子表面镀了高反射膜通过电磁驱动让镜子绕轴往复摆动。激光器发出的光束打在镜面上被反射到前方视场的不同角度振镜摆到哪个角度收发系统就测量那个方向的回波。把MEMS振镜和传统机械旋转雷达放在一起比较能更清楚看到设计的取舍。传统的16线雷达这类方案比如速腾的RS-LiDAR-16是把16组发射接收对垂直排列在一个旋转台上整机绕竖直轴连续旋转水平视场角能做到360度而MEMS方案不需要整台雷达旋转只有一个拳头大小的振镜在内部摆动体积更小、抗振动能力更强、没有旋转轴承的磨损问题。代价是视场角通常做不到360度典型半固态雷达的水平视场在120度左右垂直视场在25度左右所以装车位置一般在车顶正前方覆盖城市道路驾驶最重要的正前方区域。扫描机制里有一个特别值得理解的硬件概念叫“收发光路布局”。有的雷达采用收发偏轴结构发射光束和接收光路在空间上有一定偏移有的采用收发同轴结构通过分光镜让收发共用一个主光轴。偏轴结构装配简单成本低但近距目标和接收视场容易对不齐近距离会存在盲区同轴结构光路设计复杂却能显著改善近距离点云的连续性。不同批次产品会在这两种方案里做取舍拆开光机模块看镜片排布就能分辨这也是拆解比较有意思的点。每次激光脉冲只能产生一个点而点云帧率取决于振镜扫描频率和每个扫描周期内的脉冲数量。发射脉冲的重复频率越高、振镜摆动覆盖越细点云就越密。但频率提高意味着单位时间功耗上升、发热增大脉冲间隔缩短还会限制最大测距因为必须等回波回来才能发下一个脉冲所以雷达工程师永远在跟测距、频率、功耗、发热四个因素斗智斗勇。这就是为什么你在市面上看到参数差不多的雷达实际点云表现差异会那么大。扫描环节的校准也非常讲究。MEMS振镜出厂时需要对镜子偏转角度和输出电压建立精确的标定关系安装过程中还要保证激光束、振镜中心和接收光轴严格对齐。任何角度的偏差都会在点云里表现为整个视场的系统性形变反过来后期的外参标定怎么都补不回来。这一块属于激光雷达生产环节的核心Know-how远比很多人想象的复杂。6. 收发器的真实性能SLAM、聚类与三维表型需求视角拆完硬件最后一件事是把收发链路和上层算法串起来。雷达不是装上就能出好点云的它在硬件层面上的每一项指标都会直接影响SLAM、聚类和三维重建这类应用的效果。SLAM同步定位与建图最看重的是测距稳定性和低漂移。如果收发链路里的APD增益随温度波动或者TDC计时存在非线性误差点云就会在毫米级和厘米级之间反复跳变。对建图来说这种跳变会累积成轨迹漂移。很多人在做机器人SLAM时发现地图“越走越歪”不一定是算法参数没调好很可能是雷达本身测距方差超标。车规雷达在这一点上做得比较扎实因为它的温度补偿、信号调理都是在出厂前反复标定过的不像一些消费级雷达把信号链路做得比较粗糙。聚类和障碍物检测更多依赖点云的密度分布一致性。当收发链路设计不合理时近处目标反射太强会导致APD饱和远处目标回波太弱又被噪声淹没点云就会变成“近处密成堆、远处稀稀拉拉”。这种不均匀的密度分布对聚类算法非常不友好近处目标点云连成一片不同物体难以分开远处目标点云太稀疏聚类直接丢失。而优秀的收发器设计会做增益控制和信号整形让不同距离上的点云密度尽量均衡聚类算法才有好日子过。三维表型处理这个方向可能离车载智驾远一点但原理一脉相承。比如对一株作物或者一棵果树做非破坏性三维测量需要激光雷达在几十厘米到几米的近距离上提供高密度、低噪声的点云。这个场景里最需要的不是超远测距而是近距离点云的一致性和抗噪能力。你看同样是激光雷达测量植物表型的雷达选型思路和车载雷达完全不同但归根到底都在考察同一件事收发链路在目标距离范围内的信噪比和点云质量。这也是我为什么要拆开雷达写收发器的原因——不了解底层硬件上层选型全凭感觉玩具能用工程就要交学费。至于消费级雷达中常见的SLAM应用比如用思岚这类TOF雷达做扫地机或者机器人建图原理上也是“发射脉冲回波计时”。它的收发链路同样有激光器、探测器、放大器和计时单元只是器件规格、标定精度和车规可靠性等级低了很多。几百块和几千块的差价很大程度就是花在温度漂移控制、重复性精度和极端环境可靠性这些听起来不性感但极其关键的工程细节上。拆完最大的感受拆完这台腾势激光雷达我最直接的感受是激光收发器远比“发射一束光、接收一个回波”复杂得多。它是一套光电热机一体化的精密系统发射端的脉冲质量、接收端的微弱信号处理能力、扫描光路的对齐精度、温度补偿的执行效果每一项都能决定点云的真实表现。如果你准备上手激光雷达的开发或者二次应用我的建议是先不要急着刷算法找一颗样机拆开看看里面的器件排布尝试理解发射驱动电路哪部分控制峰值功率、接收前端为什么那么敏感、散热结构为什么这样走位。把这些硬件上的约束想清楚了你会发现自己调试SLAM或者聚类参数时思路清晰很多踩坑的概率也会小不少。

相关新闻

SpringBoot+Vue全栈实战:流浪动物救助平台完整开发指南

SpringBoot+Vue全栈实战:流浪动物救助平台完整开发指南

流浪动物救助平台这个项目,我前后带人做过四五版,从技术选型到上线部署踩过不少坑。基于SpringBootVue做前后端分离,配MyBatis操作MySQL,整套源码跑通并不难,但要做到页面、接口、权限、状态流转都对得上,中…

2026/10/1 20:08:33 阅读更多 →
基于深度学习的量化投资策略:从数据到信号的最小可跑链路与避坑指南

基于深度学习的量化投资策略:从数据到信号的最小可跑链路与避坑指南

简介:这份资源是面向高校学生与人工智能、金融科技方向学习者的深度学习量化投资策略完整项目包,适合用作毕业设计、期末大作业或课程实践参考。项目围绕量化投资全流程展开,涵盖数据预处理、深度学习模型构建、训练调优以及回测评估等关键环…

2026/10/1 20:08:33 阅读更多 →
IVUS三维重建源码实战:40MHz与80MHz双频数据预处理与VTK管线适配

IVUS三维重建源码实战:40MHz与80MHz双频数据预处理与VTK管线适配

简介:本资源为IVUS血管内超声医学图像三维重建的Python源码项目,面向医学图像处理、生物医学工程及计算机视觉方向的学生、研究人员与工程师,也适合作为课程设计、毕业设计或项目立项的参考案例。项目基于40MHz与80MHz两种超声频率数据&#…

2026/10/1 20:08:33 阅读更多 →

最新新闻

AssetBundle热更新安全排查:从CDN清单到本地缓存的全链路校验指南

AssetBundle热更新安全排查:从CDN清单到本地缓存的全链路校验指南

1. 项目概述:一次热更新安全隐患排查的完整复盘 做 Unity 客户端开发的朋友应该都有体会,AssetBundle 热更新方案上线容易,但真正让它长期稳定跑起来,靠的是细节。尤其是当你的游戏量级上来、CDN 节点分叉、本地缓存策略多样化之后…

2026/10/2 22:53:09 阅读更多 →
Jev浏览器Agent实测:本地部署AI模型驱动浏览器自动化全攻略

Jev浏览器Agent实测:本地部署AI模型驱动浏览器自动化全攻略

最近GitHub上有个叫Jev的浏览器Agent插件火了,21k star,把AI模型和浏览器自动化结合到一起,用自然语言就能驱动浏览器干活。我做了一轮完整的部署和使用测试,从模型选型、本地部署到插件配置、实际跑任务,把整个链路都…

2026/10/2 22:53:09 阅读更多 →
从零搭建AI工程体系:架构设计、核心模块与实操落地指南

从零搭建AI工程体系:架构设计、核心模块与实操落地指南

1. 从零搭建AI工程体系,为什么我劝你别急着调包"ai-engineering-from-scratch"这个标题,第一次看到的时候我愣了一下。市面上讲AI的教程铺天盖地,但绝大多数都是教你pip install一个库,然后调几个API,跑通一…

2026/10/2 22:53:09 阅读更多 →
DeepSeek Harness客户端详解:Token管理与多模型接入实战

DeepSeek Harness客户端详解:Token管理与多模型接入实战

DeepSeek Harness 客户端开放下载,消息一出,不少做 AI 应用开发的朋友都在群里聊这件事。如果你平时经常调 DeepSeek 的 API,或者需要在本地同时管理多个主流大模型的对话与调用,这个客户端确实值得花几分钟试一下。它把模型接入、…

2026/10/2 22:53:09 阅读更多 →
职工考勤管理系统:从数据库设计到状态判定完整实战

职工考勤管理系统:从数据库设计到状态判定完整实战

简介:数据库课程设计——职工考勤管理信息系统完整设计文档,面向计算机相关专业学生及需要完成数据库课程设计的人员。文档以企业考勤管理为背景,系统阐述从需求分析、概念结构设计到逻辑结构设计、物理结构设计与数据库实施的完整流程&#…

2026/10/2 22:53:09 阅读更多 →
互联网商业医疗保险直付平台:从理赔垫付到秒级结算的落地拆解

互联网商业医疗保险直付平台:从理赔垫付到秒级结算的落地拆解

简介:这份PDF文献面向医疗信息化从业者、医院信息中心技术人员及医疗保障研究者,聚焦互联网商业医疗保险直付平台的解决方案。内容系统梳理了商保的概况与现状、传统理赔流程的痛点,并重点论述平台设计原则,包括数据安全、实时性、…

2026/10/2 22:52:08 阅读更多 →

日新闻

从零搭建AI工程化:模型之外的完整闭环

从零搭建AI工程化:模型之外的完整闭环

先搞清楚一件事:从零开始做 AI 工程化,难的从来不是调模型、写提示词,而是把一套原型 Demo 变成长得像是“正经系统”的东西。你手里可能已经有了能跑通的代码,也可能刚读完一些概念,但真到了要把它变成可维护、可观测…

2026/10/2 0:00:20 阅读更多 →
大模型训练显存估计与混合精度训练实战指南

大模型训练显存估计与混合精度训练实战指南

1. 大模型训练显存估计与混合精度训练详解显存不够用,几乎是每个做大模型训练的人都会撞上的第一堵墙。你可能也经历过:模型代码写完了,数据管道跑通了,满心欢喜地按下训练启动脚本,结果几秒钟后终端弹出一行红字——C…

2026/10/2 0:00:20 阅读更多 →
小样本学习数据集选型指南:27个真正可用的高质量数据集

小样本学习数据集选型指南:27个真正可用的高质量数据集

1. 小样本学习的“弹药库”:为什么你总在找数据集,却总找不到真正能用的? 小样本、数据集——这两个词最近半年在我处理的200多个AI项目咨询里,出现频率排进前三。不是模型调不好,不是代码写不对,而是卡在…

2026/10/2 0:00:20 阅读更多 →

周新闻

如何划分训练/验证集:Spirula Studio五种eval_mode策略详解

如何划分训练/验证集:Spirula Studio五种eval_mode策略详解

如何划分训练/验证集:Spirula Studio五种eval_mode策略详解 【免费下载链接】spirula-studio Cross-vendor 3D Gaussian Splatting trainer - video to splat to mesh, Vulkan or CUDA. 项目地址: https://gitcode.com/GitHub_Trending/sp/spirula-studio Sp…

2026/10/1 19:40:48 阅读更多 →
SEO怎么推广速查手册新手避坑实战指南

SEO怎么推广速查手册新手避坑实战指南

SEO怎么推广速查手册新手避坑实战指南 模板网站太丑不够用?别急着加滤镜,那是治标不治本。很多老板盯着后台流量掉得眼红,却还在纠结首页Banner的圆角是不是3像素。这就像穿着西装去挖土,姿势不对,努力白费。我整理这份 速查手册…

2026/10/1 19:41:40 阅读更多 →
FireRed-OpenStoryline少样本仿写深度解析:AI Agent如何复刻你的独特文案风格与节奏

FireRed-OpenStoryline少样本仿写深度解析:AI Agent如何复刻你的独特文案风格与节奏

FireRed-OpenStoryline少样本仿写深度解析:AI Agent如何复刻你的独特文案风格与节奏 【免费下载链接】FireRed-OpenStoryline FireRed-OpenStoryline is an AI video editing agent that transforms manual editing into intention-driven directing through natural language …

2026/10/1 20:05:24 阅读更多 →

月新闻

我发现了一个新思路:用 Remotion + Claude Code 像写代码一样自动化生成短视频

我发现了一个新思路:用 Remotion + Claude Code 像写代码一样自动化生成短视频

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/2 10:36:31 阅读更多 →
Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式:TaoToken 统一 Key 配置与验证

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式:TaoToken 统一 Key 配置与验证

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/2 5:26:06 阅读更多 →
黑夜航拍船只数据集训练YOLOV5模型全流程解析

黑夜航拍船只数据集训练YOLOV5模型全流程解析

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/2 6:09:11 阅读更多 →