[首發于智駕最前沿微信公眾號]ToF的全名是Time-of-Flight，即“飛行時間測距”。想理解它其實很容易，發一束光，等光從物體反射回來，傳感器通過接收到的信號判斷物體與傳感器之間的距離，就是ToF。ToF輸出的是物理意義上的“距離”，不是通過圖像推理出來的估計值。這一點決定了它在很多應用里會被當作一個很直接、可靠的深度來源。

ToF常被應用到能輸出“深度圖”的相機，或者做成單點/點陣測距器。深度圖里每個像素都有一個距離值，拿到這樣的數據后，系統不需要再通過復雜的推斷就能知道哪兒離車近、哪兒離車遠。ToF的實現方式也是多樣的，同樣應用ToF的設備在用途和表現上可能差別很大。

ToF的兩種常見實現與不同

實現ToF的技術路線主要有兩類思路，它們在原理和工程實現上各有側重，理解這兩種差異有助于判定在哪些場景下選哪種方案更合適。

第一種是把光源做連續調制，通過接收端測量返回光和發射光之間的相位差，借此推算距離。這類實現更容易做成像素化的深度相機，也就是能在畫面上每個像素輸出深度信息，所以在近中距離的場景里常見于需要高幀率深度圖的應用。第二種實現是發短脈沖，直接記錄光子被檢測到的絕對時間，這種方式更貼近傳統激光測距的思路，適合做遠距離單點或點陣式測量。

簡單理解這兩種方式，前者更像是“給整張畫面做深度”，適合近距成像；后者更像是“把一束光往前打，精確記錄回來的時間”，在遠距精度上占優勢。

兩條路線在產品設計上常會互補。有的系統在車身周圍多個位置同時用不同類型的ToF傳感器，各司其職；也有產品把兩者融合成混合方案，既輸出大范圍深度圖又提供若干高精度測點，用于關鍵位置的距離校驗。

在自動駕駛里的典型用途和局限

ToF在車載系統里使用的其實非常多。它擅長近中距離的深度獲取，特別適合那些對實時性和逐像素深度有需求的場景。比如泊車、低速擁堵路段的人車識別、側向盲區的快速距離判斷、以及車內駕駛員姿態和乘員檢測等場景，都是ToF發揮價值的常見場合。

ToF雖然有明顯優勢，但也有不可回避的局限，因此在設計自動駕駛方案時要把這些限制考慮進去并做出補償。

ToF的有效距離和穩定性受限于發射功率、接收器靈敏度以及被測表面的反射特性。黑色、吸光材料或透明、鏡面材料可能導致返回光弱或發生散射，使得讀數失真或完全沒有返回。強日光場景下，太陽光在近紅外波段會增加背景噪聲，降低信噪比，導致白天遠距性能下降。

某些ToF傳感器還會出現“模糊”或“環繞”問題，這意味著單一測量在某些情況下可能產生周期性的不確定性，需要通過多頻或序列化的設計來擴展可用距離范圍。

多路徑反射也是ToF傳感器會遇到的挑戰，光在復雜道路環境中可能發生多次反射，得到的返回信號混合了多條路徑，會引起錯誤的深度值。溫度漂移、像素間不一致和出廠校準誤差在長期運行中也必須通過溫補與在線自校準來管理。

最后的話

ToF是個能直接給出距離信息的有力工具。它適合處理近中距、弱紋理或低光條件下的感知任務，能明顯提高某些場景下的魯棒性。要讓它發揮最大效用，工程上需要進行正確的選型、做足標定與溫度補償、處理好與其他傳感器的融合關系，并設計好置信度與降級策略。

ToF其實不是一個單獨的傳感器，而是一種測距的辦法。如激光雷達、ToF相機，甚至一些車內的感知模組等很多設備可能都在用這個思路，只不過形式不同，它的好處在于能給系統直接的距離數據。對自動駕駛來說，這種“真實距離”很重要，尤其在泊車、低速避障、車內監測這些場景里，能讓車更快、更準地反應。