1.1 激光雷达，Light Detection And Range, LiDAR 

发射激光光束，并接收回波以获取目标三维和/或速度信息的系统；

1.2 机械旋转激光雷达，Mechanical Rotary LiDAR

通过电机带动激光收发阵列进行整体同步旋转，从而实现对空间垂直视场角方向、360°视场范围的扫描的激光雷达；

测距能力在垂直视场角方向、360° 视场范围内保持一致；

1.3 半固态激光雷达，Hybrid Solid-state LiDAR

采用微振镜，即 MEMS（比如速腾的 M1），或者转镜方式（比如禾赛 AT128），激光收发单元不再进行机械运动，适用于实现部分视场角探测的激光雷达；

注：也可以不采用上述扫描方式，收发单元采用共轭电磁微振动原理（赛瞳的 MMT 扫描方式）实现扫描；

1.4 固态激光雷达，Solid-state LiDAR

无机械运动部件，适用于实现部分视场角探测的激光雷达，扫描方式比如 OPA，Flash，FMCW 等；

1.5 点云，Point cloud

以离散，不规则方式分布在三维空间中的点的集合；

通常点云信息中含有，位置（xyz）、反射率、时间戳；

1.6 噪点，Noise point

实际位置没有真实目标，但是点云中出现的点；

1.7 拖点，Mixed pixel point

一个激光束在前后交叠两物体上引起的边缘之间的假点；

1.8 探测概率，Probability of Detection， POD

实际回波与理论回波的比值，也称为检出率；

1.9 帧率，Frame frequency

LiDAR 对同一个目标点探测的频率，常见的比如 10Hz，20Hz；

1.10 盲区, Blind range

能够稳定输出满足精度要求的点云，最小探测距离

1.11 最大探测距离，Max detection distance

相对于最小探测距离，有回点的最大探测距离

1.12 视场角，Field Of View，FOV

点云覆盖区域相对坐标原点的最大张角，分为水平方向和垂直方向；

比如水平视场角，HFOV，120°，垂直视场角，VFOV，90°；

1.13 角分辨率，Angle Resolution

激光雷达最小的可以分辨物体间的夹角；

1.14 精度，Precision

相同条件下，对被测物体反复测量，测量值之间的一致程度；

基于测量平均值，用各测量值的标准差来表示，用 σ 表示；

比如 5 cm（1σ）；

1.15 准度，Accuracy

测量值的均值和真值之间的误差，用 μ 表示；

比如 ± 5 cm；

1.16 反射率，Reflectivity

物体反射的辐射能量占总辐射能量的百分比；

比如 10%，90%；

1.17 可接受发射，Accessible Emission，AE

在某个位置使用孔径光阑，计算出阿里要求确定辐射量；

1.18 可接受发射极限，Accessible Emission Limit，AEL

参考 60825 规范中，对于一特定类别，允许的最大可接受发射；

1.19 最大允许照射量，Max Permissible Exposure，MPE

正常情况下人体受到激光照射不会产生不良后果的激光辐射水平；

1.20 表观光源，Apparent Source

对于一个给定的视网膜危险评估位置，形成最小可能的视网膜图像的真实或虚拟对象；

1.21 表观光源对向角，Angular subtense of the apparent source

从空间中某点，观察表观光源所张的对向角，用 α 表示，单位是弧度；

1.22 最小对向角，Min Angular Subtense，αmin

表观光源的对向角的值，αmin；

若光源对向角＞αmin ，称之为扩展光源；

若光源对向角 ≤ αmin ，称之为小光源；

若光源对向角 ＜ αmin ，其 MPE 和 AEL 不依赖于光源尺寸；

αmin = 1.5 mrad；

1.23 最大对向角，Max Angular Subtense，αmax

激光光束对向角的值，αmax；

若光源对向角 > αmax ，其 MPE 和 AEL 不依赖于光源尺寸；

αmax 在 5 mrad ~ 100 mrad 之间变化；

1.24 接收角，Angle of  Acceptance，γ

检测器响应光辐射的平面角，用 γ 表示，单位是弧度；

接收角角度可以通过置于探测器前的孔径或者光学元件来进行控制；

1.25 孔径光阑，Aperture Stop

用来限制测量辐射的区域的开孔；

1.26 连续波，CW

激光器以连续输出方式运行，且连续时间 ≥ 0.25 s；

1.27 漫反射，Diffuse reflection

借由一个表面或是介质，向多个方向散射以改变辐射光束的空间分布；

一个完美的漫反射器，可以清楚入射方向和显现的辐射之间的所有关联；

2.1 电磁波波段

根据电磁波的频率可以分为：无线电波，微波，红外线，可见光，紫外线，X 射线和伽马射线；

可见光和红外线比无线电波和微波有着更短的波长，但是比 X 射线和伽马射线波长长；

光速 = 波长 x 频率； 

比如一个 10 GHz 的微波雷达，可以计算出它的波长是 3 cm，称之为 X 波段雷达；

一个 1 GHz 雷达，那么它的波长为 30 cm，称之为 L 波段雷达；

常见的车载激光雷达波段在 905 nm 或者 1550 nm，目前主流的还是 905 nm，1550 nm 成本上要贵很多，但是对于人眼更安全，测距能力也更远，刚上市的蔚来 ET7 所搭载的，就是图达通的 1550 nm 激光雷达；

从 Velodyne 给的这张对比图可以看出，对于雨雪天气，905 nm 波长要好于 1550 nm 波长的；

2.2 激光雷达成像系统

一个典型的 LiDAR 成像系统，如下图所示，激光发射器发射激光，打到物体目标，反射回来，探测器接收到回波信号，从而计算出距离和速度等信息；

激光发射器：边发射激光器（EEL），腔发射激光器（VSCEL）等，主流供应商一般是 欧司朗 OSARM，滨松 HAMAMATSU；

探测器：硅雪崩光电二极管（Si APD），单光子雪崩二极管（SPAD），硅光电倍增管（SiPM）等，主流供应商一般是 SONY，HAMAMATSU；

扫描方式：传统的机械式（电机带动激光器进行旋转），半固态的比如 MEMS 振镜方式，转镜，MMT 电磁共轭微振动等，纯固态的比如 FMCW，OPA 等；

3.1 三角测量法，Triangulation

三角测量法利用三角法来提取 3D 空间信息，在同一个场景，已知两个摄像头的距离 d，通过两张二维图像来进行距离信息的提取从而构成三维图像；

利用立体视差算法来处理图像并计算目标的距离， 人眼就是通过这样的方式来获取深度信息，两个摄像头类比人的两个眼睛；

立体视觉的优势在于它以简单的被动方式，实现了高分辨率和全范围图像的同时采集，使用传统的相机就可以了；

然而，这种方法需要解决所谓的对应问题（点对的识别，它们是场景中同一点的投影），所以算法成本很高，并且帧率有限；

此外，立体视觉算法鲁棒性比较差，事实上，如果附近的物体覆盖了两幅图像之一中的远处物体，它就会失败，无法测量更远的距离，并且三维图像会丢失信息；

最大满量程 (FSR) 取决于两个相机之间的基线，基线越大，范围越长，感应范围也越远。

所以目前基于立体视觉成像的相机，工作距离为 3 - 5 m 左右，并不能看到很远的地方；

3.2 结构光注入，Projection with structured light

不同于三角测量法，结构光注入需要一个主动发光源，它向场景中的物体照射预定模式的光（通常是水平或垂直线或点，如下图所示）：

在接收端，获取 2D 图像，然后分析接受回来的光，是如何被目标进行修改的，然后试图重构 3D 距离和形状；

通过工作原理我们就可以知道，这项技术可以达到十分精确的精度，亚毫米级别的分辨率，但是处理速度会很慢，因为算法过于复杂，不能提供实时的解析；

除此之外，为了提高深度信息的准确性，对于单个场景，甚至要选取多个模式进行多次扫描；

相机也需要进行移动来获取更多场景的信息，但是这也降低了测量的速度，所以结构光法牺牲了速度，来换取精度；

FSR 也在几米范围内，并不能看到很远，所以也限制了它的用途；

一个典型的例子，就是微软的 Kinect v1 游戏机，利用的就是结构光注入来获取 3D 图像，支持 3~5 m 的范围，5 mm 的精度；

3.4 ToF，时飞法

ToF（Time-of-flight，时飞法） 通过测量一束光穿过介质，到达目标，然后返回到检测器的时间；

这项技术不仅广泛用于激光雷达，也用于生物成像中；

和立体成像，结构光注入成像不同，ToF-LiDAR 不需要复杂的重构算法，所以可以用于实时场景；

除此之外，对于大视场角的场景，ToF 技术是最适合的而且可以保证厘米级别的精度；

TOF 分为 dToF 和 iToF，前者使用时间分辨探测器和电子设备（脉冲激光雷达）直接测量，后者通过相位分辨测量（用于连续波，即 CW-LiDAR）间接估计；

3.4.1 直接时飞法，Direct time-of-flight，dToF

脉冲激光雷达，利用 dTOF 方式，测量激光束发出，穿过介质，到达目标，返回到检测器的时间；

通过飞行的时间，就可以轻松的计算出距离信息；

该技术需要短（通常 击穿电压，光子入射，出发雪崩，开始探测 淬火，使得工作电压 < 击穿电压，抑制雪崩，电路停止工作 复位，将工作电压拉回到大于击穿电压状态，重复步骤 1

SiPM 由许多微单元的并联组成，每个微单元由一个 SPAD 及其前端电路组成；

所以 SiPM 是光子数分辨探测器，即它们提供有关同时检测到多少光子的信息，因此它们可以达到比单个 SPAD 更高的计数率，与微单元（即 SPAD）的数量成正比：

例如，具有 100 个 SPAD 的 SiPM 可以达到，比单个 SPAD 高大约 100 倍的计数率；

下图是 ON 给出的对比材料，SPAD 和 基于 12 个 SPAD 的 SiPM，SPAD 只有 0/1，但是组合之后的 SiPM 就可以对多个光子进行统计了：

SPAD 的输出波形，单幅值，1/0，无法分辨回波强度：

 MPPC（多个 SPAD）输出波形，多幅值，回波强度可以分辨：

SPAD 阵列由许多独立的像素点构成，每个里面都有一个 SPAD，它的前端电路和一个处理电子元器件（比如计数器或者 TDC），用来对检测到的光子进行计数，或者记录检测到光子的到达时间戳；

因此 SPAD 阵列中图像的分辨率和 SPAD 的数目有关；

类似的，SiPM 阵列是由很多个 SiPM 构成，每个 pixel 都会提供空间信息，所以成像的空间分辨率是由 SiPM 的数目决定的，而不是微单元的数目；

和 SPAD 阵列相比，SiPM 阵列空间分辨率更低；

下图中比较了几种不同探测器技术，就时间分辨率，敏感度和 pixel 数目；

就时间分辨率而言，上图中水平坐标，我们将探测器分为：

就敏感度而言，上图中竖直坐标，我们将探测器分为：

像素数目在上图中用不同的颜色表示：

之前我们提到过，脉冲激光雷达利用 TOF，借助 TDC 记录光子的到达时间 （时间戳方式），或者在一个窗口内进行计数（时间窗方式）；

前一种方法在大多数应用中都很方便，因为检测器在整个 FSR 期间都处于活动状态；

而后者效率较低，因为到达窗口外的所有光子都会丢失，因此必须增加测量时间，以获得足够的信号和直方图统计质量；

因此对于脉冲激光雷达而言，首选具有时间门控和时间戳功能的探测器，例如 APD，SPAD 和 SiPM；

其中，只有 SPAD 和 SiPM 具有单光子敏感性；

大规模的 APD 阵列设计很重要，由于 APD 需要专业技术很高，大像素间距，快速模拟前端和高电压操作；

SPAD 和 SiPM 阵列是很多 SPAD 并联起来，所以相对来说工艺要求更简单；

单光子敏感度对于长距离测量十分重要，事实上到达探测器的光子数目，取决于距离平方的倒数，以及光学参数（源功率和发散度、物镜 f 值和透镜衰减），目标反射率和探测器几何形状（填充因子和像素面积）；

比如这样一个系统：

可以计算出像素光子率仅为 1µs 一个光子；

应用于 SPAD 的 3D 堆叠集成的最新技术，可以使得间距小于 10 µm，最低低至 2.2 µm 以及大量像素（数百千像素至百万像素）的 SPAD 成像器得以开发，而在效率、噪声和时序抖动方面，也不会降低 SPAD 性能；

每一个 SPAD 连接着一个独立的传感（也有可能是处理）器件，作为 SPAD 阵列中的一个像素；

也可以多个 SPAD 放在一起，使用公用的处理器件（比如一个 TDC），来构成 SiPM 阵列中的一个像素；

换句话说，SPAD 阵列中每个像素，只有一个 SPAD（因此可以提高激光雷达的角分辨率），而 SiPM 阵列每个像素（定义为提供空间信息的最小独立单元）有着多个 SPAD，因此角分辨率更差；

与 SPAD 阵列相比，SiPM 阵列能够检测同一像素内的重合光子（具有单个光子和多个光子的探测能力），因此可以用于单次曝光激光雷达；

许多时候 SPAD 和 SiPM 阵列的分类很模糊，实际应用的时候采用两种方式的优势综合；

总的来说，SPAD 和 SiPM 阵列对于脉冲激光雷达来说是最适合的，这得益于它们优秀的时间分辨率，高敏感度和相对来说更大规模的像素；

由于装配复杂性和生产成本随着 3D 堆叠的引入而增加，因此在制造前，对这些探测器进行精确的设备和电气模拟，对于节省开发时间和金钱并获得预期性能至关重要，出于这样的原因考虑，不仅有基于 TCAD 的 SPAD 模拟器， 和对于 SPAD & SiPM 的精确模型，而且还开发了基于 SPAD 的 LiDAR 系统的特定模拟器；

一个典型的 SPAD 探测系统：

近些年来，许多公司（比如丰田，ST 半导体，索尼，松下，ON 半导体， Ford-Argo）都在开发激光雷达所需要的 SPAD 和 SiPM 阵列；

2013 年丰田公司在日本对外发布了，用于脉冲激光雷达的 SPAD 传感器，基于 32 个宏像素的线性阵列，每个宏像素包括 12 个用于光子符合检测的 SPAD， 和还包括用于 TOF 处理的片上数字信号处理器 (DSP) ；丰田还在为 LiDAR 开发性能优化的 SPAD 探测器，特别是具有增强的红色探测效率；

ST 半导体在法国开发了一种高性能 3D 堆叠技术，具有用于 SPAD 的 背照式（Back-side illuminated, BSI） 顶层，连接到与前端传感和数字处理的，一个高压 40 nm 的 CMOS 底层；

收购 SensL 之后，安森美半导体为激光雷达开发研发 SiPM 和 SPAD 阵列；第三代激光雷达成像系统基于 1x16 模拟 SiPM 阵列，适用于有阳光的户外场景，支持到 40 m 的 FSR；安森美半导体首款 SPAD 阵列（400 x 100 像素）“Pandion”，针对于大视场角的激光雷达设计；

日本松下向外界发布了目前最大的 SPAD 阵列（1200 x 900 像素），适用于高达 250 m，10 cm 分辨率的长距离激光雷达，混合 dTOF 和 iTOF 架构；模拟像素基于使用 BSI CMOS 图像传感器 (CIS) 技术制造的垂直 APD (VAPD)，由于垂直电流和模拟前端，与标准 SPAD 相比，提供更小的像素尺寸 (6 µm)；

最近日本索尼发布了一个基于 189 x 600 像素 SPAD 阵列（基于 3D 堆叠技术，其中包括用于 SPAD 的 90 nm BSI 层和用于数字逻辑的 40 nm CMOS 层）的完整 MEMs 激光雷达系统；索尼这款 LiDAR 系统，面向汽车应用，具有 300 m FSR 和用于太阳背景抑制的微像素逻辑；

Princeton Lightwave 公司开发了一种用于 1550 nm 波长激光雷达的 InGaAs / InP SPAD 阵列，32 x 32 像素，通过热电冷却来进行冷却，以较低探测器噪声；

下图中总结了用于 LiDAR 的商用硅 SPAD 探测器的最新趋势：可以看出，SPAD 阵列的像素数量不断增加，而 a-SiPM 阵列的像素数量要少得多；

由于 InGaAs/InP 技术远不如硅成熟，所以没有进行对比；

在本节中，我们会分析了一些 SPAD 和 SiPM 阵列，它们提供了一些有趣的特性来解决脉冲激光雷达的主要挑战；

下表中列出了一些探测器的主要性能，就工艺制程，像素个数，每个像素的 SPAD 个数，光子探测概率（Photon Detection Probability, PDP），填充因子（fill-factor, FF），TDC 分辨率（LSB）和范围（FSR）;

8.1 SPAD 激光雷达探测器架构

"2013 Niclass" 数字 SiPM 阵列，共有 32 个像素，每个像素有 12 个 SPAD，是第一款专门为激光雷达设计优化的探测器；

事实上，在每个像素中实现了 全数字符合探测电路（fully digital conincidece detection circuit），以在 4 ns / 8 ns 可调符合窗口中，同步检测到至少两个光子；

“2017 Perenzoni” SiPM 阵列包括 64 x 64 个像素，每个像素有 8 个 SPAD；

第一个光子到达的时间，会被像素内的 TDC 记录下时间戳，可用于高分辨率和中等范围（250 ps LSB 和 6.4 µs FSR），或者高度计模式（分辨率降低但范围扩大到 10 ns LSB 和 327 µs FSR）；

通过对时间窗内的 SPAD 探测次数进行计数，并判断是否超过某个阈值，来验证 TDC 转换；

可以提供时间窗内探测到的光子数目信息（计数信息）和第一个光子到达时间（时间信息）；

"2018 Ximenes" 探测器是由两个 8 x 16 SPAD 模块构成，除 SPAD 之外，每个模块有一个选择树，一个 TDC，一个算术逻辑单元（ALU）和每个像素一个字的存储单元；

选择树在 8 x 16 SPAD 中选择第一个脉冲，然后存下触发 SPAD 的地址，TDC 转换第一个脉冲的到达时间，然后 ALU 将新的 TDC 数据老的合在一起，老的数据就是触发 SPAD 对应地址拿到的数据；

最后，新的值覆盖正确地址的内存，每次探测的死区时间为 2.4 ns；

"2018 Beer" 192 x 2 线性阵列中，每个像素包括四个 SPAD，当重合检测超过自动可调阈值时，这些SPAD 会组合在一起以生成事件信号；

为了调节触发时间的频率，可以通过调节符合窗口的持续时间（从 1.5 ns 到 16 ns），符合阈值（从 1 到 4），激活 SPAD 的数目（从 1 到 4，但是要比符合阈值高，要不然不可能达到阈值）；

通过调节这三个参数，针对于不同的背景和信号强度，可以有 11 种不同的符合情况；

"2019 Zhang" 有 256 x 144 SPAD 阵列的特点是 TDC 共享和逐像素直方图；

每个半列（即126 个像素）共享 6 个 地址锁存 TDC (Address-latching-TDC, ALTDC)，它们以菊花链形式连接并一次激活一次（每个半列中每个周期的时间戳高达 5 个光子）;

部分直方图（Partial histogram, PH）被保存，然后每个像素进行，PH 包含一个简化的直方图，分布的峰值周围只有 16 个区间，这是在初步峰值检测阶段检测到的；

后者是一个 3 阶段步骤，在此期间仅考虑整个 TDC 位的一部分（从最高有效位 (MSB) 开始，一直到 LSB），并在每个步骤中细化峰值检测；

在此过程结束时，选择了一个 16-bin 直方图窗口，并且在以下采集期间仅考虑该窗口内的事件以构建 PH；

"2019 Hutchings" SPAD 阵列，可以工作在光子计数模式（256 x 256 分辨率），或者光子计时模式，将 4 × 4 的 SPAD 组连接到同一处理单元（具有降低的 64 × 64 分辨率）；

探测器可以在这两种模式之间快速的切换，来适用于高分辨率图像和 3D 地图应用；

在光子计时模式，探测器可以工作在分辨率为 38 ps 的 单次高时间分辨率模式（single-hit high temporal resolution mode），或者是分辨率在 560 ps 的 多事件直方图模式（multi-event histogramming mode）；

对于后者，即多事件直方图模式，一个直方图记录了属于同一组的 16 个 SPAD 中，超过可调整的重合检测阈值的事件；

对于 "2020 Seo"，即 "A 36-Channel SPAD-Integrated Scanning LiDAR Sensor with Multi-Event Histogramming TDC and Embedded Interference Filter" 这篇论文中介绍的， 用于线扫的 36 个通道 SiPM 阵列（每个像素有四个 SPAD）；

每个像素有两个直方图 TDC（hTDC）如下图所示：

两种 hTDC 都是多激发的（即可以在同一激光周期内被多次触发）以实现高吞吐量；

采用多相机的激光雷达系统，基于两个激光二极管，发射两个连续脉冲，脉冲之间的延迟代表着系统的 ID 标识符；

当同一像素中 SPAD 之间的重合事件被探测到，粗直方图的计数被累加，然后通过累计到每个 bin 中的电压，和参考电压进行比较来将其数字化；

干扰过滤的专用逻辑，检测于设备 ID 对应延迟的两个峰值，并选择启动精细 TDC 时间窗口，来构建精细直方图；

"A 256 × 128 3D-Stacked (45nm) SPAD FLASH LiDAR with 7-Level Coincidence Detection and Progressive Gating for 100m Range and 10klux Background Light" 论文中提到的 "2021 Padmanabhan" 由 256 x 128 个像素构成，分组为 16 × 16 SPAD cluster，但仍然保留原始全成像分辨率（256 × 128）；

每个像素 cluster 有一个 TDC 用来给第一个光子记录时间戳，而只有在可调整（从 500 ps 到 2.2 ns）重合窗口内触发 cluster 内的其他像素时，转换才有效；

有七个级别来验证测量的重合次数，并且在符合窗口内检测到的光子数量，与 TDC 转换和第一触发像素地址一起存储在存储器中，并被读取出；

当大致知道目标深度时，可以启用渐进式门控以进一步时间过滤传入信号；

"2021 Kumagai"（论文 "Automotive LiDAR performance verification in fog and rain"） 中提到，183 x 600 SPAD 可以由 3 x 3 或者 4 x 4 的 SPAD 构成，重合探测电路可以实现背景抑制，TDC 转换的到达时间累计成 TOF 直方图，最终通过 有限脉冲响应 (Finite Impulse Response, FIR) 滤波器检测直方图的峰值；

8.2 最大范围和精度，Precision

最大范围主要由 TDC FSR 定义，测量精度由 TDC 分辨率决定（比如 LSB）和激光带宽；

对于超出最大范围的物体，为了避免距离模糊，TDC 不应该重新折叠，或者光子探测必须通过检测器门控，在一个比 TDC FSR 更短的时间窗口内启动；

TDC FSR 仅限制于图像深度范围而不是最大目标距离，实际上可以适当延迟激光触发（通常是 TDC 启动信号），以便于在 TDC 范围内拟合目标距离；

对于许多脉冲激光雷达系统，到达时间直方图的质心被用来计算 TOF，来避免被 TDC 量化误差所引起的精度问题；

事实上精度提升了 √N（N 是直方图峰值的个数）；

为了减少数据传输，直方图直接在芯片上计算，比如 Hutchings 由于 on-chip 直方图计算 FSR 减少到了 9 ns；

探测精度和探测最大距离两个性能指标相互权衡，比如以 Perenzoni 为例，TDC 可以在两种模式下运行：

8.3 FOV 和角分辨率

FOV 和角分辨率取决于像素的数目；

现代 3D 堆叠技术支持制造相对于平面技术，具有更高像素数目的 SPAD 阵列，在同一芯片中达到数百个 kilo-pixels;

通过将 2D 高分辨率图（每个 256 × 256 SPAD 独立工作）和 3D 低分辨率图（SPAD 组合在宏像素中，每个具有 4 × 4 检测器）相结合，图像分辨率可以得到提高；

由于 2D 和 3D 信息不能同时获得（因为一些硬件资源是共享的），探测器工作在混合模式，即交错处理 2D 和 3D 帧；

参考这篇论文 "Long-range depth imaging using a single-photon detector array and non-local data fusion"；

150 m 距离，基于 SPAD 的时间门控图像传感的实验装置如下：

接下来就是将 2D 信息和 3D 信息进行融合：

a) 是深度信息，b) 将来自 SPAD 的强度信息覆盖到深度信息之上, c) 将来自 RGB 相机的强度信息覆盖到深度信息之上；

FOV 和角分辨率可以通过扫描技术进一步提高；

"A 100-m Range 10-Frame/s 340 x 96-Pixel Time-of-Flight Depth Sensor in 0.18 µm CMOS" 中使用了 32 像素线性阵列，加上一个三面多边体转镜（以 600 rpm 进行旋转），来达到一个 340 x 96 像素分辨率和 170° x 4.5° 的 FOV，如下图所示：

"A Modular, Direct Time-of-Flight Depth Sensor n 45/65-nm 3-D-Stacked CMOS Technology" 通过使用 8 × 32 SPAD 阵列的双轴激光扫描仪，可以得到 256 × 256 图像分辨率；

由于所需的 FOV 和角分辨率在很大程度上取决于应用，比如有时高分辨率相机的数据会在后处理中组合，以实现更好的信号（即更好的质心精度或更长的范围）和更好的角分辨率；

事实上，既需要使用空间分辨相机进行 3D 成像，也需要使用激光在单个点准直进行单点高度测量；

8.4 测量速度和背景抑制

对于实时任务来说，测量速度十分重要；Flash 激光雷达不需要扫描是最理想的也是最快的方式；

高的获取速度需要：

一般情形下瓶颈在于 TDC（在大多数 SPAD 阵列中，只能对于第一个光子打时间戳）；

使探测器或 TDC 饱和，会导致光子“堆积”失真，即无法通过 TCSPC 重建真实的返回信号形状，因为首先到达的光子掩盖了随后的光子，这种情况在强背景光，比如太阳光情况下容易出现；

事实上，即使在检测到激光返回光子之前，单独的背景光子就可以使探测器或 TDC 饱和，尤其是在接近 FSR 端时；

为了解决背景光的影响，通常的做法是计算到达时间直方图；作为在时间上均匀分布的背景光，它会产生平坦的本底噪声；

因此，质心计算中只考虑由激光脉冲引起的主峰，背景光会自动被过滤掉；

在对直方图进行累加时，将 TDC 测量的时间戳用作直方图存储内存中 bin 的地址，而内存地址的内容（直方图深度）表示该地址被命中的次数；

由于大型 SPAD 阵列的芯片面积限制，每像素完整直方图计算变得不可行；

对于一个 15 位的 TDC，10 位直方图深度，128 x 128 像素，需要的内存是 215 x 10 x 1282 = 5.4 Gb，对应于基于 90 nm 工艺 1 cm x 1 cm 大小的芯片面积；

因此基于部分直方图的解决方案被提出来；

通过限制直方图来构建部分直方图，窗口仅到分布峰值（这是在初步阶段检测到的）周围的 16 bins；

直方图峰值之外都会在芯片内部计算部分直方图的时候被丢弃，但是可以单独的读取，以便在后处理中进行重构完整直方图；

比如之前 "Seo" 这篇论文中提到，部分直方图是通过 5 位粗直方图进行峰值检测，和 6 位细直方图进行精细分辨率的组合获得的；

在这种情况下，计算两个独立的直方图，将时间戳值分为两部分：

当饱和出现的时候，堆积会失真，从而不能累加得到正确的直方图； 

比如 “A 30-frames/s, 252x144 SPAD Flash LiDAR with 1728 Dual-Clock 48.8-ps TDCs, and Pixel-Wise Integrated Histogramming” 仅适用于非常低的光子速率，因为只有在同一半列中的其他像素都没有被同时触发时，才能正确检测到被触发的 SPAD 的地址；

大多数位 LiDAR 设计的 SPAD 和 SiPM 阵列都有着一些特别的功能来减少背景光和光子累加影响；

 所有上述架构的一个限制是，coincidence threshold 是先验固定的，而且十分关键，因为值太低会导致背景抑制效果差，而值太高会大大降低事件检测，也会丢失信号事件；

8.5 人眼安全

人眼安全限制了最大激光能量，强烈依赖于激光波长；激光辐射会在放大后灼伤视网膜或灼伤眼睛表面，从而损害眼睛；

眼睛在将光线聚焦在视网膜上时具有显着的放大倍率，因此光线进入眼睛并聚焦在视网膜上的损伤阈值远低于灼伤眼睛表面的损伤阈值；

波长大于 1400 nm 的激光更友好（1550 nm 相对于 905 nm 更加安全），因为眼睛中的液体会吸收这些区域的波长，从而防止光线聚焦在视网膜上；

虽然仍然会有灼伤到眼睛表面，但不会因聚焦光线而导致辐照度大幅增加； 为了更好的眼睛安全，激光雷达很少在 0.4 毫米以下工作，但它们通常在 1.5 毫米或更长的范围内工作；

激光雷达系统必须是人眼安全的，给定光束尺寸，脉冲持续时间和波长，激光必须有一个安全的最大能量；

不同波长的 Max permissibale exposure, MPE（单位 J/cm2）由下图给出：

扫描式的激光只在一个很短的时间内照射到眼睛，Flash-LiDAR 的照射时间要更长一点；

但是由于照射时间都很短，所以就算激光功率很高，但是不会超过人眼安全阈值；

目前主流的车载激光雷达选择 905 nm 或者 1550 nm，可以看到 1550 nm 的 MPE 要更高一点；

从上图中可以看到 MPE 峰值也在 1600 nm 左右出现，更接近于 1550 nm；

通常会统计十秒内，人眼吸收的能量总和，然后和上图比较；