LiDAR揭秘：“波长大辩论”的深入指导
作者：安森美(onsemi)汽车感知部总监Bahman Hadji
人们普遍认为，先进驾驶辅助系统(ADAS)和自动驾驶(AD)之所以成功，是因为它们可以有效地感测车辆周围的环境，并将感测到的信息输入实现自动导航的算法中。考虑到在生死攸关的情况下对感测技术的绝对依赖性，系统通常使用多个传感器模式，并实现数据融合，以增强彼此，并提供冗余。这样每种技术都能发挥其优势，并提供更好的组合解决方案。
在未来ADAS和AD车辆中，传感器主要有三种模式，分别是图像传感器、雷达和LiDAR。每一种传感器都有自己的优势，它们可以组成一个完整的传感器套件，通过传感器融合并提供数据使自主感知算法能够做出决策，为场景中的每一个点提供颜色、强度、速度和深度信息。
图1：传感器融合利用每种模式的优势提供有关车辆周围环境的完整信息。
尽管早在几十年前就出现了利用光测量距离的概念，但在这三种主要模式中，LiDAR是适用于大众市场的新兴商业化技术。由于需要完整传感器套件的自动系统激增，汽车LiDAR市场将呈现惊人的增长，预计从2020年的3,900万美元增长至2025年的17.5亿美元(Yole Développement，2020 年)。这是一个巨大的商机，专注于LiDAR技术的公司多达上百家，到2020年对这些公司的累计投资额已超过15亿美元，而且这一数据源自2020年底多家LiDAR公司发起SPAC首次公开募股潮之前。但当有这么多公司投身于同一项技术，而且这项技术基于完全不同的光波长时(最突出的示例就是905 nm和1550 nm)，最终总会有一种技术胜出，并整合其他技术的优势。就像我们一次次看到的那样，网络技术以太网、视频技术VHS。
对于LiDAR技术用户而言，即汽车制造商以及设计和制造客运和货运自动机器人车辆的公司，他们首先要考虑的是自己的需求。最终，这些公司希望供应商提供高度可靠的低成本LiDAR传感器，同时满足低反射率物体的测距和检测性能规范要求。尽管所有工程师都有各自强烈的主张，但如果供应商能够以合适的成本满足性能和可靠性要求，这些公司则可能并不知道实施的是何种技术。正因如此，才引起了本文旨在帮助理清的根本性辩论：哪种波长将在汽车LiDAR应用中占据主导地位？
LiDAR 概述
要解决这个问题，首先需要了解LiDAR系统的结构。LiDAR系统有不同的构造。相干LiDAR，一种被称为调频连续波(FMCW)的LiDAR，将发射的激光信号与反射光混合，以计算物体的距离和速度。虽然FMCW具有一定的优势，但与最常见的LiDAR方法“直接飞行时间(dToF)LiDAR”相比，它仍属于不太常用的方法。该技术测量超短光脉冲从照明光源发出，到达物体后反射回到传感器所用的时间，达到测距的目的。它通过有关时间、速度和距离的简单数学公式，利用光速来直接计算与物体的距离。尽管波长的选择主要影响发射和接收功能，但典型的dToF LiDAR系统有六大硬件功能。
图2：典型 dToF 系统框图，绿色部分代表安森美产品的一些重点领域。
表1显示了各种LiDAR制造商列表，从知名的一级汽车供应商到世界各地的初创公司。市场报告和公开资料表明，绝大多数公司的LiDAR在近红外(NIR)波长下工作，而不是短波红外(SWIR)波长。此外，虽然专注于FMCW的SWIR LiDAR供应商只能使用相应波长，但大多数采用直接飞行时间实现的供应商都可以选择使用NIR波长来构建系统，同时还能够利用其现有的IP相关功能，如波束控制和信号处理。
表1使用NIR和SWIR波长的LiDAR制造商列表
*上述列表并非详尽无遗，数据来源 Yole、IHS Markit和公开资料
鉴于大多数制造商(而不是全部)都已选择NI波长，他们是如何做出这一决定的？他们需要考虑的影响有哪些？本文重点讨论与构成LiDAR组件的光和半导体材料性质有关的基础物理学知识。
在LiDAR系统中，激光发射的光子到达物体后应反射回来，然后被探测器接收。在此过程中，这些光子必须与来自太阳的周围环境光子竞争。通过观察太阳辐射光谱，并考虑大气吸收因素，我们发现某些波长的辐照度会下降，因而减少作为系统噪声存在的光子量。905 nm波长下的太阳辐照度是1550 nm的3倍，这意味着NIR系统必须应对更多干扰传感器的噪声。但这只是选择LiDAR系统波长时需要考虑的其中一个因素。
图4：大气对光的吸收会产生明显的峰值
传感器
LiDAR系统中负责感测光子的组件为不同类型的光电探测器，因此必须说明为什么它们可以根据待检测波长而采用不同的半导体材料制成。在半导体中，带隙可将价带和导带分开，而光子可提供能量，以帮助电子克服带隙问题，从而使半导体导电，继而产生光电流。每个光子的能量与其波长有关，而半导体的带隙与其灵敏度有关，这就解释了为什么所需半导体材料取决于待检测光的波长。硅是最常见也是制造成本最低的半导体，可响应高达1000 nm左右的可见光和NIR波长。为检测SWIR范围以外的波长，可对更稀有的III/V族半导体进行合金化，使InGaAs之类的材料能够检测1000 nm至2500 nm的波长。
早期的LiDAR将PIN光电二极管用作传感器。PIN光电二极管本身没有增益，因此无法轻松检测到微弱信号。雪崩光电二极管(APD)是目前LiDAR中最常用的传感器类型，可提供适当的增益。然而，APD也需要像PIN光电二极管一样在线性模式下工作，以集成光子到达信号，而且在需要非常高偏置电压的情况下也会受到制件质地不均的影响。LiDAR中开始日益广泛使用的最新型传感器以单光子雪崩二极管(SPAD)为基础，SPAD具有非常大的增益，并且能够从每个检测到的光子中产生可测量的电流输出。硅光电倍增器(SiPM)是硅基SPAD阵列，其额外优势就是能够通过观察所生成信号的振幅来区分单个光子和多个光子。
图5：LiDAR中用于检测信号的不同光电探测器类型
回到波长这个话题，所有这些类型的光电探测器都可以采用硅(用于NIR探测)或III/V族半导体(用于SWIR探测)。另一方面，可制造性和成本是技术可行性的关键，且CMOS硅代工厂可实现此类传感器的低成本、批量生产。正因如此，LiDAR在实现更高性能的基础上逐渐开始采用SiPM。尽管存在适用于SWIR的APD和SPAD，但由于未采用硅基处理器，所以很难将它们与读出逻辑集成在一起。最后，由于针对SWIR的III/V基SPAD阵列和光电倍增器(与SiPM相似)尚未实现商业化，所以生态系统更适用于NIR波长。
激光器
光子生成是另一个完全不同的流程。半导体P-N结作为增益介质可用于制造激光器；这可通过泵送的方式使电流通过结，在原子进入较低能带时引起光子共振发射，从而产生相干激光束输出来实现。半导体激光器基于直接带隙材料(如GaAs和InP)，与间接带隙材料(硅)相比，这种材料对于原子进入较低能带时的光子生成非常有效。
LiDAR使用的两种主要激光器为：边缘发射激光器(EEL)和垂直腔面发射激光器(VCSEL)。与VCSEL相比，EEL的成本更低，输出效率更高，所以目前使用更广泛。但EEL在封装和组装成阵列方面难度更高，而且还会受到温度范围内波长变化的影响，导致探测器不得不寻找更宽的光子波长波段，才能将更多的环境光子检测为噪音。
尽管较新的VCSEL技术成本更高、功效更低，但由于其光束是从顶部生成的，所以具有封装简单高效的优势。由于VCSEL的成本将继续显著降低，功效将提高，所以其市场采用率开始上升。EEL和VCSEL可用于NIR和SWIR波长生成，两者之间的关键区别在于：NIR波长可使用GaAs生成，而SWIR波长则需要使用InGaAsP。大尺寸晶圆厂能帮助降低GaAs激光器成本，从成本和供应链安全角度来看，这再一次突出了NIR LiDAR制造商生态系统的优势。
图6：LiDAR中使用的不同激光类型
激光功率和人眼安全<.strong>
在讨论波长大辩论时，必须考虑LiDAR系统对人眼安全的影响。dToF LiDAR概念涉及以高峰值功率，沿着特定视角将短激光脉冲发射到场景。站在LiDAR发射路径上的行人需确保自己的眼睛不会被射向自己方向的激光损伤，IEC-60825规范规定了不同波长的光的最大容许照射量。类似于可见光的NIR光能够穿过角膜到达人眼的视网膜，而大部分SWIR光在角膜内可被吸收，因此照射量更高。
图7：IEC-60825人眼安全型激光照射量规范
从性能角度来看，对于基于1550 nm的系统来说，能够输出高出多个数量级的激光功率是一个优势，因为这样可以发出更多光子，从而检测到更多返回的光子。但更高的激光功率也意味着需要进行热权衡。需要注意的是，适当的人眼安全型设计必须在不考虑波长的情况下进行，同时必须清楚地考虑每个脉冲的能量和激光孔径的大小。对于基于905 nm的LiDAR，可以通过其中的任意一个因素来增加峰值功率，如下图8所示。
图8：基于不同光学器件和激光器参数的NIR LiDAR人眼安全型激光器设计
NIR与SWIR LiDAR系统对比
上文着重描述能够输出的激光功率大小，现在我们继续探讨所用的传感器。显然，可检测更微弱信号的更高性能传感器可为系统带来多方面的益处——能够实现更长的测程，或能够使用更少的激光功率来实现相同的测程。安森美(onsemi)开发了一系列可提高光子探测效率(PDE)的NIR LiDAR SiPM，PD 是指示灵敏度的关键参数。其新推出的RDM系列传感器PDE达到市场领先的18%。
图9：安森美SiPM的工艺发展路线图
为比较NIR dToF LiDAR与SWIR dToF LiDAR的性能，我们利用相同的LiDAR架构和不同激光和传感器参数的环境条件进行了系统建模。LiDAR架构为共轴系统，配有一个16信道探测器阵列和一个遍布整个视场的扫描机制，如下图10所示。该系统模型已通过硬件验证，使我们能够准确估计LiDAR系统的性能。
图10：dToF LiDAR传感器的系统模型
表2：NIR和SWIR系统模型模拟的LiDAR传感器和激光器参数
由于使用了PDE较高的InGaAs合金，所以1550 nm系统采用更高的激光功率以及更高的PDE传感器，这样就可以在我们的系统模拟中实现更出色的测距性能。通过使用传感器镜头(分别对焦在大约905 nm和 1550 nm)上50 nm带通滤波器过滤的100 klux环境光系统级参数，以30 fps、500 kHz激光频率和1 ns脉冲宽度进行超过80°的水平0.1°x 5°视角扫描，并使用22 mm镜头直径，得出如下结果。
图11：基于905 nm和1550 nm的类似LiDAR系统的模拟结果
正如预期，1550 nm系统能够对低反射率物体进行更远的测距，99%的测距概率下可达到500米。然而，基于905 nm的系统仍可以实现超过200米的测距，这表明两种类型的系统在典型环境条件下都可以达到汽车远程LiDAR的要求。在雨水或大雾等恶劣环境条件下时，SWIR光的吸水性会使其性能比基于NIR的系统下降得更快，而这是另一个考虑因素。
成本考虑因素
在广泛研究LiDAR系统所用技术以及使用不同波长的影响之后，现在，我们回到成本考虑因素上。我们之前就解释过，用于NIR LiDAR的传感器采用天然CMOS硅铸造工艺，这可最大限度地降低半导体的成本。此外，通过使用代工厂目前已经掌握的堆叠芯片技术，可将CMOS读出逻辑与传感器集成到一个芯片中，这进一步压缩了信号链并降低了成本。
相反，SWIR传感器使用成本更高的III/V半导体代工厂(如InGaAs)和新型Ge-Si混合技术，虽然可降低SWIR传感器成本，并能更轻松地集成读出逻辑，但即使在技术成熟后，估计仍比传统的CMOS硅贵5倍以上。从激光器方面看，用于制造NIR系统激光器芯片的GaAs晶圆与用于制造SWIR系统激光器芯片的InGaAs晶圆尺寸差异同样会导致成本差异，而NIR系统可以使用VCSEL，并且现成的供应商更多，这一事实亦可降低集成成本。
综合以上因素，IHS Markit进行的一项分析调查(Amsrud，2019)显示，使用相同类型的组件(传感器或激光器)时，SWIR系统的成本比NIR系统高10至100倍。2019年，NIR系统传感器和激光器的平均组件总成本估计为4~20美元/信道，到2025年将降至2~10美元/信道。相比之下，2019年，SWIR系统传感器和激光器的平均组件总成本估计为275美元/信道，到2025年将降至155美元/信道。考虑到LiDAR系统包含多个信道，即使使用1D扫描方法，这也会是一个巨大的成本差异，因为仍需要使用单点信道的垂直阵列。
表3：成本考虑因素总结(来源：IHS Markit)
LiDAR市场动态也不利于SWIR阵营。自动驾驶市场并未像五年前市场预期的那样迅速发展，而必须使用LiDAR的Level 4和Level 5自主性系统也还需要几年才能实现大规模部署。同时，利用LiDAR的工业和机器人市场对成本更加敏感，并且SWIR系统的超高性能优势并非不可或缺，这些系统制造商没有办法像通常所说的那样通过增加产量来降低组件成本。产量增加时可实现成本降低，但实现量产需要降低成本，这其实就是“先有鸡还是先有蛋”的问题。
总结
在深入研究了这项技术以及NIR和SWIR系统之间的差异后，当今绝大多数LiDAR系统使用NIR波长的原因就显而易见。虽然，对未来的展望并不是100%确定的，但显然，成本和可用性是生态系统供应商的关键考虑因素，由于CMOS硅的技术优势和规模经济，NIR系统无疑更具经济效益。虽然SWIR支持远程LiDAR系统，但基于NIR的LiDAR也可以满足汽车远程测距需求，同时在ADAS和AD应用所需的短程到中程配置中也表现出色。
目前，基于NIR的LiDAR已经在汽车市场中实现了大批量生产，这表明该技术已经实现了商业化并通过了市场检验，但整合仍需时日，且无论输赢，都需要经历动荡和调整。20世纪之交的汽车行业有30家不同的制造商，随后十年增加至近500家，但仅仅数年之后，大多数制造商已经销声匿迹。预计到2030年，LiDAR制造商也会经历类似的发展历程。
参考文献
Yole Développement(2020). LiDAR for Automotive and Industrial Applications - Market and Technology Report2020
Amsrud, P. (2019 September 25). The race to a low cost LIDAR system [Conference Presentation]. Automotive LIDAR 2019, Detroit, MI, United States. IHS Markit.
Nick84(2013)CC BY-SA 3.0, via Wikimedia Commons
