什么是飞行时间(ToF)技术

Key Takeaways

  • 飞行时间(ToF)通过测量光信号从发射到反射返回的传播时间或相位差来计算深度信息。
  • ToF 系统的深度精度取决于调制频率、信噪比(SNR)以及多径干扰(MPI)等误差的抑制能力。
  • ToF 能够实现实时、逐像素的稠密深度感知,广泛应用于机器人、工业自动化和 RGB-D 视觉系统。

什么是 ToF?

飞行时间(Time-of-Flight,ToF)是一种通过测量光在空间中传播时间来获取目标距离的主动式深度感知技术。
在实际系统中,ToF 相机通过红外光源主动照射场景,并对每个像素计算深度,从而生成稠密的三维深度图。典型 ToF 系统由光源(如 VCSEL 或 LED)、光学组件以及能够检测时间或相位信息的图像传感器构成。
ToF 技术主要分为两类:
  • 直接飞行时间(dToF):通过测量光子的绝对飞行时间实现测距
  • 间接飞行时间(iToF):通过测量调制光信号的相位差计算距离
飞行时间(ToF)是一种通过测量光信号传播延迟来计算距离的主动式深度感知方法。

ToF 是如何工作的?

在 iToF 系统中,深度信息通过发射光与接收光之间的相位差来计算。系统以已知调制频率 f 发射调制光,反射光信号相对于发射信号会产生相位差 φ。
距离计算公式如下:
d = c · φ / (4πf)
其中:
  • c:光速
  • f:调制频率
  • φ:相位差
相位的获取通常采用多相位采样方法,例如四相采样:
φ = arctan((I₃ - I₁) / (I₀ - I₂))
其中 I₀, I₁, I₂, I₃ 为不同相位采样点的信号强度。
调制频率越高,深度分辨率越高,但无歧义测距范围会减小:
d_max = c / (2f)
为扩展测距范围,通常采用多频调制与相位解包裹方法。
实际应用中,测量结果会受到多种因素影响:
  • 多径干扰(MPI):多次反射导致相位偏移
  • 环境光干扰:引入光子噪声
  • 传感器非线性:影响相位计算精度
为提升测量稳定性,系统通常采用以下方法:
  • 深度滤波(时域与空域降噪)
  • 系统标定(内参、外参及相位补偿)
  • 多曝光与 HDR 策略
在间接飞行时间(iToF)系统中,深度通过发射光与反射光之间的相位差进行计算。

为什么 ToF 重要?

ToF 技术能够提供实时、逐像素的深度信息,这是传统被动视觉方法难以实现的能力。
与双目视觉相比:
  • 不依赖纹理特征
  • 在低光环境下性能稳定
  • 深度计算为直接测量而非匹配推断
与结构光相比:
  • 更适用于中远距离测量
  • 支持更高帧率
但 ToF 系统对整体设计要求较高:
  • 光学设计影响照明均匀性
  • 标定精度直接决定测距准确性
  • 多径干扰(MPI)需要有效抑制
在机器人和感知系统中,深度精度直接影响:
  • 障碍物检测可靠性
  • 抓取与操作精度
  • 场景理解能力
ToF 深度感知能够在不依赖场景纹理和环境光条件的情况下实现实时稠密三维重建。

应用领域

ToF 技术已广泛应用于需要实时三维感知的场景。

机器人

ToF 用于导航、避障和操作任务,通常与 RGB 图像融合形成 RGB-D 数据。在机器人系统中,ToF 传感器通过提供稠密深度信息支持导航、避障与操作任务。

工业自动化

典型应用包括:
  • 体积测量
  • 目标检测与定位
  • 安全防护监测
ToF 在受控或半受控光照环境中具有稳定性能。ToF 相机在工业自动化中用于实时距离测量和目标定位。

智能设备

包括手势识别、人脸识别、AR/VR 交互等应用。

医疗与监测

应用包括跌倒检测、人体行为监测、非接触式测量等。

RGB-D 融合系统

ToF 深度数据与 RGB 图像融合,用于提升语义理解能力。RGB-D 融合通过结合 ToF 深度信息与彩色图像提升场景理解与目标识别能力。

SGI 方案

SGI 提供覆盖硬件、光学与算法的 ToF 系统级解决方案。
在硬件层面:
  • 集成 iToF 传感器并优化调制频率配置
  • 基于 VCSEL 的照明设计,实现功率与均匀性的平衡
  • 面向应用场景的镜头设计,优化视场角(FOV)与畸变控制
在算法层面:
  • 深度滤波算法,用于降低噪声与提升稳定性
  • 多径干扰(MPI)抑制方法,包括多频策略与信号建模
  • 相位校正与系统标定模型,用于降低系统误差
在系统层面:
  • 出厂标定(内参、外参与相位补偿)
  • 温度漂移补偿模型
  • RGB-D 融合处理流程
系统支持嵌入式平台接口(MIPI、USB)、实时深度输出,以及与机器人及工业系统集成。
完整的 ToF 系统需要在光学设计、调制策略、系统标定和深度算法之间进行协同优化。

相关主题