主流 3D 感知技术对比-iTOF、dTOF、结构光、激光雷达

主流 3D 感知技术对比-iTOF、dTOF、结构光、激光雷达

四类主流 3D 感知技术对比表

对比维度 🟦 iToF 相机 🟧 dToF 相机 🟥 固态 LiDAR + 可见光融合 🟩 结构光相机
测距原理 连续调制光 → 相位差计算 激光脉冲 → 飞行时间测距 激光扫描点云 + 图像纹理融合 投射编码光图案 + 视差三角测量
代表设备 Intel D435i, Azure Kinect ST VL53L5CX, Sony IMX611 L3CAM, RoboSense M1 + RGB RealSense SR300, Apple Face ID, Orbbec
点云密度 ✅ 高(~百万点) ⭕ 低(~几千点) ⭕ 中(~十万点),图像补点 ✅ 高(~几十万点)
深度精度 ⭕ 中(±1~2cm) ✅ 高(±1~5mm) ✅ 高(±3--5mm) ✅ 高(±1mm典型)
测距范围 ⭕ 近中距(0.1--5m) ⭕ 近中距(0.1--10m) ✅ 中远距(0.1--200m) ❌ 近距(0.1--2m最佳)
抗阳光干扰 ❌ 弱 ✅ 较强 ✅ 强 ❌ 非常弱(完全依赖投影)
抗多路径干扰 ❌ 差 ✅ 中 ✅ 强 ❌ 差(镜面物体误差大)
工作光源 红外调制光(850/940nm) VCSEL 脉冲激光 905/1550nm 激光 + 可见光 结构光投影 + 红外摄像头
图像融合能力 可输出 RGB+D 稀疏点,图像不融合 图像 + 点云完全可融合 通常输出深度图 + 灰度图
典型输出 RGB + Depth 单点 or 小阵列距离值 点云 + 图像(配准后) Depth + 灰度图像
适合建模精度 ⭕ 可用但误差大 ⭕ 中等 ✅ 精确建模(毫米级) ✅ 高精度建模(室内)
适合裂缝检测 ❌ 不足(密度高但不准) ❌ 点太少 ✅ 高精度可融合检测 ⭕ 适合近距,但室外适应差
复杂环境鲁棒性 ⭕ 一般 ✅ 强 ✅ 最强 ❌ 室外易失效
系统复杂度 ✅ 简单 ✅ 简单 ⭕ 中高(需同步+融合) ✅ 简单(但对环境依赖高)
价格(单机) ¥1K--5K ¥0.1K--2K ¥2万--10万 ¥1K--3K
典型应用 人体识别、 手势交互、SLAM 手机激光测距、AF对焦 工业检测、自动驾驶、建模 Face ID、3D扫描、教育/游戏交互

✅ 总结建议

需求 推荐技术
室内手势交互 / 姿态识别 🟩 结构光 或 🟦 iToF
智能门锁 / 手机对焦 / 自动门 🟧 dToF
桥梁/隧道裂缝检测 / 工业3D建模 🟥 固态 LiDAR + 可见光融合
全景 3D 扫描 / 零件精密测量(<2m) 🟩 结构光(受限于光照)
恶劣环境(雨雾阳光)作业场景 🟥 LiDAR + RGB,抗干扰性最好

技术核心:LiDAR + 可见光 图像引导增强建模

方法 作用 说明
图像引导点云超分辨 增强稀疏点云细节 使用 RGB 图像纹理结构推测点云间缺失区域,提高空间分辨率
结构边缘对齐 / 纹理对齐 提高边界精度 将图像边缘用于点云边界微调,如裂缝边缘贴合精度提升到 <1mm
多视角融合建模 弥补稀疏点云盲区 通过移动平台获取多帧点云(SLAM或静态拼接),提高覆盖率与建模细节
相机引导配准优化 矫正几何偏差 精准标定 + 相机辅助点云对齐,减少 LiDAR 探测误差引入的"浮点"现象
图像分割 + 点云赋值 实现语义结构建模 图像识别裂缝、结构边界 → 映射到点云模型,实现"语义感知3D"重建

为什么 iToF 虽然密度高,却没被用于工业3D建模?

这是关键点。虽然 iToF 点云密度高,但在实际精度、稳定性、抗干扰上存在局限:

项目 iToF 相机 LiDAR
点云密度 ✅ 高 ⭕ 中等
点云精度 ❌ 厘米级 ✅ 毫米级(3~5mm)
抗强光能力 ❌ 易过曝 ✅ 抗阳光干扰强
长距离检测 ❌ 不足 ✅ 可达100m+
垂直视场角 ✅ 较宽 ⭕ 限于线阵排布
多路径干扰 ❌ 严重 ✅ 抑制能力强

✅ 总结结论:

比较维度 iToF 固态LiDAR
✅ 点云密度 更高(成像级) 较低(稀疏扫描)
✅ 近距离分辨率 中等
✅ 中远距离精度 更优(3D建模/测绘)
✅ 成本 较低 中高
✅ 工业检测/裂缝重建 ❌ 易误判 ✅ 更稳定可靠