雷达（Radar/Lidar）模块驱动，因为数据接口简单，低复杂度，在 ROS2 中常也是 直接发送Topic 模式的驱动。

1. 什么是雷达

雷达运行的电子原理与声波反射原理非常相似。如我们超声波章节介绍的那样，当你朝着山谷方向喊叫时，会听到回声。若已知声音在空气中的传播速度，便能估算出物体的距离和大致方向。只要知晓声速，便可将回声返回所需时间大致换算为距离。

如图所示，雷达运用电磁能脉冲的原理与此极为相似。射频能量向反射物体发射并被其反射，其中一小部分能量会返回雷达装置。这种返回的能量被称为回波，与声学术语完全一致。雷达装置通过回波来确定反射物体的方位和距离。

雷达（RADAR）一词是由"无线电探测与测距"（RAdio Detection And Ranging）英文首字母缩略而成。该术语于1940年11月由美国海军中校塞缪尔·M·塔克与F·R·弗斯正式创制，1943年经二战同盟国协商通过后，在国际范围内获得普遍认可。

雷达指通过反射电磁波来探测物体位置的电子设备。在某些条件下，雷达系统可测量目标的方位、高度、距离、航向及速度。所用电磁波频率不受黑暗影响，并能穿透雾霭云层，使得雷达系统能够定位因距离遥远、光线昏暗或天气恶劣而肉眼无法辨识的飞机、船舶等障碍物。（由于采用电磁波工作机制，雷达能在任何条件下正常运行。）

现代雷达从目标回波信号中获取的信息远不止测距数据，但通过测量延迟时间计算距离仍是其核心功能之一。

1.1 雷达系统基本构成

下图展示了初级雷达装置的工作原理。雷达天线向目标发射微波信号，该信号经目标反射后由接收装置捕获。接收天线采集到的电信号称为回波或返回信号。雷达信号由大功率发射器产生，并由高灵敏度接收器进行接收。

1.2 脉冲 / Time-of-Flight (ToF) — 最直观的方法

原理：发射一短脉冲，测量脉冲发出到回波到达的往返时间 t。距离 R 为往返时间的一半乘以传播速度（电磁波近似光速 c）：

优缺点：实现简单，但高精度 ToF 需要很高的时钟分辨率（纳秒级），且脉冲压缩和匹配滤波常用于提升距离分辨率与灵敏度。

1.3 FMCW（调频连续波）— 实际毫米波雷达常用

调频连续波雷达因其独特优势成为当前最主流技术方案。FMCW 雷达（调频连续波雷达）与传统的脉冲雷达最大的不同是，它持续发射能量，而不是间歇发射短脉冲。因此，不需要高峰值功率的脉冲放大器；平均功率更稳定，接收机可以同步接收反射信号，适合短距与中距探测（如车载毫米波雷达）。

所谓“锯齿状”指的是发射波的频率随时间线性变化（chirp），如下图所示：

• 红色线条 —— 发射信号（Transmit Signal）
  • 红色线表示发射波的频率随时间的线性变化：
    
  • 调频斜率为：
  • 这就是所谓的 “锯齿波（sawtooth chirp）” —— 每一个上升段都是一次调频周期。
• 蓝色线条 —— 回波信号（Received Signal）
  蓝色线代表从目标反射回来的信号，其波形与发射波完全相同，但存在时间延迟 τ：
  
  由于存在延迟，蓝线相对红线向右平移。这意味着当回波返回时，其频率比当前发射频率略低。
• 混频（multiply）
  • 在雷达发送信号的同时，它 保存一份自己刚刚发射出去的波形副本。
  • 当回波回来时，它把**“接收到的波**”与“自己发射的那份副本”做混频（multiply）
    
    经过混频得到的低频信号频率 fb（这应该是一段复杂的数学推导）：

fb= S * τ

我们知道信号传播时间与距离的关系：

#根据上一章节推导的公式
R= （c * τ）/2 =>
τ = 2R/c
#代入上式得
fb= S*(2R/c) => R= (c*fb)/(2*S)

也就是说，混频的主要目的是把 微秒级别的时间延迟，转换成 几十 kHz 的可测频率，这样就可以用常规电子设备直接测距。

FMCW 测速原理

如你所见，这些波完全不同。

• 橙色的波是雷达发射的信号。
• 顶部的蓝色波： 是针对 靠近 雷达的车辆 反射回来的波——波长变短。
• 底部的蓝色波： 是针对 远离 雷达的车辆 反射回来的波——波长变长。

通过计算频率的偏移，我们就能确定车辆的速度和运动方向：这就是所谓的 多普勒效应。

我们知道：

• (f_D) —— 频率偏移（已测量，细节暂略）
• (lambda) —— 波长

1.4 激光雷达（LiDAR, Light Detection and Ranging）

激光雷达（LiDAR, Light Detection and Ranging）是一种利用激光脉冲探测目标位置的传感器。它与雷达（RADAR）原理类似，但使用光波（通常是红外或可见光），波长很短，精度更高。基本工作流程：

• 发射激光脉冲
  • 一般是短脉冲或者调频连续光（FMCW-LiDAR）
• 激光遇到目标反射回传
• 接收光信号
  • 接收器捕捉回波光子
• 测量时间或相位差
  • 通过脉冲飞行时间或相位差计算距离

其测距原理 & 测速原理 ，这里不再描述。

2. Radar和Lidar 的区别

对比项目	Radar（雷达）	LiDAR（激光雷达）
工作原理	发射电磁波（微波/毫米波），接收反射波并计算距离与速度	发射激光（可见光/红外），接收反射光并计算距离与形状
波长范围	毫米级（mm-wave，24GHz、77GHz 等）	纳米级（光波，905nm、1550nm 等）
测距方式	飞行时间或调频连续波（FMCW）	飞行时间（ToF）或相位差测距
测速方式	多普勒效应（频率偏移）	多普勒效应或多帧距离变化
测距精度	厘米～米级	毫米～厘米级
角分辨率	低（需阵列天线提升）	高（可直接生成高密度点云）
探测距离	中远距离（数百米～公里）	近中距离（几十～几百米）
抗干扰能力	强（可穿透雾、雨、尘）	弱（易受雨雾、阳光、反射率影响）
对目标反射率依赖	低（几乎任何物体都可反射）	高（暗色或吸光物体难探测）
速度测量能力	优秀（天然支持多普勒测速）	一般（需算法估计或频移检测）
数据类型	距离 + 速度（二维信息）	高精度三维点云（3D 信息）
计算复杂度	低	高（需点云重建和滤波）
成本与体积	较低、结构简单	较高、光学机械结构复杂
典型应用	汽车自适应巡航、碰撞预警、物位检测、测速雷达	自动驾驶3D建图、环境识别、无人机避障、测绘
优点总结	成本低、抗干扰强、测速准	分辨率高、建模精、测距精度高
缺点总结	分辨率低、无法生成精细3D图像	易受天气影响、成本高

• Radar：擅长“看得远、看得稳、测得准（速度）”，但画面分辨率低。
• LiDAR：擅长“看得清、看得细、建模精”，但怕天气、成本高。

3. 超声波模块 和雷达模块的区别

方面	超声波传感器（Ultrasonic Sensor）	雷达传感器（Radar Sensor）
工作原理	利用声波（通常 20 kHz ~ 40 kHz）发射和回波时间测距（Time-of-Flight，ToF）。传感器发射超声波脉冲，碰到物体后反射回传感器，通过计算声波传播时间求得距离。	利用电磁波（微波或毫米波，频率 24 GHz、77 GHz、或 79 GHz 等）发射和回波频移测距。通过发射波与回波的时延或多普勒频移，计算目标距离和相对速度。
测量类型	主要测量距离（绝对距离），部分高端模块可测速度但不常见。	可测距离和速度（相对运动），多普适合动态目标检测。
测量精度	精度一般在 ±1~3 mm（近距离），有效测量范围约 2 cm ~ 4 m。	精度受波长和信号处理影响，距离精度通常 1~10 cm，速度精度可达 cm/s 级别。
测量范围	短至中距离，通常 2~400 cm；受声波衰减影响，远距离测量困难。	中到远距离，典型汽车毫米波雷达可达 200 m 以上。
分辨率 / 波束宽度	波束较宽（一般 15° ~ 30°），容易受旁边障碍物干扰。	波束窄（几度到十几度可调），可分辨多个目标，抗干扰能力强。
对环境影响	对空气温度、湿度敏感；雨、风、软质物体（布料、泡沫）反射差，可能导致测量误差。	对气象环境适应性好（雨、雾、灰尘影响小）；对金属、硬质物体反射效果最佳。
响应速度	中低速，适合静态或慢速目标。	高速动态目标检测能力强，适合车辆、无人机等高速场景。
硬件成本	低成本，常用于教育、机器人避障、简单测距。	高成本，常用于汽车 ADAS（辅助驾驶）、无人驾驶、工业检测。
典型应用	机器人避障、液位测量、物体存在检测、自动门开关、停车辅助低速探测。	汽车雷达（自适应巡航、盲点监测）、无人驾驶环境感知、工业物体测速、无人机避障。
接口与 ROS 使用	常通过 GPIO/ADC 接口连接 MCU/Raspberry Pi，ROS 中常通过 /ultrasonic/distance、/ultrasonic/velocity topic 发布。	通常通过 CAN 总线、UART、USB 或以太网连接，ROS 中常通过 /radar/objects、/radar/velocity 等 topic 或自定义消息发布。

雷达理论上能检测 1 m 内障碍物，但精度、盲区、最小测距限制都让它不如超声波直观可靠。因此，常见做法是 1 m 内靠超声波，1 m 以上靠雷达。

4. IWR1443 Redar 模块

WR1443 器件是一款基于 FMCW 雷达技术 的集成单芯片毫米波传感器，
可在 76–81 GHz 频段 工作，支持 高达 4 GHz 的连续调频（chirp）带宽。该芯片集成了 3 发射天线（TX）与 4 接收天线（RX） 的单片系统。其系统结构图如下：

雷达模块的原理相对复杂，我们只是简单地描述下，其基本工作原理如下：

• 1. 配置阶段（Configuration）
  • 外部主机（如 MCU、PC）通过 UART/SPI 发送配置命令，设置参数包括：
    • 起始频率（Start Frequency）
    • 调频带宽（Bandwidth）
    • Chirp 时长
    • Chirp 数量与 Frame 周期
    • 采样率、ADC 通道数、输出格式等
• 2. 触发阶段（Trigger）
  通过软件命令或硬件引脚（如 SYNC_IN）触发一次雷达帧。雷达开始发射 FMCW 信号（一帧通长包含多个chirp 波）。
• 3. 信号采集（Signal Acquisition）
  回波信号经过混频，与本地发射副本相乘，得到 beat 信号，再由 ADC 数字化。
• 4.信号处理（Signal Processing）
  硬件加速器或 DSP 执行：
  • 1D FFT：得到目标距离（Range）
  • 2D FFT：叠加多个 chirp，得到速度信息（Doppler）
  • CFAR 检测：自动检测目标峰值
  • 角度估计（可选）：根据多天线相位差求出方位角
• 5. 结果输出（Output）
  结果通过 UART 或 SPI 输出，包括目标距离、速度、角度、功率等信息。

5. Redar/Lidar 驱动需要的接口

不同的Redar/Lidar 厂商，根据自己芯片，会出现不同的接口和数据结构，我们给出一些必要的常见接口，和数据类型。

[Radar Node]
├── Publishers
│   ├─ /radar/pointcloud (PointCloud2) #输出雷达测得的点云数据，包括距离、角度和回波强度。
├── Services
│   ├─ /radar/start #启动雷达帧采集
│   ├─ /radar/stop # 停止雷达采集。
│   ├─ /radar/get_status #查询雷达工作状态（是否在线、采集正常、故障标志）。
├── Parameters
│   ├─ chirp_config #定义 chirp 信号参数（频率、带宽等），用于测距和测速。
│   ├─ frame_config # 定义一帧中 chirp 数量和帧率，用于速度估计和数据采集控制。

5.1 pointcloud 详细介绍（2D/3D雷达）

sensor_msgs/PointCloud 是 ROS（ROS1/ROS2 都可用）中 二维/三维点云的旧版消息类型，主要用于表示一个采样的点集合，每个点包含空间坐标，可附加若干通道信息（如强度）。
消息结构如下：

sensor_msgs/PointCloud
├─ header
│   ├─ seq        # 消息序号
│   ├─ stamp      # 时间戳
│   └─ frame_id   # 坐标系
├─ points[]       # 点列表，每个点是 geometry_msgs/Point32
│   ├─ x
│   ├─ y
│   └─ z
└─ channels[]     # 附加信息数组
    ├─ name       # 通道名称，如 "intensity"
    └─ values[]   # 对应每个点的值

在ROS2 中， LiDAR 由于精度高，主要用于定位/建图/避障。Radar可测速、抗干扰强、用于运动目标检测和跟踪。

我们以LiDAR 为例(主要测试距离)，针对PointCloud 数据结构，主要关注points 下x, y, z， 其它可以不填。

雷达一般输出的原始数据主要有以下几类：

数据	说明
r	目标到雷达的径向距离（米）
θ	水平方向角度（Azimuth, rad/°）
φ	垂直方向角度（Elevation, rad/°），某些平面雷达没有
v	多普勒速度（m/s）
intensity	雷达回波强度（可选）

2D 雷达（平面，只有水平角 θ）
假设雷达安装在水平面，Z 方向为 0：

3D 雷达（有水平角 θ 和俯仰角 φ）
如果雷达是三维的，每个点有水平角 θ 和垂直角 φ（俯仰角）：

• φ = 0 → 与雷达水平面平行
• φ > 0 → 高于水平面
• φ < 0 → 低于水平面

给出伪代码如下：

for r, theta, phi, v, intensity in radar_points:
    x = r * math.cos(phi) * math.cos(theta)
    y = r * math.cos(phi) * math.sin(theta)
    z = r * math.sin(phi)
    point_cloud.append((x, y, z, intensity, v))

5.2 sensor_msgs/LaserScan详细介绍（2D 雷达）

sensor_msgs/LaserScan 是 ROS（机器人操作系统）中用于表示二维激光雷达（2D LiDAR）扫描数据的标准消息类型。一般发布的topic 为**/scan**。
数据格式如下：

std_msgs/Header header
float32 angle_min
float32 angle_max
float32 angle_increment
float32 time_increment
float32 scan_time
float32 range_min
float32 range_max
float32[] ranges
float32[] intensities

字段介绍如下：

字段名	类型	含义	举例
header	std_msgs/Header	包含时间戳和坐标系信息（通常是雷达的坐标系 laser_frame）	header.frame_id = "laser_frame"
angle_min	float32	扫描的起始角度（弧度）	-1.57 → -90°
angle_max	float32	扫描的结束角度（弧度）	+1.57 → +90°
angle_increment	float32	每两束激光之间的角度间隔	0.00436 → 0.25°
time_increment	float32	相邻测量之间的时间间隔（秒）	通常非常小（ms级）
scan_time	float32	完成一帧扫描所需时间（秒）	例如 0.033s（30Hz 扫描）
range_min	float32	雷达可测的最小距离（米）	0.12
range_max	float32	雷达可测的最大距离（米）	3.5
ranges[]	float32[]	每束激光的测距结果（单位：米）	长度 = (angle_max - angle_min) / angle_increment
intensities[]	float32[]	每束激光的强度值（可选）	一些雷达没有此字段

5.3 pointcloud2 详细介绍（3D 雷达）

sensor_msgs/PointCloud2 是 ROS/ROS2 中 三维点云数据的标准消息类型，相比旧版 PointCloud，它具有以下特点：

• 数据结构统一、高效，可支持大规模点云
• 支持自定义字段（如 intensity、velocity、id 等）
• 可存储稠密或稀疏点云

ROS2 推荐在雷达和 LiDAR 点云发布时使用 PointCloud2。

消息结构如下：

sensor_msgs/PointCloud2
├─ header
│   ├─ seq        # 消息序号
│   ├─ stamp      # 时间戳
│   └─ frame_id   # 坐标系
├─ height        # 行数（通常 1，表示非图像化点云）
├─ width         # 每行点数
├─ fields[]      # 点云每个字段描述
│   ├─ name      # 字段名称，例如 x, y, z, intensity, velocity
│   ├─ offset    # 字段在每个点字节结构中的偏移
│   ├─ datatype  # 数据类型（FLOAT32, UINT32 等）
│   └─ count     # 每个点该字段占几个值（通常 1）
├─ is_bigendian   # 数据字节序
├─ point_step     # 每个点占字节数
├─ row_step       # 每行占字节数
├─ is_dense       # True = 所有点有效，False = 存在无效点
└─ data[]         # 连续存储的点数据字节数组

给出python 填写的伪代码：

pc2 = PointCloud2()
....
# 点数
pc2.height = 1
pc2.width = len(radar_points)
# 定义字段
pc2.fields = [
    PointField('x', 0, PointField.FLOAT32, 1),
    PointField('y', 4, PointField.FLOAT32, 1),
    PointField('z', 8, PointField.FLOAT32, 1),
    PointField('intensity', 12, PointField.FLOAT32, 1),
    PointField('velocity', 16, PointField.FLOAT32, 1)
]
pc2.is_bigendian = False
pc2.point_step = 20  # 每个点 5 个字段，每个字段 4 字节
pc2.row_step = pc2.point_step * pc2.width
pc2.is_dense = True

data_bytes = []
for pt in radar_points:
    r, theta, phi, intensity, velocity = pt
    x = r * math.cos(phi) * math.cos(theta)
    y = r * math.cos(phi) * math.sin(theta)
    z = r * math.sin(phi)
    data_bytes.append(struct.pack('fffff', x, y, z, intensity, velocity))

pc2.data = b''.join(data_bytes)   

至此，我们就完成了雷达原理 & 接入ROS2的原理性阐述。