雖然大廠們都在做，從原理來看，ToF其實也并不是什么高高在上的技術，簡單來說它就是通過紅外發射器發射調制過的光脈沖，遇到物體反射后，用接收器接收反射回來的光脈沖，并根據光脈沖的往返時間計算與物體之間的距離。根據原理來看，ToF技術早期的應用相對簡單，就是用來測距。

但是，隨著ToF技術的應用不斷拓寬，ToF傳感器進入人們的視野主要是智能手機和平板領域，并且主要集中在3D ToF圖像傳感器，由于ToF傳感器目前最主要的是應用在成像領域，所以本文僅討論ToF圖像傳感器。

無論是哪一家手機廠商，最新的幾款智能手機配備的攝像頭數量至少有2個，可謂是在攝像頭數量上下足了功夫，這似乎也是廠商近些年能夠在手機上能做的為數不多的創意了，很多用戶認為多攝像頭僅僅是廠家用于提升拍照性能，但是事實并非如此。

在ToF傳感器逐漸成為智能手機標配的時候，多攝像頭的目的就逐漸浮出水面，可用于多場景的識別應用，例如前置及后置鏡頭用于手勢識別或者安全支付的臉部3D辨識,以及AR/VR也是ToF在3D感知上的應用方向。

根據圖1 ，IHS Markit的數據顯示， 2019年，ToF傳感器在3D光學市場上的市場規模超過5億美元，并且通過占比越來越高，雖然與雙目和結構光等方案的相比，ToF屬于后期之秀，但是從趨勢來看，平分秋色，甚至超越，可能也只是時間問題。

從圖2可以看到，目前ToF傳感器在細分領域的市場份額，主要還是以消費電子和汽車為主。

但是我們注意到ToF圖像傳感器除了在消費電子上仍然有很大的應用前景，其在物聯網領域潛力也具有被挖掘的潛力。從圖2的ToF傳感器市場占比來看，緊隨智能手機和平板市場之后的是樓宇檢測、智能家居、汽車中控、無人機等領域。

擁有如此廣泛的應用場景，得益于ToF圖像傳感器相比于結構光和雙目RGB的優點：實時地快速地計算物體的深度信息，且深度計算不受物體表面灰度特征的影響，深度計算精度不會隨距離改變而變化，基本上可以保證厘米級的精度，尤其適用于一些大范圍距離變化且高速的應用場合。

加上是主動光源束，所以在光源不傷害人眼的情況下，ToF傳感器理論上的最遠探測距離可以達到100m，且可以調節光源靈活切換需求距離。另外，ToF傳感器抗干擾能力和成本優勢也比較明顯。

根據上述ToF傳感器的特性優勢，筆者認為ToF傳感器能夠大范圍應用于物聯網領域，并且更適用于物聯網碎片化的場景需求，其靈活性更大。

具體來說，在物聯網場景中，智能家居、智慧安防、智慧零售、人流監控，ToF傳感器用于識別和跟蹤人體，不僅僅是現在的認臉模式，通過深度信息可以提高識別準確度；在自動駕駛/ 車內感知領域，ToF 傳感器也可以成為車載激光雷達、車內人體識別、車內手勢識別的重要元器件等。目前，也有不少企業將ToF傳感器植入AGV和機器人手臂當中，用于精準導航和實時避障。

總體來說，對于以前不具備深度信息的2D識別技術，ToF傳感器能夠很大程度上增加識別維度，提升識別的安全性、全面性和準確性。

"新生"的ToF傳感器所面臨的機遇和挑戰

雖說，ToF傳感器的特性展示出良好的物聯網領域應用場景，但是目前市場還沒有鋪開來。筆者認為其中最大的阻礙是，ToF傳感器的功耗和分辨率的劣勢。由于使用主動光源，所以在功耗上，ToF傳感器目前并不符合物聯網對于硬件低功耗的需求。

另外，受限于深度信息捕捉，ToF方案需要投射的點越多越好，而目前ToF探測器每秒鐘只能測量大約1億個測量值，這將現有的ToF系統的分辨率限制在厘米級。

所以，從ToF技術本身上來解決多場景應用的問題，功耗和分辨率是繞不開的障礙。不過，換一種思維問題或許有了轉機。

從分辨率和功耗上來看，加入AI似乎成為了突破ToF技術瓶頸的一種可能性方法。由于3D ToF的影像分辨率遠不及現有的RGB雙目技術，所以可以利用人工智能算法將RGB和ToF兩種影像信息的同步，縮小2D+3D影像同步所需要分辨率間的差距，彌補ToF在物體邊緣所缺少的深度信息。

目前，國內在AI芯片或者NPU的研發獲得了長足進步，將兩者與ToF搭配使用來代替通用主處理器，可以明顯降低整體功耗，而且還能進一步降低成本。如果將AI與ToF融合研發，將會幫助ToF進一步突破技術瓶頸，延伸出更多的應用場景。

當然，對于物聯網來說，功耗低是剛需，但是分辨率的需求可能更加靈活，很多ToF傳感器廠商也在高成本的基礎上推出了ToF高分辨率方案，但是下游模組和終端廠商能夠拋棄高成本這個因素值得考量。所以ToF傳感器在物聯網的實際應用中仍處于初步階段，相關的問題也會存在，但在3D識別領域，ToF將會憑借其優異的特性成為主流方案之一。