流动性正在发生巨大的飞跃。无论是在正在开发自动驾驶解决方案的汽车行业，还是在使用机器人和自动导引车的工业应用中，都是如此。整个系统中的各个组成部分必须相互配合，相辅相成。主要目标是在车辆周围创建无缝的3D视图，使用此图像计算物体距离，并在特殊算法的帮助下启动车辆的下一次移动。事实上，这里同时使用了三种传感器技术：激光雷达（LiDAR）、雷达和相机。根据具体的应用场景，这三种传感器各有优势。将这些优势与冗余数据相结合可以大大提高安全性。这些方面协调得越好，自动驾驶汽车在环境中的导航能力就越好。
1.直接飞行时间（dToF）：
在飞行时间方法中，系统制造商使用光速来生成深度信息。简言之，定向光脉冲被发射到环境中，当光脉冲击中物体时，它被光源附近的探测器反射并记录。通过测量光束到达物体并返回所需的时间，可以确定物体距离，而在dToF方法中，可以确定单个像素的距离。接收到的信号最终被处理以触发相应的动作，例如避免与行人或障碍物碰撞的车辆躲避动作。这种方法被称为直接飞行时间（dToF），因为它与光束的精确“飞行时间”有关。用于自动驾驶汽车的激光雷达系统是dToF应用的典型示例。
2.间接飞行时间（iToF）：
间接飞行时间（iToF）方法是相似的，但有一个显著的区别。来自光源（通常是红外VCSEL）的照明被躲避片放大，脉冲（50%占空比）被发射到定义的视场中。
在下游系统中，如果光线没有遇到障碍物，存储的“标准信号”将触发探测器一段时间。如果物体中断了该标准信号，则系统可以基于所产生的相移和脉冲串的时间延迟来确定检测器的每个定义像素的深度信息。
3.主动立体视觉（ASV）
在“主动立体视觉”方法中，红外光源（通常是VCSEL或IRED）用图案照亮场景，两个红外相机以立体方式记录图像。
通过比较这两幅图像，下游软件可以计算出所需的深度信息。灯光通过投影图案来支持深度计算，即使是在墙、地板和桌子等几乎没有纹理的对象上也是如此。这种方法非常适合在机器人和自动导引车（AGV）上进行近距离、高分辨率的3D传感，以避免障碍。
