TOF（Time Of Flight 飞行时间）

最后终于轮到主角TOF了，其原理就是飞行时间测距法（Time Of Flight）。通过给目标连续发送光脉冲，然后用传感器接收从物体返回的光，通过探测光脉冲的飞行（往返）时间来得到目标物距离。

这种技术跟3D激光传感器原理类似，只不过3D激光传感器是逐点扫描，而TOF则是同时得到整幅图像的深度信息。跟结构光一样也是主动式投射红外光，但作用不是用来形成点阵纹理信息，而是利用高频调制入射光信号与反射光信号的变化来进行距离测量。

当然TOF同样也需要接收器，在接收前会先经过滤光片，确保只有与投射光源波长相同的光才能进入。然后TOF传感器会记录红外光往返与TOF模组与被测物体之间的相位数据。

需要注意的是，红外投射器和TOF传感器（也就是接收器），都需要高速信号控制才能达到深度测量精度。假如照射光与ToF传感器之间的时钟信号发生10ps的偏移，就相当于1.5mm的位移误差。

微软后来在Kinect V2上，就改用了来自以色列3DV的TOF技术。大疆无人机在智能避障方面，除了双目也会采用TOF红外的解决方案。智能手机方面，GoogleProject Tango采用了来自PMD的TOF深度相机，不过更多的还是红外距离传感器这种单点测距应用。

二、vivo TOF 3D超感应技术

vivo TOF 3D超感技术当然也是基于上述原理：发射器发出经调制的近红外光，遇到人或物体后反射，传感器在接收到红外光信息后，计算红外光线发射和反射的时间差，从而形成立体视觉。

行业顶级CCD传感器和低功耗的定制AFE芯片，是vivo TOF的硬件基础条件。再加上AI辅助深度优化以及3D建模算法，最终达到不输于结构光的毫米级别3D成像效果。

根据vivo官方技术文档介绍，TOF 3D超感应技术具备一下三点优势：

1.有效深度信息：vivo TOF 3D超感应技术的有效深度信息点高达30万，这里的信息点就是我们前面所有的TOF传感器。对比红外距离感应器的单点测距，30万个点就相当于有效深度信息为30万的红外面光源测距，自然能得到高精度的被测物体表面深度信息。

2.工作距离：vivo给出的数据是3米，这个距离大约是结构光技术的3倍。事实上TOF也确实具备更远的工作距离，但具体到1米范围内，特别是在20-30cm的面部识别场景下，跟结构光在精度上的差距并不大。

3.结构体积：vivo TOF的基线（BaseLine）也就是投射器与接收器之间的最短距离，要比结构光模块更短。同时Sensor的面积/体积也更加小巧，对于产品ID设计来说就不再需要那么长的“刘海”区域，同时对于内部空间特别PCB板的压力也更小。

根据vivo相关工程师描述，TOF 3D超感应技术算法的最大难点，在于如何控制30万个CCD传感器“开关”。另外如何实现毫米级响应，以及滤波算法、AI修复，也都是需要攻克的技术点。

三、“10倍”认知误区

如果你认真阅读了上面TOF相关的两个章节，应该能理解时间飞行（Time Of Flight）与3D结构光技术的本质区别。从测距建模到发射接收传感器，两者都是完全不同的理论算法和硬件基础。

在6月底上海MWC上，vivo说TOF相较于iPhone X，有效深度信息量是3D结构光的10倍。但事实上vivo并没有说明这个10倍的数据逻辑关系，所以几乎所有科技媒体都对此产生了「“10倍”认知误区」。