• Menu

Harsher

🇬🇧 EN | 🇩🇪 DE | 🇪🇸 ES
  • Home
  • Technology
  • Contact
  • Team
  • Blog

← Zurück zum Blog

LiDAR vs. Radar — Warum die Wellenlänge bei geringer Sicht entscheidend ist

3. Juni 2026

LiDAR vs. Radar Wellenlängenvergleich — kurze LiDAR-Wellen streuen an Staub und Wassertröpfchen; lange Radar-Wellen dringen hindurch

Das Verständnis der Wechselwirkung zwischen elektromagnetischen Wellenlängen und Partikeln ist entscheidend für den Einsatz von Sensortechnologien unter rauen, realen Bedingungen. Radar- und LiDAR-Systeme arbeiten in grundlegend unterschiedlichen Bereichen des elektromagnetischen Spektrums, und dieser Unterschied bestimmt direkt ihre Leistungsfähigkeit in Umgebungen, die mit Wassertropfen, Staub, Rauch oder Schmutzpartikeln belastet sind.

LiDAR (Light Detection and Ranging) nutzt kurze Wellenlängen, typischerweise im sichtbaren bis nahen Infrarotbereich (etwa 0,3–1,0 µm). Diese Wellenlängen sind vergleichbar mit oder kleiner als gängige atmosphärische Partikel wie Staub (1–10 µm) und Wassertröpfchen (~10 µm). Infolgedessen werden LiDAR-Signale stark gestreut oder absorbiert, wenn sie auf diese Partikel treffen 1. Dies führt zu einer Signaldämpfung, einer verringerten Reichweite und einer verminderten Genauigkeit in Umgebungen mit Nebel, Regen, Rauch oder Staub in der Luft. Darüber hinaus führt Staubansammlung im LiDAR-Sensor zu ungenauen Messungen, wodurch Roboter daran gehindert werden, ihre Umgebung präzise zu erfassen.

Radar (Radio Detection and Ranging) 2 arbeitet dagegen mit wesentlich längeren Wellenlängen 3, typischerweise im Millimeter- bis Zentimeterbereich (1 mm bis 10 cm). Diese Wellenlängen sind deutlich größer als die meisten Partikel in der Umgebung. Aufgrund dieses Größenunterschieds werden Radarwellen weniger durch Streuung beeinträchtigt und können Staubwolken, Nebel, Regen und sogar Laub mit relativ geringer Dämpfung durchdringen.

Dieser physikalische Unterschied ist in Umgebungen ohne GNSS-Empfang und rauen Umgebungen von entscheidender Bedeutung, in denen sich Roboter nicht auf die Satellitenortung verlassen können.

Bergbau und Steinbruchbetrieb

Bergwerke und Steinbrüche sind durch dichte Staubwolken gekennzeichnet, die durch Bohrarbeiten, Sprengungen und den Einsatz schwerer Maschinen entstehen. LiDAR-Systeme haben unter diesen Bedingungen Schwierigkeiten, da Staubpartikel das Laserlicht streuen und so die Sicht und Genauigkeit beeinträchtigen. Radarsysteme hingegen gewährleisten eine zuverlässige Erkennung und Entfernungsmessung, was eine sicherere Navigation autonomer Fahrzeuge sowie eine bessere Überwachung von Ausrüstung und Gelände ermöglicht.

Flughäfen und Flugsicherheit

Flughäfen müssen unter allen Wetterbedingungen betrieben werden, einschließlich dichtem Nebel, Regen und Schnee. LiDAR-basierte Systeme können bei schlechter Sicht aufgrund der Streuung durch Wassertropfen an Wirksamkeit verlieren 4. Radar durchdringt mit seinen längeren Wellenlängen diese Bedingungen effektiv und ist daher unverzichtbar für die Flugzeugerkennung, die Überwachung von Bodenbewegungen und Systeme zur Kollisionsvermeidung.

Forstwirtschaft und Waldbrandumgebungen

Wälder stellen komplexe Umgebungen dar, die durch Laub, Feuchtigkeit 5 und Schwebeteilchen gekennzeichnet sind. Bei Waldbränden beeinträchtigen Rauchpartikel die LiDAR-Leistung erheblich 6. Radarsysteme können Rauch und teilweise Vegetationsbedeckung durchdringen und ermöglichen so eine konsistentere Erkennung von Gelände, Hindernissen und Bewegungen. Diese Fähigkeit ist für Löscharbeiten, Überwachung und autonome Navigation in bewaldeten Gebieten von entscheidender Bedeutung.

Industrielle und raue Umgebungen

In Umgebungen, in denen die Konzentration von Schwebeteilchen stark schwankt – wie beispielsweise auf Baustellen, in Häfen und in der Schwerindustrie –, wird die Zuverlässigkeit der Sensoren zu einem limitierenden Faktor. LiDAR bietet unter klaren Bedingungen eine hochauflösende Kartierung, wird jedoch unzuverlässig, wenn die Partikeldichte zunimmt 7. Radar liefert robuste Erfassung mit geringerer Auflösung, die unabhängig von Umgebungsstörungen stabil bleibt.

Fazit

Der Wellenlängenunterschied zwischen LiDAR und Radar ist kein nebensächliches technisches Detail. Die Wellenlänge bestimmt vielmehr deren Einsatzgrenzen. LiDAR eignet sich hervorragend für saubere Umgebungen, in denen hohe Präzision gefordert ist, während Radar in rauen, partikelreichen Umgebungen dominiert, in denen Durchdringung und Zuverlässigkeit entscheidend sind. Moderne Sensorsysteme kombinieren zunehmend beide Technologien, um ein Gleichgewicht zwischen Auflösung und Robustheit herzustellen und so eine zuverlässige Leistung unter den unterschiedlichsten Umgebungsbedingungen zu gewährleisten.

Verwandte Artikel

  • Warum die Lokalisierung von Robotern in GNSS-freien Umgebungen scheitert
  • Lokalisierung und Kartierung — Die Grundlage autonomer Roboter

Interessiert, wie das für Ihren Einsatz relevant ist? Wir freuen uns von Ihnen zu hören.

Kontakt aufnehmen

Quellen

  1. Filgueira, A., González-Jorge, H., Lagüela, Susana, Díaz-Vilariño, L., and Arias, Pedro. "Quantifying the influence of rain in LiDAR performance." Measurement 95 (2017): 143-148.
  2. Sun, Shunqiao, Petropulu, Athina P., and Poor, H. Vincent. "MIMO radar for advanced driver-assistance systems and autonomous driving: Advantages and challenges." IEEE Signal Processing Magazine 37, no. 4 (2020): 98-117.
  3. Gao, Xiangyu, Roy, Sumit, Xing, Guanbin, and Jin, Sian. "Perception through 2d-mimo fmcw automotive radar under adverse weather." In 2021 IEEE International Conference on Autonomous Systems (ICAS), pp. 1-5. IEEE, 2021.
  4. Sheeny, Marcel, De Pellegrin, Emanuele, Mukherjee, Saptarshi, Ahrabian, Alireza, Wang, Sen, and Wallace, Andrew. "Radiate: A radar dataset for automotive perception in bad weather." In 2021 IEEE International Conference on Robotics and Automation (ICRA), pp. 1-7. IEEE, 2021.
  5. Zhang, Jun, Xiao, Renxiang, Li, Heshan, Liu, Yiyao, Suo, Xudong, Hong, Chaoyu, Lin, Zhongxu, and Wang, Danwei. "4DRT-SLAM: Robust SLAM in smoke environments using 4D radar and thermal camera based on dense deep learnt features." In 2023 IEEE International Conference on Cybernetics and Intelligent Systems (CIS) and IEEE Conference on Robotics, Automation and Mechatronics (RAM), pp. 19-24. IEEE, 2023.
  6. Duan, Kangkang, Zhu, Zehao, and Zou, Zhengbo. "Indoor FireRescue Radar: 4D Indoor Millimeter Wave Dataset and Analysis for Hazardous Environment Perception." In 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pp. 18620-18627. IEEE, 2025.
  7. Wei, Chenfeng, Wu, Qi, Zuo, Si, Xu, Jiahua, Zhao, Boyang, Yang, Zeyu, Xie, Guotao, and Wang, Shenhong. "LiDARDustX: A LiDAR Dataset for Dusty Unstructured Road Environments." In 2025 IEEE International Conference on Robotics and Automation (ICRA), pp. 12703-12709. IEEE, 2025.