伴隨著人類進入人工智能時代，一種機器「深度學習」的概念邁入一個新發展階梯。

而當人工智能賦予汽車時，也正引發一場改變人類出行的新革命。

當前以特斯拉為首的智能駕駛梯隊以視覺方案作為感知主力，憑借單目、三目視覺方案，利用深度學習算法，來賦予機器“眼睛”。

通過不斷學習對物體進行分類、構建視覺特征，實現“不依賴性”的環境檢測，賦予機器人理解周遭事物環境的能力。

而國內的智能駕駛發展正推向另一個風潮。

以激光雷達為代表的感知方案入列，國內霎時間爆發出一個激光雷達上車的關鍵節點。

讓馬斯克所意料不到的是，如摩爾定律所反應的，智能駕駛的傳感器、處理芯片、算法等達到一個成熟且具規模化的爆發期。

小鵬與 Livox 、蔚來與圖達通、上汽與 Lumanar 、北汽與華為等就是最為典型的案例。

一、為何激光雷達成為當前感知的「必須項」？

與數碼相機的工作原理不同，數碼相機是將三維視覺空間拆分為二維像素矩陣。

而激光雷達則是向周圍散射出強烈的脈沖激光，測算出光束反射回來所用的時間，然后根據激光測距原理計算并建立周圍環境的三維數字模型。

在三維信息下，感知層能與計算結合最終獲得距離、物體形狀、姿態、速度等關鍵信息。

激光雷達上車也就類似于在視覺基礎上拿了一把“尺子”，「邊看邊量」著走。

而純視覺方案則需要憑借龐大的 AI 體系，需仿真人類「看完思考」決定往哪走，而這個過程也需建立在快速響應的決策以及準確性上。

另外，這個「思考」完全取決于過去構建的「學習」體系。

視覺方案中物體必須識別后「思考」匹配的動作。雖然攝像頭硬件成本降低，但其需要背靠強大的樣本數量采集以及算力支持。此外攝像頭本身在距離檢測、極端環境下也都存在局限性。

而深度學習需要強依賴于數據的廣度與深度，至少從當前來說，「寒武紀時代」才迎來爆發期，“視覺進化”的能力尚處于最初期。

在不討論 AI 視覺體系的可行性下，當前對于處于「成長期」采集階段而言，勢必會漏檢的行為，而這將會被「思考」直接過濾，后果不堪設想。

正如馬斯克曾言把機器學習系統做到 99% 的準確率非常簡單，但在這個基礎上提升 0.99999% 是非常困難的，而后者才是問題的本質。

二、激光雷達是如何實現「邊走邊量」的呢？

激光雷光雷達工作路徑是由激光發射、接收、計算以及掃描系統系統組成。

1、激光雷達測距

激光雷達通過二極管發射出紅外脈沖光，并利用計時器記錄時間，脈沖光照射到物體表面后發射回光束，激光雷達內的接收器接收并記錄，最終計算出距離。

目前主流方案為飛行時間法，而另一 FMCW 方案則憑借低功率、測量速度信息等成為新秀，目前后者相比前者還具備較強的抗干擾能力。

但礙于部分高性能元器件的成本，仍處于起步階段，但長期來看兩種方法將并存。

另外激光雷達的探測距離與目標的反射率相關。目標的反射率越高則測量的距離越遠，目標的反射率越低則測量的距離越近。

探測距離越遠則能夠識別識別更遠的物體，也能夠給予決策更長的時間。

2、點云信息

激光雷達「單個/多個」發射器掃描后所產生的信息，會形成「一條線/多線」，這就是「單線/多線」激光雷達的由來。

而激光雷達能夠在一秒內發射可達百萬級的脈沖光，在掃描后形成分布的點就是我們熟知的點云。從點云數據我們可以看到，每一個點都包含了三維坐標信息。

當前主流的 32 線、64 線、128 線以及 300 線的激光雷達產品，多線激光雷達能夠對縱向密度覆蓋，物體表面輪廓描繪精度越高，能實現不同級別的清晰度表現能力。

此外通過對路上的合法 3D 點云數據的采集信息，也需要對數據進行標定與解析，例如對點云障礙物識別、點云語義分割以及與攝像頭融合等，隨后利用點云信息進行存儲、管理以及靈活調用以及定義。

例如高線數有更高的縱線角度分辨率，實現更高的清晰度，點云數量也會更為密集，也利于構建感興趣區域 ROI（region of interest），通過訓練點云特征對探測，可以對障礙物、道路、橋梁等特征和對象進行分類和提取，增強感知。

3、類混合固態迎來前裝量產前夜 固態成未來主流

機械式激光雷達已發展到較為成熟的階段，但目前主要應用在于高階自動駕駛以及測繪領域。

而從短期來看，類混合固態發展將迎來前裝量產的爆發期。

目前 MEMS、轉鏡等都成為類混合固態的主要技術路線，并且相對較為成熟。其中轉鏡式較早通過車規，也成為當前最早上車的最佳方案。

轉鏡式是利用電機帶動轉鏡運動并將光束反射至空間的一定范圍，從而實現掃描探測，而收發模塊不動，無需多次校準，其當前能夠實現較長距、角度大、成本低的優勢。

但其需要應對高功耗等帶來的穩定性問題。

當前另一派廠商也正在布局 MEMS 微振鏡式方案，其主要通過高速振動的二維振鏡來實現掃描測量。

由于它的集成與成熟度較高，取消了激光器等器件能夠帶來小尺寸、高分辨率、高集成、低成本等優勢。但其收光孔徑非常小，其受限于探測距離、視場角度以及信噪比等。

而作為無任何機械器件的固態激光雷達則將成為未來的主流方向。

目前有 OPA 光學相控陣技術、Flash 兩大主流方向。

前者利用利用相干原理，實現發射光束的偏轉，從而完成掃描測量，后者則是通過時間順序對不同視場的收單元實現掃描，并利用探測器完成圖像繪制。

純固態式激光雷達具掃描效率高、穩定性好、精度高、體積小等特點被認為是是未來激光雷達的主流方向，相信解決技術難題是時間難題。

三、拿著「尺子」上車的 P5，能夠實現什么？

作為首款量產激光雷達的車型，P5 則引來眾多思考。

在激光雷達上車后，能夠為 P5 帶來什么呢？

1、結合視覺感知，實現「測距」能力。

在布局方式上，車企對于需求以及目的的不同，對于激光雷達的布局方案以及性能參數也會不同。據小鵬透露其將在今年第四季度實現城市 NGP ，而激光雷達則成為感知的重要之“眼”。

但當前，P5遵循視覺與雷達等多種傳感器相互配合的感知方案，以實際路況進行算法調整。

P5 搭載的是大疆孵化的 Livox 旗下的 HAP（Horizon Automotive Platform），這也是前裝后的正式命名。

HAP 采用的是轉鏡的方案，性能上對 10% 低反射率目標物下實現探測距離 150 米、擁有等效 144 線點云密度以及采用 905nm 激光。

另外橫向 FOV 擁有橫向 120°，在雙激光雷達加持下可以達到最高 150° ，以及可以實現以及 0.16°角分辨率。

而此次搭載與底部兩側也將能夠實現厘米級的測距能力，150° 能夠帶來更廣的探測區域，配合視覺感知硬件能夠更為精準分析動靜態物體、低反射率目標等。

例如對行人、小物體以及在黑夜、逆光等環境下增強感知，與攝像頭相互冗余，應對更為復雜的中國路況。

2、 HAP 獨特的“花瓣式”掃描 構建 ROI

而 HAP 特殊的地方是采取了三棱鏡掃描器。

三棱鏡也就意味著需要三個電機協同工作，其中兩個棱鏡的轉速較快，另外棱鏡可以同軸獨立旋轉，光束可實現大角度偏轉，并且可以通過棱鏡的角度差來實現不同的掃描效果。

Livox 最為經典的花瓣式點云，配合 HAP 的雙激光雷達組合以及實現中央高刷新率 20Hz（5毫秒刷新一次），時間迭代中央點云信息密度越密集，而花瓣式的效果類似于人眼的視覺，能夠完美構建起 「ROI」。

提升“集中力”，實現探測的「最大值」，以此降低「功率消耗」。

在識別車輛上，視覺感知系統所遇到一個「棘手」問題并不是「識別」，而是應對行人、車輛等具體類別的「分類」，特別是基于「中國的復雜場景」。

而「城市」相比「高速」場景下更為復雜，例如十字路口、障礙物、轉彎、環島、低速等多元復雜場景。

而如何分攤視覺算法的壓力以及避免激光雷達的注意力分散呢？

P5 利用激光雷達 ROI 集中在一定范圍的區域，并在高速與城市路況下，增強對行人、寵物等微小物體的識別，以此來應對緩慢加塞、道路異物的動靜態識別等，并基于此也需要做相應的預判與決策。

相反，基于視覺訓練場景下，龐大且復雜的道路環境，僅僅依賴「機器學習」來解決復雜的道路場景當前依舊是一個不現實問題。

而在機器學習實現革命性突破之前，利用激光雷達之「眼」解決感知難題成為當前最佳的方案。

3、實現高精地位

P5 同樣利用「尺子」來提升高精定位能力。

在步入更為高階的輔助駕駛領域，在視覺圖像中分析后完成「道路分割」以及「高精定位」是重點也是難點。

前者基于高級駕駛輔助地圖來提升道路信息解析能力，最終降低算力負擔。例如我們在 NOA 與 NGP 對比場景下遇到的國內復雜的車道線、限速信息、隧道以及復雜匝道等，高級輔助駕駛地圖顯然能夠帶來更為穩定的表現。

而亞米級的高精定位則直接影響了整個行車安全。

所以通過 GNSS、IMU 和輪速等感知硬件為初始定位，并利用激光雷達的點云信息對特征進行捕捉匹配，結合初始位置獲得全局坐標系下精準定位。

當前利用 GNSS/IMU、高級輔助駕駛地圖及傳感器的融合是未來實現精確定位的理想方案。 

四、總結

與特斯拉不同的是，國內車企正享受著智能駕駛硬件紅利，而在基于中國特殊的環境下，車企也從利用激光雷達的感知方案中獲得很多的基礎信息，最終來輔佐整個感知體系。

而特斯拉通過自研芯片、開發超算 Dojo 以及打通機器學習閉環，特斯拉正在視覺方向上“一路狂奔”。而國內的智能駕駛團隊正高舉激光雷達的前裝成熟期彎道超車，這一場技術較量也逐步迎來「正面對決」。