[首發(fā)于智駕最前沿微信公眾號]隨著純視覺方案被越來越車企嘗試，激光雷達（LiDAR）成為了自動駕駛中一個關(guān)鍵但又充滿爭議的部件。它因提供高精度的三維點云數(shù)據(jù)而成為追求高安全性、高可靠性的自動駕駛方案首選，但是它又常因“價格昂貴、結(jié)構(gòu)復(fù)雜、算法難度高”等標簽，被一些以成本為導(dǎo)向的玩家所質(zhì)疑。最近有個小伙伴就在后臺留言提問：有些人說采用激光雷達后，要做數(shù)據(jù)融合，會提高技術(shù)難度和價格成本。也有人說，激光雷達會處理很多場景，對車端和云端算力要求降低，可以降低技術(shù)難度和價格成本，請問這兩種說法都成立還是相互沖突？今天智駕最前沿就圍繞這個話題來詳細聊一聊，也歡迎大家在留言區(qū)討論自己的看法。如果大家還有什么想問的問題，也可以隨時與小編溝通。

激光雷達的工作機理及優(yōu)劣勢

激光雷達的結(jié)構(gòu)和功能決定了它在感知層具備天然的三維空間優(yōu)勢。它通過發(fā)射激光束并接收返回脈沖來構(gòu)建周圍環(huán)境的點云模型，相較于攝像頭依賴二維圖像信息、毫米波雷達受限于角分辨率的局限，激光雷達能夠在低光照、復(fù)雜紋理甚至強光干擾條件下穩(wěn)定地提供結(jié)構(gòu)化空間信息，特別適合于檢測靜態(tài)障礙物、動態(tài)目標、路緣、坡道、隧道口等環(huán)境要素。在結(jié)構(gòu)化程度較低、障礙物不規(guī)則、遮擋嚴重的城區(qū)路況下，激光雷達能夠精準還原場景幾何，有效提升檢測精度與魯棒性。

正是基于上述原因，很多車企在高階的輔助駕駛上，都會使用激光雷達，但激光雷達的使用也有很多的問題要解決，其中一個就是多傳感器融合。自動駕駛系統(tǒng)的實現(xiàn)并不僅僅依靠單個感知硬件，往往需要攝像頭進行語義識別、毫米波雷達提供速度信息，激光雷達則負責(zé)幾何建圖和空間補全。三類傳感器在采樣頻率、分辨率、坐標系、視野角度、更新周期等方面存在天然差異，導(dǎo)致在融合過程中需進行復(fù)雜的時間同步、空間對齊、數(shù)據(jù)插值與誤差校正。特別是在執(zhí)行中融合（mid-level fusion）或特征級融合（feature-level fusion）時，系統(tǒng)不僅要對每類傳感器提取的特征進行統(tǒng)一格式轉(zhuǎn)化，還需保證算法處理過程的實時性和準確性，對軟件架構(gòu)和算法設(shè)計提出極高要求。

點云處理本身也對硬件資源提出了極大挑戰(zhàn)，一顆64線或128線的激光雷達每秒產(chǎn)生的點云數(shù)量高達百萬級別，遠超傳統(tǒng)攝像頭幀數(shù)據(jù)體量。要在毫秒級內(nèi)對這些數(shù)據(jù)進行地面分割、物體提取、障礙物分類與跟蹤，不僅需要高性能的GPU、NPU或FPGA進行加速計算，還需構(gòu)建專門的點云算法棧，其中就包括VoxelNet、PointNet、CenterPoint等深度學(xué)習(xí)模型，這些模型在訓(xùn)練階段對數(shù)據(jù)量和標簽質(zhì)量要求極高，在推理階段又對硬件資源和系統(tǒng)功耗產(chǎn)生巨大壓力。更重要的是，在多傳感器融合之后，還需在后續(xù)路徑規(guī)劃和決策模塊中執(zhí)行多目標關(guān)聯(lián)與軌跡預(yù)測，進一步推高了系統(tǒng)復(fù)雜度。

爭議觀點分析

正因如此，第一種觀點所言“引入激光雷達將提升系統(tǒng)成本和技術(shù)難度”，在工程實踐中確實有一定的道理。對于資源有限的初創(chuàng)企業(yè)或面向量產(chǎn)的經(jīng)濟型自動駕駛方案來說，激光雷達的采購成本、點云處理模塊的開發(fā)投入、多傳感器對齊測試流程的復(fù)雜性，以及與此伴隨的測試驗證周期延長，都會成為需要考慮的重要問題。特別是在低速L2+輔助駕駛場景下，攝像頭加毫米波雷達已經(jīng)能夠滿足大部分功能需求，引入激光雷達所帶來的邊際收益可能難以覆蓋其成本增加。

但激光雷達“邊緣智能”的技術(shù)進展也可能反過來帶來系統(tǒng)性成本降低的潛力，這恰好與第二個觀點相契合。過去，激光雷達只是作為一個“數(shù)據(jù)源”，其輸出的原始點云需要上傳至中央處理器進行全部計算，而如今許多廠商已將點云預(yù)處理、語義分割、障礙物識別、動態(tài)物體跟蹤等初級任務(wù)集成在激光雷達內(nèi)部，更有一些激光雷達產(chǎn)品內(nèi)置了ASIC或FPGA芯片，可在傳感器內(nèi)部完成ROI區(qū)域提取、點云下采樣、分割聚類、雷達目標框生成等步驟，再通過標準接口（如Ethernet或CAN FD）輸出目標列表，而不是點云原始數(shù)據(jù)。這樣一來，車端中央計算單元不再需要對每一幀點云執(zhí)行完整推理流程，而只需對不同傳感器給出的高層次目標進行匹配、融合與后續(xù)預(yù)測決策。

從系統(tǒng)架構(gòu)角度看，這種模式實際上實現(xiàn)了“傳感器+邊緣智能”的功能下沉。在這種架構(gòu)下，系統(tǒng)處理鏈條更短，算法響應(yīng)更快，同時大大緩解了對中央計算平臺的算力依賴，適合用于對響應(yīng)時間要求高、硬件資源受限的場景。特別是在車規(guī)級域控制器功耗限制日益嚴格的背景下，這種通過傳感器端減負的方法成為工程優(yōu)化的重要路徑。

從全生命周期成本的角度看，激光雷達不僅影響初期采購成本，更涉及算法開發(fā)成本、測試驗證成本、OTA升級復(fù)雜度、數(shù)據(jù)標注與訓(xùn)練成本等多個維度。傳統(tǒng)的攝像頭+毫米波雷達方案往往需要大量樣本來訓(xùn)練基于視覺和信號特征的深度網(wǎng)絡(luò)，尤其在人類駕駛員行為多變、交通場景多樣的城市環(huán)境中，獲取足夠穩(wěn)定的感知精度和誤報率控制極具挑戰(zhàn)。激光雷達提供的高保真點云數(shù)據(jù)為數(shù)據(jù)標注和算法泛化提供了更具可控性的基礎(chǔ)，縮短了訓(xùn)練周期，提高了模型穩(wěn)定性，也降低了因誤識別帶來的安全測試成本。

而且隨著激光雷達從機械式向固態(tài)、MEMS、Flash等方向演進，其硬件體積、功耗與成本正在快速下降。點云處理算法也在向輕量化、模型壓縮方向發(fā)展，像是使用量化、剪枝、知識蒸餾等手段優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，使得車端無需部署高能耗的GPU即可運行高精度模型，這在一定程度上反過來又推動了激光雷達在量產(chǎn)車上的普及和成本下降。

因此，回到最初的問題——“激光雷達究竟是增加了系統(tǒng)復(fù)雜度和成本，還是降低了算力需求與技術(shù)難度？”這兩種說法其實并不沖突，它們分別成立于不同的技術(shù)棧設(shè)計和產(chǎn)品定位之下。若系統(tǒng)架構(gòu)設(shè)計不善，傳感器部署不合理，算法劃分不清，激光雷達確實可能帶來冗余的數(shù)據(jù)負擔和昂貴的系統(tǒng)成本；但如果在系統(tǒng)設(shè)計早期即進行軟硬件協(xié)同規(guī)劃，選用具備邊緣計算能力的激光雷達產(chǎn)品，并合理規(guī)劃數(shù)據(jù)路徑與融合層次，則激光雷達反而有可能成為系統(tǒng)簡化的“減負器”和感知能力的“放大器”。

當前市場上我們也能觀察到兩極分化現(xiàn)象，像是以特斯拉為代表的企業(yè)，依舊堅持走純視覺路線堅持不使用激光雷達，通過極致優(yōu)化神經(jīng)網(wǎng)絡(luò)與圖像算法在成本與性能之間找到平衡；而像很多國內(nèi)新勢力品牌則堅持激光雷達路線，構(gòu)建多傳感器融合系統(tǒng)，并通過自研算力平臺與智能感知算法將技術(shù)復(fù)雜性轉(zhuǎn)化為競爭壁壘。這背后并不是誰對誰錯，而是技術(shù)戰(zhàn)略與商業(yè)模式的不同選擇。

最后的話

激光雷達是否“增加技術(shù)難度與成本”還是“降低算力需求與系統(tǒng)復(fù)雜度”，并無絕對答案。它取決于三個關(guān)鍵因素，第一，傳感器自身是否具備足夠的邊緣智能能力；第二，系統(tǒng)整體架構(gòu)是否合理劃分軟硬件職責(zé)；第三，產(chǎn)品目標場景對感知精度與成本控制的側(cè)重權(quán)衡。在未來的智能駕駛發(fā)展過程中，我們有理由相信，激光雷達的作用會更加靈活，不再是“加法”或“減法”的簡單判斷，而是根據(jù)具體目標發(fā)揮“協(xié)同”甚至“轉(zhuǎn)換”的多維價值。

審核編輯 黃宇