如何评价特斯拉发布全自动驾驶硬件，并表示：傻瓜才用激光雷达？ 第1页

回答这个问题并不难，不过基础是我们应该先了解自动驾驶用到的各种传感器及其特性。

自动驾驶车辆用于感知环境的传感器主要有毫米波雷达、摄像头、激光雷达、超声波雷达等，当然，还有一个算不上传感器的组件，那就是高精地图。

下面我们依次来看一下各种传感器、组件的特性：

1、毫米波雷达：是工作在毫米波波段（millimeter wave）探测的雷达。通常毫米波是指30～300GHz频域(波长为1～10mm)的。毫米波的波长介于微波和厘米波之间，因此毫米波雷达兼有微波雷达和光电雷达的一些优点。毫米波雷达具有成本中等、体积小、质量轻和空间分辨率高的特点。与红外、激光相比，毫米波穿透雾、烟、灰尘的能力强，具有全天候(大雨天除外)全天时的特点。

毫米波雷达可以识别各种障碍物，本身可以识别各种有速度和无速度的物体的，但是在自动驾驶应用中，一般会把无速度的物体屏蔽掉，这就导致看上去毫米波雷达好像无法识别静止的物体，但这并不代表毫米波雷达本身无法识别。

毫米波雷达可以精确的测量位置和速度，但是无法准确的测量障碍物的大小和形状，也无法获取颜色信息，因此无法识别交通标志、车道线等信息，不可能单独使用来组成自动驾驶系统。相对于激光雷达，毫米波雷达探测的方位更小，构建3D地图的能力比较差。

因其成本中等偏低，目前具备自动驾驶能力的车辆都会搭配一个甚至多个毫米波雷达。

2、摄像头：摄像头的工作原理是视觉，获取环境的图像和颜色，成本不高，体积不大，重量也小，可以方便的安装在车辆的各个位置，目前具备自动驾驶能力的车辆也都会搭配摄像头。摄像头主要分为单目和双目，都可以通过算法实现障碍物距离的探测，

双目相对单目在识别距离方面更有优势，不过即使有优势，其对距离和速度的识别能力依然是不如毫米波雷达和激光雷达的。

因摄像头能获取图像和颜色等丰富的信息，所以其在识别交通标志、车道线有明显优势，所以是自动驾驶不可或缺的组件。当然，摄像头获取的大量图像信息处理起来对算力的要求比较高，需要更强大的处理器支持。但是，就其本质来讲，自动驾驶需要的信息都是可以通过摄像头来获取的，也就是说，理论上，只依赖摄像头也是可以构成自动驾驶系统的。多说一句，人类本身的驾驶过程，其实就类似于基于摄像头的自动驾驶。

3、激光雷达：以激光作为信号源，由激光器发射出的脉冲激光，打到地面的树木、道路、桥梁和建筑物上，引起散射，一部分光波会反射到激光雷达的接收器上，根据激光测距原理计算，就得到从激光雷达到目标点的距离，脉冲激光不断地扫描目标物，就可以得到目标物上全部目标点的数据，用此数据进行成像处理后，就可得到精确的三维立体图像。

激光本身具有非常精确的测距能力，其测距精度可达几个厘米。激光雷达分辨率高，抗其他干扰的能力很强，但是其工作时受天气和大气影响大。激光一般在晴朗的天气里衰减较小，传播距离较远。而在大雨、浓烟、浓雾等坏天气里，衰减急剧加大，传播距离大受影响。如工作波长为10.6μm的激光在坏天气的衰减是晴天的6倍。

从性能上看，激光雷达除了应对雨雪雾的能力比毫米波雷达差以外，其他都要比毫米波雷达好，但是为什么没有广泛应用呢？两个原因。

第一，激光雷达成本高。激光雷达可以说是目前自动驾驶传感器里最贵的，其成本是毫米波雷达的几十倍甚至上百倍，所以目前极少有车辆搭载。

第二，激光雷达为扫描结构，体积大，不方便装备。激光雷达本身是通过扫描来实现三维图像，且本身体积更大，这就是为什么激光雷达都被顶在车顶，这样既不美观，又增加风阻，很明显是不太符合需求的，不过好在随着固态激光雷达的发展，其体积更小、成本更低和装备位置也更随意，激光雷达一定程度上可以像毫米波雷达一样装备，不过要实现前后左右四个方向的扫描，就要装备四个激光雷达了，其成本依然是问题。

4、超声波雷达：超声波雷达采用的是超声波，体积最小，成本最低，甚至可以做到几块钱一个，但是其测量精度低，毕竟超声波是一种声波，其传播速度只有340m/s，难以测量高速运动的物体，有效距离也比较短，一般在几米的量级。

超声波雷达主要用于自动驾驶的一些低速、短距离的测量，例如自动泊车时候探测车位、对泊车环境的感知等。当然，因为这玩意实在是太便宜了，一般具备自动驾驶能力的车辆都是周圈都装备超声波雷达。

5、高精地图：高精度地图是给车看的地图，相对于供人类使用的普通地图，高精度地图提供更高的精确至厘米级的精度，更丰富的信息（例如道路坡度、曲率、车道具体位置、车道方向、限速信息等等）。

高精地图并不是传感器，只是一种软件信息，有了它，车辆就有了上帝之眼。目前，具备自动驾驶能力的车辆不一定搭载高精地图，但是高精地图对自动驾驶能力的提升有至关重要的作用。

综上所述，激光雷达对于自动驾驶并不是必须，理论上是可以不用的，实际上，因其极高的成本，目前量产的自动驾驶车辆很少会装备激光雷达，而醉心于降成本，造“老百姓”都买得起的电动车的特斯拉，自然不会轻易的选择如此高成本的组件。

但是可以预见，如果固态激光雷达的成本能迅速下降，如此诱人的特性，肯定会有很多自动驾驶方案采用激光雷达的。

马斯克所说，明显是站在特斯拉的角度上，有博眼球的成分，但是也符合他造老百姓都买得起的电动车的思路。

Musk应该是留了一手，就是Tesla车上的毫米波雷达。

他虽然经常怼激光雷达，但基本不怎么提毫米波雷达。不过，最近有爱好者在Tesla的最新软件更新里发现了叫“Phoenix”的新型雷达选项，这个是以色列一个叫Arbe Robotics公司的新型4D雷达传感技术的名字。

个人猜测，后面大概率能见到Tesla在FSD里加入雷达成像的信息。

雷达成像是个很成熟的技术了，精度不及激光，但用来避障足够了。下面这幅图像是几百公里卫星上的合成孔径雷达拍的，你不会觉得不够用吧？

（更新）：评论区有专业人士指出SAR不适合动对动扫描，在此表示感谢。

不过，高精度成像当然可以用于避障，而避障并不一定需要高精度成像，能够可靠的指示出大致轮廓就够了。

所以，雷达扫描避障也是有几十年历史的东西了，即所谓地形跟踪系统，一般用在低空突防的战斗轰炸机、直升机（台湾摔死一堆军队高层的那架黑鹰，就是没选装这个）。下图就是一个典型的军用低空飞行避障雷达，兼顾地形跟踪/障碍规避、气象探测、地形扫描等等多种功能。

狂风战斗机的IDS型号，就是依靠地形跟踪雷达钻山谷的。

狂风战斗机穿越山谷【1080P】_哔哩哔哩 (゜-゜)つロ 干杯~-bilibili

在飞机上的这种多模雷达，阉割下放到汽车应该没有不可克服的技术难点。而且雷达距离远，全天候（激光雷达这里有点难），多普勒效应测速也是成熟得不能再成熟的东西了，一言以蔽之，用作避障再好不过了。

Tesla自动驾驶的事故，多是视觉识别障碍物失败导致的。如果能加入可行的雷达成像技术，Musk的确可以怼激光雷达。

但为什么毫米波雷达似乎在自动驾驶不热呢？可能是因为雷达多是高端应用，军用居多（比如下图的E-8预警机），民用缺乏一般需求，导致长期没有低成本解决方案，尤其是高性能天线。

但这对Musk可能不是问题。他旗下另外一家公司SpaceX的StarLink项目，地面接收器用了相控阵天线。国外有人拆解了一把，数了一下，大概有1700个TR单元。作为对比，F35的雷达才1200个TR单元（当然发射功率等指标肯定远超）…

车载自动驾驶肯定不需要这么多TR单元，数量上可以狠狠砍好几刀，这样价格就能做到很低。Star Link的地面接收器卖500美元，不过实际网上分析成本很可能在1000到2000美元。就算按2000美元，折算下来车载自动驾驶天线几百美元足够了，整套方案有望压在1000美元之内。

更加有利的一点，是相控阵天线也是4G、5G（尤其是5G）的基站刚需。一些Wifi6的商业基站，可能也要使用。这是很大的一块需求，必然会推动相控阵天线成本的下滑。

综上所述，毫米波雷达成像技术成熟（世界上第一颗SAR卫星是1978年发射，E-8预警机是1982年研发的）、探测距离远、全天候能力强，只要打开价格下降通道，的确会让激光雷达显得很鸡肋。

更新：国内也有人在做，不出意外，需要相控阵天线。

https:// m.leiphone.com/news/202 004/TvMEUdq6wWnTBorI.html

# Lidar-or-Camera 先上一个很有偏见的图。

TSLA从前分析师会上专门谈过这个问题；数学上多一维Lidar数据确实更容易到Local optimal，但未必是Global optimal；看似模型更简化，其实也会限制算法的空间 —— 以冯结构为例，受限于硬件2维结构及其访存时序复杂化等瓶颈，如3维模型中的twist操作，算法公式看似减少了计算步骤，看似训练量少很多，实则却是加重了化简/降维过程，硬件可能跑出极大的运算量；此外，线性权重变矢量，也是要加维度的，直接就把内存带宽顶上去了，在PIM出现以前，HBM成为唯一选择了；可以参考Capsule模型的2D+1矢量化之后依然面临的计算瓶颈，这也是Hinton批判CNN的出发点。当然整个AI的L4 potential基于deep learning的瓶颈在哪里还不详，也可能突破不了critical level…

但针对这两种方案本身的讨论还是充满很多猜忌和误读的，虽然对于NN+2D图像集而言推理人眼双目如何建立轮廓深度的过程复杂、虽然因此批评神经网络做分类识别可以，但识别路边的狗和海报上的狗误差率大；但实际情况是一方面双目2D完全可以推理3D（脑科学所谓的reconstruct into 3D in the brain），二是仅仅讨论NN的潜力是以偏概全，因为无论人眼还是车载探头及其CMOS+结构光传感的输入，轮廓/距离/透视关系都可以在视觉景深中获得拟真实反馈。当下用Lidar/Radar的理由是简化算法和算力复杂度，以及便宜（Luminar $500/unit，华为$200/unit…）；

但是不作二义性判断是前提；雷达当然不能否定，也不能忽视Lidar/Radar的未来技术演进，毕竟夜晚/强弱光/迷雾/雨雪等苛刻环境下雷达的探测原理更可靠（这是人眼双目+脑科学也解决不了的）。还有就是前面高赞提到的，Mask坚持Camera方案值得敬意，但对立批评Lidar方案都是傻瓜就没有必要当真了。

再谈回车机的算力发展；如今AI成为整个智驾计算的中心，过去的车机AI主要用于感知和建模，如今应用渐深，包括预测、规划和决策也需要神经网络去跑，势必加重中央计算平台里面的AI算力。当下Lidar的点源密度越来越高，发射距离也越来越远，采集数据规模越来越大，就需要更多的算力支撑。从自动驾驶感知需求扩大，数据规模增长，驱动对算力的新增，基本L2等级典型线束数可能是几兆，到了L2+可能是几十兆，再往上就是百兆级别，就逐渐形成当下的算力分布。这些算力扩张的同时还需要做到-40到85/95的温度，而这些算力的工况也愈加复杂，还包括安全性（数据安全/功能安全）、实时性，以及人机交互等。而从半导体行业来看，虽然车机半导体总数不是产业最大的，但相信车机半导体的晶圆面积在未来会演变成全球最大领域。如今很多半导体Fab逐渐把工艺、产能往车规需求方向转移或扩产，这也是一个趋势。

BTW：Smart-EV是技术壁垒+柔性产能驱动的，倘若只比拼造车水平，当下EV可以全部跌2/3，TSLA顶峰也就是2000亿-3000亿水平了；

BTW：自动驾驶的终局竞争不在算法，而在于数据规模以及数据驱动平台，算法是核心，但最终都会趋同，但护城河需要靠工程能力搭建。近段时间各大车厂和算法公司公布的路测结果尚不成熟，包括华为+北汽的路测视频，显然已经过拟合，地图/感知/决策都有针对性调优过，这个效果符合平均线，多数无人驾驶公司都可做到（算法缝合+海量人力做规则，短期测试效果优良但不能持久），关键是“泛化性”有待长期验证，经验上持悲观态度（徐直军应是被下属忽悠了）。

BTW：上图的排序没有意义；一些美国咨询公司，通常按照加州L4路测数据做的ranking，都是一些未量产的研发阶段的数据，Tesla并未参加过这种L4 ranking，也就没有数据，只能出示L2量产车数据，因此只能排在末位。另外，有私信问为何电动三傻没有被列入这个象限图，其实短期内踏实的做EV+座舱 打个消费新鲜感+补贴就好。