关于传感器的思考：现状、选型与未来的感知形态

这依然是一篇旨在进行基础回顾的文章，本期我们重点聊聊智能驾驶系统中不可或缺的传感器。

一般来说，智驾系统主要依赖以下几类传感器：

• Camera (相机)
• Lidar (激光雷达)
• Radar (毫米波雷达)
• USS (超声波雷达)

当然，市面上还有一些其他的变体传感器，例如 4D Millimeter-wave Radar (4D 毫米波雷达)、双目相机等，但它们本质上都属于上述类别的延伸或变种，在此不做过多赘述。

💡 在深入了解各个 Sensor 之前，我们必须先达成一个共识：所有 Sensor 的存在，都是为了服务于智驾算法的。
或者说得更绝对一点，主要是服务于其中的 感知 (Perception) 模块。正如上一篇文章所提到的，在智驾算法还明确划分模块的时代，感知就是车辆的「眼睛」，负责从混乱的物理世界中提取有用的信息。因此，所有的传感器升级和选型，归根结底都是为了让感知模块能更好、更准确、更及时、全天候地感知周围环境。

为了不让文章显得冗长乏味，我将硬核的 传感器基本原理 部分放在了文章最后，感兴趣的读者可以跳到文末阅读。

为什么是这几种传感器？

基于上述共识，我们来看看为什么在这些年的技术迭代中，最终沉淀下来的是这几种传感器组合。

1. Camera (相机)

相机大家都见过，图略~

早期上车主要是作为倒车影像等辅助功能 (ADAS) 出现。后来，随着深度学习在图像领域（Computer Vision）的爆发，相机自然而然地被用于 2D 目标检测。

然而，车辆行驶在三维世界中，我们需要知道障碍物距离车有多远、是什么形状、体积多大。早期的 2D 检测算法无法直接提供这些 3D 信息，于是工程师们只能结合 先验假设 和 人为规则 进行后处理。例如：假设车道线是平行的、路面是平坦的、某种车型的宽度是固定的。基于这些假设，从 2D 图像反推 3D 信息（IPM 逆透视变换等）。

局限性：这种方法泛化能力差，只能在高速、高架等结构化道路的限定场景下工作，一旦遇到非标准路况（如坡道、异形车），系统就容易失效。

转折点：大概在 2021 年左右，以 Tesla 为首的厂商开始大力推行「纯视觉」方案，利用 BEV (Bird’s Eye View) 和 Transformer 等算法技术，实现了直接从多路摄像头图像中感知 3D 空间信息。这不仅让摄像头测距成为可能，且随着数据量的积累，精度也越来越高。

当然，除了 Tesla，早期也有基于双目相机（利用视差原理测距）的方案，但这些更多是在已有框架下的修补，而 BEV+Transformer 则是算法层面的降维打击。

2. Lidar (激光雷达)

Lidar 不同于相机，它通过发射激光束并接收回波，可以直接获得障碍物的 精确位置信息 (3D 点云) 和大致轮廓。

优势：它简单粗暴地解决了相机在算法突破前无法准确测距的痛点。因此，在智驾发展的早期（Robotaxi 阶段），Lidar 几乎是所有智驾公司的必选。没有 Lidar，车就没法安全地跑。

劣势：贵。早期一套 Velodyne 的 128 线机械式激光雷达，坊间戏称「顶着一套二线城市的房在跑」。当然，对于融资烧钱的初创公司来说，验证技术可行性比成本更重要。

现状：到了 2025 年末，Lidar 的价格已经被打到了非常可接受的区间（千元级），成为了国内许多中高端车型的「标配」。甚至在宣发上，「有 Lidar = 智驾能力更强」 似乎已经成为了某种市场共识。

3. Radar (毫米波雷达)

Radar 的历史非常久远，是上一代燃油车中高级辅助驾驶（如 ACC 自适应巡航）的核心传感器。

特点：它就像一个拿着望远镜但高度近视且散光的人。它能探测到很远的物体，能直接测速（多普勒效应），且不受雨雾天气影响。

劣势：分辨率太低。它知道前面「有东西」，但很难分清是路边的静止护栏还是停着的车；它也无法区分高度（传统的 3D Radar），容易把地上的井盖或空中的路牌误报为障碍物（幽灵刹车）。（就如同上图，Radar 感知到的障碍物就是一个个点，难以做精细化的感知）

现状：虽然它可以用来做 AEB (自动紧急制动) 等兜底功能，但在追求高阶智驾（精准感知）的当下，传统 Radar 显得「食之无味，弃之可惜」。Tesla 甚至在 2021 年直接移除了 Radar。

4. USS (超声波雷达)

大家最熟悉的「倒车雷达」，发出「嘀嘀嘀」报警声的就是它。

特点：极其便宜，近距离测距非常准（尤其是玻璃等透明物体，Lidar 和 Camera 容易失效）。

现状：主要用于低速泊车场景。但在高阶智驾中，随着视觉算法对近距离感知能力的提升（如 Occupancy Network），USS 的作用也在逐渐被边缘化。

纯视觉 vs. 融合感知：路线之争

基于上述分析，进入高阶智驾「决赛圈」的核心传感器其实就剩下 Camera 和 Lidar 了。行业内也分化为两派：「All-in 纯视觉派」 和 「多传感器融合派」。

各自的理由：

• 纯视觉派 (Tesla, 极越, 小鹏 P7+ 等)：
  • 既然人类只靠眼睛（视觉）就能开车，那车也应该可以。
  • 第一性原理：视觉包含的信息量最丰富（纹理、颜色、语义），是感知的上限。
  • 成本最低，利于大规模量产和数据闭环。
• 融合派 (华为, 理想, 蔚来 等)：
  • 在同样的相机基础上，多一个 Lidar 肯定更好。Lidar 提供精确的深度信息作为「真值」或安全冗余。
  • 「小孩才做选择，我全都要」。既然用户买单，为什么不给多一层安全保障？

互相的质疑：

• 反纯视觉：人眼有几十亿年的进化红利，且人脑的处理能力目前算法还达不到。即便算法达到了，相机在极端光照（强眩光、极暗夜）、恶劣天气（暴雨、大雪）下就是物理级失效，这时候没有 Lidar 兜底就是玩命。
• 反融合：传感器不是越多越好。首先是贵；其次是 「多传感器冲突」 问题：当相机觉得没车，Lidar 觉得有车时，算法信谁？这种决策冲突反而可能导致体验下降。而且，依赖 Lidar 会让算法团队产生惰性，不再极致地挖掘视觉的潜力（Crutch 理论）。

我的观点

关于纯视觉方案：

1. 算法的「奇点」何时到来？ 虽然「马圣」的 FSD 已经迭代到了 V13/V14 版本，但在处理某些长尾 Corner Case 上，距离人类老司机的直觉判断可能还有差距。
2. 相机 vs. 人眼： 相机在某些方面其实早已超越人眼（如暗光环境下的感光能力、多视角的 360 度覆盖）。对于眩光、高动态范围（进出隧道）等问题，随着 LOFIC 等新型 CMOS 技术的普及（如小鹏 P7+ 采用的 AI 鹰眼视觉方案），硬件上的短板正在被补齐。
3. 安全兜底： 纯视觉的最后一道防线往往不是看清了什么，而是基于对场景的理解进行「脑补」和预判，这需要极强的 AI 推理能力（端到端大模型）。

关于融合方案：

1. 成本问题： 随着 Lidar 成本下探，融合方案的门槛在降低。但在 10-15 万级的走量车型上，纯视觉依然是唯一解。
2. 阶段性最优： 在算法完全成熟之前，Lidar 确实是一道强有力的「安全气囊」，能解决很多视觉难以处理的异形障碍物（如侧翻的白车、路上的石头）。
3. 未来的收敛： 当视觉算法足够强大（99.99% vs 99.999% 的区别）时，Lidar 可能会从「感知主传感器」退化为「安全冗余件」，甚至最终被移除。

总结建议：

• 对消费者：如果你是坚定的「技术信仰者」且对智驾边界有清晰认知，纯视觉车型的性价比极高；如果你是追求稳妥的「体验派」，且对价格不敏感，带 Lidar 的融合方案在当下确实能提供更安心的体验。
• 对从业者：纯视觉是技术的必经之路。现在的「挨骂」是为了未来的「爆发」。而且，智驾技术的终局是 AGI（通用人工智能），纯视觉的能力上限远未见顶。此外，纯视觉技术可以无缝迁移到机器人（Robot）领域，毕竟机器人大多装不起昂贵的 Lidar。

附录：传感器原理及技术趋势

为了让大家知其然也知其所以然，这里补充一下各传感器的核心原理及最新技术方向。

1. Camera (相机)

• 基本原理：基于小孔成像原理。光线穿过镜头（Lens），聚焦在感光元件（CMOS/CCD）上。感光元件上的每个像素点利用光电效应将光信号转换为电信号，最终生成数字图像。

• 技术痛点：传统相机最怕「大光比」场景（例如：进出隧道的瞬间，或者夜晚被对向远光灯直射）。这会导致画面一片死白（过曝）或死黑（欠曝），算法根本看不清。

• 技术新趋势 (LOFIC)：为了解决上述问题，车载相机正在引入 LOFIC (Lateral Overflow Integration Capacitor) 技术。

  

  • 原理：在每个像素点旁边加一个「电容池」。当光线太强，电子产生过多快要溢出（过曝）时，多余的电子不会被丢弃，而是流入这个电容池存起来。读取信号时，将原来的信号+电容池的信号合并。
  • 效果：极大地提升了 动态范围 (HDR)。使用了 LOFIC 技术的相机（如小鹏 P7+ 宣传的「鹰眼」系列），即使在逆光、强光直射下，也能清晰地拍出路况细节，让纯视觉方案在「看不清」这个问题上得到了硬件级的解决。

2. Lidar (激光雷达)

• 基本原理：ToF (Time of Flight，飞行时间法)。激光器发射一束激光，打到物体上反射回来被探测器接收。通过计算光束「由于反射而往返」的时间，乘以光速除以二，就能精确算出距离。
• 技术路线：
  • 机械式 (Mechanical)：最早期的「大花盆」。内部激光收发模块和镜片一起 360° 旋转。
    • 优点：360° 无死角扫描。
    • 缺点：体积大、贵、机械磨损严重，过车规（可靠性）极难。
  • 半固态 (Semi-Solid)：当下的主流。包括 MEMS (微振镜) 和 转镜/棱镜 方案。激光收发模块不动，只让一个小小的镜子动来反射光束。
    • 优点：体积小了，寿命长了，成本低了。
    • 缺点：扫描角度有限（通常 120°），所以车上通常需要装 1-3 个来覆盖前方。
  • 纯固态 (Solid-State)：未来的方向。如 OPA (光学相控阵) 和 Flash。完全没有机械运动部件，像芯片一样控制光束方向。
    • 优点：理论上最耐用、成本最低（量产后）。
    • 缺点：目前技术还不成熟，Flash 方案探测距离短（主要用于补盲），OPA 制造难度极大。

3. Radar (毫米波雷达)

• 基本原理：FMCW (调频连续波)。发射毫米波段的电磁波，利用 多普勒效应 (Doppler Effect)。通过检测发射波和回波之间的频率差，可以同时解算出目标的 距离 和 相对速度。

• 痛点：传统雷达没有「高度」信息，且角分辨率低。它分不清前方路面上是停着一辆车，还是这就只是一个金属井盖。

• 技术尝试 (4D Radar)：

  

  • 原理：增加了「高度」这一维度的探测能力，并大大增加了天线数量（MIMO），提高了分辨率。它能生成像 Lidar 一样密集的「点云」。
  • 为何没成主流？：定位尴尬。比传统雷达贵，精度又不如 Lidar。在 Lidar 价格大跳水的背景下，4D Radar 的「性价比」优势被压缩了。目前更多作为一种高阶的冗余传感器存在。

4. USS (超声波雷达)

• 基本原理：发出超声波，计算回声时间（和 Lidar 的 ToF 类似，只是介质是声波）。
• 独特价值：虽然它「短视」（探测距离通常 < 5米），但它有一个 Lidar 和 Camera 都比不了的优势——能探测透明物体（玻璃）和吸光物体。
• 应用：除了泊车，目前在扫地机器人、泳池清洁机器人等低速、近距避障场景中依然广泛使用。