飞机先生

{{detailStore.create_time}} {{item.series_title}}

{{detailStore.author.is_follow?'已关注':'关注'}}

原创文章

日榜 TOP{{detailStore.day_rank}} 月榜 TOP{{detailStore.week_rank}}

很多人把 2022 年称为激光雷达真正前装上车的元年，包括近期热门车型蔚来 ET7 、小鹏 G9 、理想 L9 、路特斯ELETRE 以及 飞凡 R7 等车型都宣布了今年激光雷达量产上车，同时各家也选择了不同的布局方案。

视觉传感器通过不断学习对物体进行检测分类、构建视觉特征，对感知世界里有最丰富的语义信息，赋予智能驾驶理解周遭事物环境的能力。而激光雷达的出现就像一场“及时雨”，带来准确的距离探测以及丰富的三维感知信息。

今天#飞机先生唠唠#围绕「什么是激光雷达？」以及「激光雷达能为智能驾驶带来什么？」两个基本问题为大家展开讨论，如果大家有其他问题也欢迎留言提问。

#飞机先生唠唠干货#、#飞机先生的树洞# 话题已经上线，如果大家有智能驾驶、产品类等问题可以直接向飞机先生提问！ 目前新出行蔚来 ET7 、小鹏 G9、理想 L9 、智己 L7 、飞凡 R7 、零跑 C01 、长安 C385 等热门车型微信群已建立，进群的同学可以加微信「 xchuxing06」 回复「车型名称」，包括我、专业 KOL、专业编辑老师等也在群内，欢迎大家一起共享共创。 

一、什么是激光雷达？

1、激光雷达=一把尺子。

激光雷达的工作原理其实很容易理解，就是通过激光器发射激光束，然后接收回传的信号，将发射信号和接收到的信号做对比。这样就能获得目标物的精准距离、姿态、速度以及朝向等基础参数。

激光雷达所看到的世界也就是我们所说的点云，就像摄像头我们拿到的是图像一样。激光雷达在图像平面信息的基础上加上了深度信息，也就是空间维度，所以这也就是我们提及的 3D 点云图。

因为激光雷达的工作原理，我们可以看到激光雷达的性能差异主要取决于你的发射、接收以及扫描三大板块。

2、我们如何分类激光雷达？

其中扫描方式的不同也就划分了我们如今熟悉的机械激光雷达、半固态以及固态激光雷达三种激光雷达。

机械激光雷达就是通过 360 度的机械旋转扫描，但由于车规需求，机械激光雷达本身硬件成本高昂、机械硬件的精密度不够、体积过大以及耐久度等具有局限性，当然要列举还有很多，而且这些技术也被海外的大厂所垄断，所以被国内很多激光雷达厂商放弃。

如何取消机械这样的固件，市场开始朝着非机械化发展，也就划分了两条不同技术道路，一个是目前主流的混合固态（也是半固态）以及固态激光雷达。

混合固态我们可以从字面意思理解，也就是扫描板块无法完全“去机械”化，所以我认为半固态实则还是要归属于机械激光雷达的一种。

比如 MEMS 微镜技术方案，也就是所有的机械部件集成在芯片上，以“电”的方式来控制光束；而转境方案也就是通过电机来带动转镜将光束反射出去，实现扫描探测。

固态激光雷达就是取消了任何机械运动部件。

比如 Flash 方案中它的扫描方式就非常独特，不是传统的从左到右的逐点扫描测距，而是像我们直接打一束光一样，直接通过面阵光测距，像手电筒直接照出一束光。

3、如何衡量一个激光雷达的好坏？

发射、接收以及扫描板块也决定了激光雷达的性能表现。

比如探测距离，其实衡量的就是激光雷达发射信号和接受信号的强度。

这就像我们向 1 米内和 10 米内的小伙伴对话，1 米内可能只需要小声对话，10 米情况下可能就要加大我们的音量，对于激光雷达来说就是加大我们的功率。

有些厂商就选择直接在发射端“做功夫”，比如 ET7 上采用的 1550nm 光纤激光器，能够输出更高功率，实现更远的探测距离，也就是我们上面的例子，吼的声音会更大，发射、回传的信号会更远。

我们看到除了看得远以外，看的清的三个基础，视场角 FOV 、角分辨率以及点频数。

视场角（FOV） 这个物理界限直接决定我们看的范围广度、高度有多少（水平、垂直视场角），比如有些车企在车辆前部布局了三个激光雷达， 为的就是覆盖更广的视角，甚至部分车企宣称已经覆盖了 360 度。

角分辨率是探测过程中点云中点和点之间的相邻间隔，意味着当我们角分辨率越小，识别目标的能力越强，点云数据也会越细腻。

如果激光雷达识别一个 300 米外的小孩，因为距离远目标变得很小，所以如果你落在小孩子身上的点也多，我们就能够接收更多反馈，更快判别这是一个小孩。

另外一种理解思路是我们常常提及的等效线数，也是同一个道理。 150 线 和 300 线的差异，300 线意味着有更高的纵线角度分辨率，实现更高的清晰度。

最后一个是点频数。

点频是激光器的点频率乘以激光器的数量。

 L9 虽然没有 1550nm 激光器，但它以量多“取胜”，它在发射端用了 128 个激光器，也就是会有 128 束激光进行扫描。

我们从官方看到，L9 激光雷达每秒拥有 153 万个激光点，分辨率自然更高，即使没有 ET7 看得远，但确保“看的见”的地方“看的清”，另外伴随着未来激光雷达收发板块的芯片化，激光器也会历经手机像素从百万像素向亿像素的分辨率跃升。

当然点频还与你的刷新频率有关。

我们一个人平均每天要眨 1 万次眼，眨眼时间大概是 0.1 秒，所以如果我们设想，如果我们眨眼从 0.1 秒变为 5 秒一次，那我们的日常生活将会有很大的受限，比如我们在城市开车，眼睛有 5 秒的延迟会带来很大的危险，即使有 5.76 亿像素也无法发挥。

所以激光雷达的刷新频率就像我们眨眼睛的过程，反映到激光雷达也就是刷新频率，比如理想 L9 上的禾赛 AT128 的刷新帧率是 10HZ，也就是每秒 10 次的刷新率。

出点数或者称为点频数考量的就是激光雷达每秒的探测点总数。

所以刷新频率就像我们的快门速度，在夜晚拍摄时，当我们速度越慢时，快门的的进光量越充分，我们图片的曝光量满足后要细节会更为丰富。

有趣的是，小鹏 G9 搭载的速腾 M1 激光雷达，就可以针对感兴趣区域做帧率的动态调节，我们看到官方的数据是 10-20Hz 的刷新频率。

有什么作用呢？比如小鹏 NGP 在城市或者高速场景中需要有较强的响应速度时，就可以提高刷新频率比如 20Hz，也就是提高扫描帧率，最大程度降低延迟。

而如果我们遇到堵车、加塞等复杂场景时，就可以通过降低刷新频率应对车辆加、行人横穿的场景。

看到这里我们可能有一个疑问，除了角分辨率和点频数，视场角为什么也会影响激光雷达的分辨率呢？

这个逻辑是类似水龙头和出水量的关系，如果我们恒定出水量不变的情况下，水龙头的开口越大，水流会更为分散，也就是点云分散了。

如果我们的水龙头开口缩小，水流会更为集中，点云会更为密集。这也就是反映在视场角与点云的关系。

这有什么好处呢？我们可以构建感兴趣 ROI 区域。

例如 ET7 上的激光雷达提及的“定睛凝视”功能，还有小鹏 G9 上搭载速腾 M1 的“凝视”功能，针对敏感目标物，例如行人、小物体、障碍物等目标五我们可以做“集中火力”检测，把点云信息集中在感兴趣目标物上，让目标物的点云更为细腻，有助于我们快速了解看到的是什么。

比如 ET7 上的激光雷达 ROI 区域等效可以到 300 线，ROI 以外的是 160 线。

二、激光雷达能够为智能驾驶带来什么？

激光雷达性能参数这么漂亮，那它实际上会给智能驾驶哪些“赋能”呢？

1、激光雷达是自动驾驶的最后一块拼图吗？

激光雷达这么强大，激光雷达的加入是否意味着我们就步入了完全自动驾驶呢？

不是。

我们知道自动驾驶是一个系统化工程，单一的传感器只能带来“辅助”作用，无法起到“决定”作用。激光雷达只是作为“盐”这样调味的作用，并不意味着激光雷达的出现就直接迈入了自动驾驶。

现阶段即使在交付后激光雷达可用的状态下， 目前激光雷达还是只是弥补视觉传感器本身的缺陷以及冗余为主，也就是在激光雷达“擅长”的领域为摄像头提供一个“价值参考”，发挥多传感器融合的作用。

另外对于工程师而言，激光雷达的置信度在没有经过多场景的验证下，它的置信度不会很高，在智能驾驶的迭代中，智能驾驶系统其实也是渐进的，伴随着功能的验证与迭代 ，激光雷达的性能也会逐步提升。

我们甚至可以理解激光雷达即使失效了，摄像头也能单独使用，它们相互验证，同时也相互独立。

另外激光雷达的融入其实也是全域的，它并不属于某个高阶辅助驾驶的专属传感器，即使是传统的 ACC 或者 AEB 等功能，激光雷达也能够发挥它的特长。

2、多传感器互补，提高连续性体验

多传感器融合，到底是如何融合？又有哪些好处呢？

坚持多传感器融合的车企选择激光雷达的目的其实很简单，也就是人多力量大。

不同传感器有不同的优势，比如摄像头天生有色彩、多语义、多场景的特点，当然也会受限于天气、逆光、黑夜等场景。另外摄像头与深度学习的融合，是要看的前提下懂得推理与判断，但目前距离实现自动驾驶还有很大的差距。

毫米波的优势在于测距以及测速精准，但是角分辨率低、金属探测灵敏，所以无法对静止车辆或者人车复杂场景在好的探测。超声波雷达探测距离短无法对远距离做检测。

激光雷达的出现其实弥补了多传感器的“缺陷”，在测速、测距上具有优势，同时相比视觉需要通过算法分类，激光雷达的回馈更为直接，同时不受光照的影响，还具有探测距离远、角分辨率高的特点。

这样直接的好处是既能够为多传感器提供冗余作用，同时激光雷达可以连接包括 AEB、 ACC 、LCC 以及 NOA ，甚至更高阶的智能驾驶功能，很大程度能够提供连续性体验。

另外时有了激光雷达的“分担”，其实也会减轻计算平台的视觉计算量，激光雷达数据量产生很小，特别是应对城市更为复杂的场景需要低延迟率的需求，可以一定范围提高安全性。

3、附加作用：定位与建图

如我们在第一个板块提到的，激光雷达是一把移动的“标尺”，同时能够直接产生 3D 点云信息，这其实给智能驾驶的定位有关键的作用。

无论是城市或者高速 NOA ，我们都需要利用 GPS 给定一个绝对位置，接着通过车辆内的 IMU 以及 轮速编码器获得车辆的初始位置。

而例如在高阶的城市 NOA ，系统需要逐步降低对高精地图的依赖，需要有即时定位与同步建图，因为定位和建图两个动作是相辅相成的，也就是我们所说的 SLAM 。

SLAM 有两个作用，首先它能帮助我们在“陌生”的环境只能够提供定位，同时同步建图，例如我们常见的没有高精地图覆盖的场景。

另外是通过已经绘制好的地图我们可以同时环境匹配做定位，减少姿态误差，同时因为有更为精准的测距信息，可以依据我们的姿态去创建一个更高精的地图。

三、激光雷达除了硬件，背后还有什么？

不同车企对激光雷达定义不同，布局也不同。

比如蔚来 ET7、理想 L9、飞凡 R7 等车型采用的瞭望塔式方案，这样能够发挥激光雷达「远距」的作用，同时因为角度更高还能覆盖更多场景。

像 ET7 上今年“主打菜” NOP Plus 高速场景，在高速场景下能够对更远距离的目标做提早检测，能够与长焦镜头融合，针对远距离物体做提早感知。

而小鹏 P5 、G9 代表的低角度的布局，实际解决的场景是近距离的防加塞，比如变道、被加塞或者我们需要并入匝道“加塞别人”等复杂场景，可以更精准解决加塞问题。

小鹏城市 NGP 也是小鹏今年的“主打菜”，针对更为复杂的长尾场景，激光雷达能够对近距离加塞场景，也就是车头侧前场景更能“见招拆招”，这个场景头顶式方案大部分无法解决，只能依靠摄像头。

当然不同的布局也需要做不同的取舍，例如低角度会遇到视野受限问题，瞭望塔方案需要解决散热、美观性以及集成化的问题。

四、总结

激光雷达的应用是渐进的，对于目前车厂而言，思考激光雷达上车相比  L4 无人车更为复杂，除了思考车规、成本以及外观集成美观度，其实也需要考虑满足快速研发。

不同的硬件选择，实际上我们也看到了不同的目的。比如蔚来选择 图达通 前期除了满足高速 NOP Plus 以外也贴合品牌的高度，理想和小鹏考虑成本的同时，其实核心场景也集中在了城市，L9 的头顶式方案虽没有 图达通猎鹰 看得远，但对看得见的场景确保“看的清”，小鹏城市 NGP 选择底部两侧更考虑了城市中加塞的细分场景。

目前大部分车企对于激光雷达算法需求度也比较高，比如激光雷达的的感知软件，对场景的信息理解，通过激光雷达方提供的算法，有助于车企做快速开发，真正提高功能的实际作用，避免做重复的点云处理工作，提高效率。

相比纯视觉方案，激光雷达上车能够为车企抢夺了时间。比如过去行业内基于 Mobileye 「黑盒」的研发，实际上激光雷达也变相推动了行业对智能驾驶的自研节奏。

但车厂也有新的挑战，也就是视觉方案依旧是实现自动驾驶所绕不开的难题，需要避免对激光雷达的依赖性性。