雷射雷達還是攝像頭?我們如何看自動駕駛的路線之爭?

2024年上半年,雷射雷達在中國新能源汽車中的搭載率大約在10~13%。也就是說,大概每10輛新能源車中,就有1輛搭載雷射雷達。對於汽車而言,雷射雷達就像一個帶著手電筒的視覺系統,能夠直接測量出汽車與障礙物的距離。

▲雷射雷達可同時獲取灰度與距離資訊。

圖片來源:力策科技
但圍繞雷射雷達,從來不缺爭議。特斯拉創始人馬斯克曾經說:“傻子才用雷射雷達”。也有造車新勢力創始人稱:“說雷射雷達沒用的非蠢即壞,特斯拉不是所有事都對”。
從大佬們旗幟鮮明的表態,我們可以窺見自動駕駛發展過程中兩條截然不同的路徑:一種是特斯拉為代表的純視覺方案,主要依賴攝像頭+AI來獲取路況資訊;而另一種則是多感測器融合,在車上安裝攝像頭、雷射雷達、毫米波雷達等多種感測器。
那麼,馬斯克投了反對票的雷射雷達到底是什麼,能發揮什麼作用?
最近,我們請到了雷射雷達行業的資深從業者、深圳力策科技創始人&CEO張忠祥博士與峰瑞資本合夥人楊永成就自動駕駛技術成熟之路上的挑戰與機遇,進行了一場深入的對話。
張忠祥在雷射雷達研發領域深耕近十載,是光電系統與整合光學領域專家。在張忠祥看來,過去10年“不僅是中國汽車智慧化的歷史,也是國產汽車逆襲的歷史。”
他們的討論重點包括:
  • 與智慧駕駛相關的各種事故是怎麼發生的?
  • 智慧駕駛是怎麼一步步走到今天的?從自動駕駛難度來看,哪個場景最難?
  • 如何看待自動駕駛的技術挑戰與商用前景?
  • 機器的進化史或科技進步路徑,一定要模仿人類嗎?
  • 雷射雷達還是攝像頭?如何理解自動駕駛的路線之爭?
  • 在高度內卷的汽車市場中,雷射雷達如何提高搭載率,從車企的可選項變成必選項?
  • 特朗普上臺對雷射雷達行業有什麼影響?市場未來機會在哪裡?
互動福利
你對於自動駕駛和雷射雷達有什麼看法?歡迎在評論區和我們聊聊。我們將隨機挑選5位讀者,分別送出峰瑞行研手冊一份

/ 01 / 
中國智駕10年:波瀾壯闊的逆襲之路
楊永成:自動駕駛和新能源汽車是峰瑞長期關注的方向,我們投資了與自動駕駛相關的各種感測器專案,包括毫米波雷達、雷射雷達以及與之相關的晶片等。張博士,你是怎麼走上深耕雷射雷達這條路的?
張忠祥:我從事雷射雷達的研發將近10年時間。我本科畢業設計的內容是量子密碼系統的單光子光源和探測,這個跟我現在做的雷射雷達工作其實挺接近的。大學期間,我還獲得了去臺灣國立清華大學訪問的機會,第一次接觸到雷射加速電子和非線性光學這些前沿物理,我觸動很大,於是申請博士的時候就直接選了電子工程方向。
博士畢業後,我在香港工作了3年多,覺得工作太枯燥,萌生了創業的念頭。當時,深圳剛推出“孔雀計劃”,吸引我回到深圳創業。2013年,我註冊了力策科技,最初沒有計劃融資,而是透過接專案來維持公司運轉,前後累計接的專案金額超過200多萬。
最開始我們做的是用於玻璃檢測的拉曼雷射雷達。入駐了留學生創業大賽的場地後,我發現樓上樓下有很多服務機器人公司,需求幾乎都是測距型雷達,於是我們果斷轉向測距雷射雷達
2016年到2017年,車載雷射雷達市場開始火熱,我們決定將研發方向鎖定在純固態的光學相控陣雷射雷達
純固態光學相控陣雷射雷達是一種基於固態光束操控(Beam Steering)的三維測距系統,核心模組包括測距模組和掃描成像模組。測距模組的工作原理主要依賴於雷射發射器發射雷射脈衝,目標物體反射雷射後,返回訊號被接收端收集到,從而計算出物體的距離。目前測距技術已經非常成熟,不少雷射雷達團隊的創新大多圍繞如何完成高速三維成像去做。光學相控陣晶片其實就是完成從單點測距到三維成像的一個高效掃描引擎。
電掃式固態雷射雷達樣機實物與量產機想象圖
圖片來源:力策科技
楊永成:張博士是一個跨學科的創業者,既學過光學,又學過電子,如今他的創業方向正是電子與光學的融合。這種跨學科的交叉融合能力是峰瑞在選擇和投資專案時非常看重的一點。
力策的產品與自動駕駛上下游息息相關,能否分享一下你對新能源汽車及自動駕駛行業的看法
張忠祥:實際上,中國新能源汽車過去10年的發展,可以用“波瀾壯闊”來形容。這不僅是中國汽車智慧化的歷史,也是國產汽車逆襲的歷史。從汽油到電池的動力系統轉變只是一個方面,而真正深遠的影響來自於汽車智慧化的發展
我用四個資料來簡要描述行業的現狀,這些資料來自中國汽車工業協會以及中國汽車流通協會。第一個資料是67.6%,這是今年9月份自主品牌汽車在中國市場的佔有率。第二個資料是46.3%,指的是今年9月新能源汽車在整體市場中的比例。第三個資料是約13%,這是今年上半年雷射雷達在新能源汽車中的搭載率
透過這些資料可以看出,不論是新能源汽車的增長速度,還是國產品牌的市場佔比,都遠超我們3年前的預期。而雷射雷達作為智慧化的重要標誌,目前13%的搭載率也是一個相當不錯的成績。
不過,還有一個比較嚴峻的數字是4.9%,這是今年1到7月份中國汽車製造業大概的利潤率,這是個非常低的數字,反映了當前行業的內卷程度。這種壓力自然傳導到供應鏈上,包括作為雷射雷達企業的我們身上。因此,過去3年,降本一直是客戶最迫切的需求。
透過技術創新來降本,才能保持產業鏈的健康運轉。大多數量產車的自動駕駛系統,實際上都是在極致的成本控制下,努力去提升演算法的穩定性、普適性和安全性
因此,過去10年自動駕駛的發展歷史大致可以分成兩個階段2016年到2020年是以無人駕駛為主,例如百度Apollo這樣的專案,當時資本關注的焦點也是無人駕駛;而2020年之後量產車成為主角,高階輔助駕駛和自動駕駛已然成為大家生活的一部分。
/ 02 / 
與自動駕駛相關的事故是怎麼發生的?
楊永成:隨著人工智慧的興起,大家對自動駕駛的探索也越來越深入。現在從特斯拉到國內的一些新興造車勢力,輔助駕駛甚至更高階的自動駕駛功能已逐步投入市場。比如,像Robotaxi這樣的自動駕駛出租車已經在服務行業中得到應用。自動駕駛似乎不再是遙不可及的夢想,而是觸手可及的技術。
但另一方面,關於自動駕駛的負面訊息也時有發生。例如,最近就有一起自動駕駛汽車在高速上未識別到水馬併發生碰撞的事件。你怎麼看待這些事故和自動駕駛行業的未來

▲用交通路障水馬劃出的人行道。

圖片來源:維基百科@WATA5
張忠祥:就像剛才提到的,自動駕駛在過去10年取得了長足的進步,但大規模推廣至量產車上也就是最近3年的事情。現階段我們稱其為輔助駕駛,但實際上已超越了傳統的 L2輔助駕駛,更接近“L2+”或“L2++”的水平,雖然還未到達L3,但距離已不遠。
科技發展總是伴隨試錯過程,難免會有波折,甚至可能付出一些慘痛的代價,這是歷史上無數科技創新的共同之處。自動駕駛也是如此。公眾一定會經歷一個過程,從質疑、嚐鮮、小心翼翼的體驗,最終逐步普遍接受。在這個過程中,人們的認知是螺旋上升的。
關於自動駕駛的事故,例如你提到的水馬事故,這類情況也發生過不少。根據一些公開資訊,自2021年起,美國國家公路交通安全管理局(NHTSA)調查了超過上千起特斯拉Autopilot相關事故。雖然由於資料隱私原因,這些報告未完全公開,但今年7月《華爾街日報》釋出了一篇報道,分析了聯邦檔案及當地警方記錄的事故細節,共涉及千餘起事故,其中 222 起較為詳細的事故記錄。
根據報告,其中有44起是Autopilot系統突然轉向的情況,31起因未能識別障礙物直接發生碰撞,這與水馬事故情境類似。此外,報告中還披露了12個車禍影片,其中8起發生在夜間、2起在光線不足的黃昏環境。
這也符合我們的認知:攝像頭作為無源感測器,在光線不足的環境下可能發生誤判,因此未來的技術迭代中,多感測器融合應該是必然的方向
楊永成:剛才提到的自動駕駛事故,我特地看了影片,當時是在高速公路上,路況也比較簡單,施工人員在幾百米遠的位置設定了一排水馬擋住車道。這種情況下,按理說車輛應該切換到旁邊車道,避免撞上水馬。但影片中顯示車輛沒有減速,徑直撞上了水馬,幸好沒有造成嚴重事故。
當時能見度高,路況簡單,為什麼車輛還是撞上了?即使是純視覺系統,至少也應該看到障礙物並採取減速動作。從技術上看,這是因為攝像頭的侷限性,還是智慧駕駛演算法的問題
張忠祥:我不是自動駕駛演算法方面的專家,但從邏輯上看,我猜測這起事故可能是車輛的感測器或演算法沒有識別到障礙物,否則應該會觸發剎車動作。
我們通常有一個直觀的認知,就是攝像頭看到了障礙物,自動駕駛系統就會採取行動,比如剎車或轉向。然而,目前通行的純視覺智慧駕駛方案通常是將攝像頭資料傳遞給AI模組,由AI模組來輸出障礙物的具體資訊,比如障礙物的型別、大小和距離。
而AI模組識別障礙物的資訊,取決於是否對該型別障礙物採集和訓練了足夠的資料。如果AI模型沒有足夠的資料,它可能無法識別出這個障礙物,相當於“看不見”了。
楊永成:我理解了,這和AI資料的積累有關。所以做自動駕駛的公司都在大量採集資料,積累行駛時長和路況資訊,才能讓系統更好地識別路上的物體,是這樣嗎?
張忠祥:對。系統識別到物體後,需要透過過往訓練來判斷其體積,並將其對映到數字世界的模型中。這種距離判斷也和我們日常生活經驗類似,比如根據物體在畫面中的大小來推測其遠近。
楊永成:你是說系統透過影像中的物體大小來判斷距離,這是不是和我們人眼判斷“遠小近大”的邏輯類似?
張忠祥:是這樣。
楊永成:那系統就需要一個經驗值來輔助判斷,要先“知道”這個物體是什麼,比如人的大概身高,這樣才能透過影像中的大小判斷距離。
張忠祥:是的。在馬斯克的思維邏輯中,他認為人類的神經網路和矽基的神經網路在本質上是相似的,所以希望車輛也能夠像人類一樣駕駛。
楊永成:也就是說,系統需要透過採集和訓練,事先“認識”這些目標物。我也想起一個類似的事故,一輛車翻倒在高速公路上,底盤朝向後續車輛,後續車輛的系統因未訓練過底盤的資料,無法識別出這是一輛車,導致了碰撞。
不過,我還是有些困惑,像水馬這樣的東西,在高速公路上很常見,是施工人員的標準裝置,按理說AI模型應該能識別它。為什麼車輛還會撞上水馬堆呢?
張忠祥:其實單個水馬和一堆水馬的組合有很大區別。水馬有不同顏色,組合方式也千差萬別。擺放水馬的人也不會考慮車輛系統曾經訓練過的擺放方式。
此外,不同光線、周圍環境背景下,水馬可能會被識別成不同的障礙物。因此,即便是水馬的組合,理論上也可以有無限多種情況
在高速公路上還算相對規範,而在城市道路、衚衕、居民區等地方,路邊的物品和組合幾乎是無窮無盡的。更重要的一點,在端到端的AI黑盒子中,我們無法人為地給某個場景貼標籤,來提高其識別精準度。這也是端到端模型的侷限性
楊永成:大家可能以為隨著AI模型的資料積累,自動駕駛系統應該能識別所有的常見物品。但現在看來,短期內不一定能夠完全實現。
根據你的解釋,AI模型在做目標切分時,有時未必能將連在一起的物體正確地分割,比如像擺放成各種形狀的水馬組合,它可能會把這些水馬當作一個整體,是這樣嗎?
張忠祥:是的。
楊永成:那就是說,單個物體的種類雖然理論上是有限的,但它們的組合方式卻是無窮無盡的,對吧?這樣的話,高速公路上的物體組合相對簡單些,而在城市道路上,比如衚衕或生活區裡的物品組合更加複雜,挑戰性更大,對嗎?
張忠祥:是的,所以城市道路的NOA(Navigate on Autopilot,自動輔助導航駕駛)比高速上的NOA要難實現得多
楊永成:看起來實現自動駕駛還很遙遠,你怎麼看?
張忠祥:我覺得也不用太擔心,技術其實在快速進步。即便是純視覺方案,我們也看到,特斯拉的迭代速度非常快,AI和智慧駕駛演算法也在進步。除了純視覺方案外,還有更好的技術方案,比如多感測器融合,結合了毫米波雷達和雷射雷達。
目前,毫米波雷達已經大規模應用在量產車上,高階車型基本上也都配備了雷射雷達。而Robotaxi這樣的自動駕駛出租車已在道路上執行,並且配備了多個雷射雷達。
/ 03 / 
雷射雷達還是攝像頭?
自動駕駛的路線之爭
楊永成:實際上這個行業裡存在兩大技術流派。一派是特斯拉的純視覺流派,主要依賴攝像頭來獲取路況資訊;而另一派則是多感測器融合流派,採用攝像頭、雷射雷達、毫米波雷達等多種感測器。這個理解正確嗎?
張忠祥:是的,目前主流的三類感測器就是攝像頭毫米波雷達雷射雷達
楊永成:雷射雷達和毫米波雷達是什麼關係?是競爭、替代還是其他?
張忠祥:我先說結論,兩者是關係互補融合才是最優解。我是多感測器融合派,雷射雷達和毫米波雷達不是替代關係,和攝像頭也不是。最優方案是將它們融合,同時保持成本可控。
毫米波的最大優勢是抗惡劣天氣能力,但成像能力較弱,即使是更高階的4D毫米波雷達,與雷射雷達在成像方面也不可相比。它們在自動駕駛系統中承擔不同角色,我們可以對比一下它們的優缺點。
4D毫米波雷達從去年開始比較火,特斯拉帶火了這一技術。4D毫米波雷達具備一定的三維成像能力,價格大約在1000~1800元人民幣,對比目前雷射雷達仍有一定成本優勢,但比普通毫米波雷達貴不少。
但是在效能上,4D毫米波雷達與雷射雷達差距非常大。比如測距精度這個指標,4D毫米波雷達的測距精度約為幾十釐米,而雷射雷達通常為2釐米。
隨著雷射雷達成本進一步降低,產品形態逐步固態化,4D毫米波的優勢就會減弱,主要優勢是抗惡劣天氣。所以,我們認為最好的方案是融合,用毫米波雷達和雷射雷達共同保障自動駕駛系統的安全和穩定。
楊永成:你剛才提到毫米波雷達的解析度比雷射雷達低很多,這是不是設計上的原因?還是因為物理上的限制
張忠祥:這是由於物理上的限制。每種成像手段都有物理極限,這一極限取決於用於成像的電磁波波長。毫米波的波長是毫米級,而雷射雷達的波長是微米級(1微米相當於1米的一百萬分之一),差了3個數量級。這注定了毫米波雷達的解析度不可能與雷射雷達相比。
典型的毫米波雷達每秒輸出約3萬個點,而雷射雷達每秒則可輸出超過100萬個點,這導致兩者在空間解析度上有很大的差距。
雷射雷達的優勢可以用一句話概括:它是目前人類掌握的最高效、最精準的三維成像工具。與攝像頭相比,雷射雷達在物理層面有兩個特性:第一,雷射雷達是有源感測器,也就是主動式感測器,能夠自主發光;而攝像頭是被動感測器,依賴環境光來成像。這一差異確保了雷射雷達在任何光線環境下都能正常工作
楊永成:主動和被動感測器,這兩個概念具體指什麼?各自的優點是什麼?
張忠祥:主動式感測器,也叫有源感測器,就是自身可以發光,比如雷射雷達會發出光並接收自己發出的光;而被動感測器,比如攝像頭,是依靠環境光成像,所以環境光的好壞會影響它的成像質量。
楊永成:雷射雷達就像一個帶著手電筒的視覺系統,而這個“手電筒”就是雷射,是我們目前所能發現的最好的光源。
張忠祥:對,這個比喻非常精準。
楊永成:那就是說,因為雷射雷達有一個穩定的光源,它的接收端能夠最大程度上保持資料的準確性,受外部環境的光線影響也最小。
你剛才還提到3D感測器,雷射雷達的3D感測和攝像頭的感測有什麼區別呢
張忠祥:這正是第二點區別。雷射雷達輸出的是三維點雲(Point Cloud)資訊,而攝像頭輸出的是RGB平面資訊,即我們常說的二維資訊。
點雲是一種三維空間資料表示方式,通常由大量的組成,每個點代表空間中某一位置的座標(如x、y、z)。點雲在多種領域中具有廣泛應用,特別是在 3D 掃描、計算機視覺、雷射雷達(LiDAR)測量、虛擬現實(VR)、增強現實(AR)等技術中。
在自動駕駛演算法中,攝像頭輸出的資訊會被轉化為一個三維模型。例如,特斯拉在2022年AI Day上釋出了Occupancy Network(特斯拉在自動駕駛中使用的一種深度學習方法),原理是透過攝像頭識別物體,估算它在三維空間中的位置機率,從而重構現實環境,為決策提供支援。而雷射雷達則是直接輸出三維點雲模型,不需要這一步的轉換。
是否發光以及輸出資訊的形態,是雷射雷達和攝像頭的基本物理差異,這也決定了它們並非競爭關係,而是互補的關係。特別是在L3及以上的自動駕駛系統中,雷射雷達是不可或缺的感測器。多感測器融合大機率比單一攝像頭更安全。
楊永成:你剛才提到雷射雷達可以提供額外的一維資料,這個額外的資料是否就是距離資訊?也就是說雷射雷達能夠直接測量出障礙物的距離,不需要像人類靠生活經驗或AI模型靠資料積累來推斷,是這樣嗎?
張忠祥是的。
▲雷射雷達可同時獲取灰度與距離資訊。
圖片來源:力策科技
楊永成:這樣解釋得很清楚了。不過,馬斯克曾經說“傻子才用雷射雷達”,正如你提到的,人類開車靠的是眼睛,這也是一種直觀的邏輯。所以,雖然高階車配備雷射雷達,但不少中低端車仍然依賴純視覺系統。有沒有可能,未來純視覺系統成功,從而不再需要雷射雷達?
張忠祥:但也有人說 ,“不用雷射雷達非蠢即壞”。其實馬斯克還提到,雷射雷達是一個“誘人的區域性最大值”(local maximum)。他解釋說,道路系統是基於人類的神經和視覺系統設計的,因此通用的自動駕駛解決方案應基於矽基神經網路和攝像頭。
馬斯克說的 “區域性最大值”,其實是指雷射雷達圍繞車輛本體,基於本地感測器返回的資訊來決策。這個概念很精準,如果在未來的高階自動駕駛架構中不考慮成本因素,那麼誰會放棄這種區域性最大值呢?雷射雷達直接輸出三維點雲,和攝像頭需要透過大量資料訓練來實現三維重構的步驟,其實是殊途同歸的,最終都是為了讓機器理解物理世界,從而做出駕駛決策。
但從商業化的角度來看,過去雷射雷達的成本過高,而特斯拉起步比較早,沒有其他選擇,只能選擇攝像頭方案。隨著AI和算力的提升,基於視覺的自動駕駛演算法會更加穩定,這也是為什麼馬斯克認為純視覺是有別於區域性最大值的“全域性最大值”
純視覺方案需要雲端支援,在不同國家落地時需獨立構建雲計算中心,而且多攝像頭的影片資料需經過壓縮才能上傳,這對本地算力要求更高。因此,雷射雷達和純視覺兩個方案相比,前者是看得見的硬體成本高後者是隱性成本高,特斯拉FSD的高訂閱費也反映了這一點。
還有一點,即便不考慮全自動駕駛,在輔助駕駛系統中,雷射雷達也可以顯著提高自動緊急剎車的識別率。雷射雷達的價值,地板是作為安全冗餘,而天花板則是高階無人駕駛系統。
雷射雷達的價值顯而易見,使用與否更多是商業考量,而不是技術上的必然選擇。
楊永成:總的來說,自動駕駛技術路線有兩種,一種是基於純視覺加AI,另一種是多感測器融合,透過雷射雷達直接獲取3D資料,包括距離和速度資訊,即使演算法較簡單也能實現智駕功能。
不過,這兩種方案其實並不矛盾,可以互相融合。這讓我想到醫學的發展史,早期醫學沒有現代的X光、B超,中醫主要依靠 “望聞問切” 積累經驗。相比年輕中醫醫師,老中醫積累的“大資料”多,判斷也更精準。而現代醫學則藉助B超和生化檢測做判斷。雷射雷達和視覺系統有些類似這種“直接測量工具”的作用,不需要大資料訓練就能判斷物體資訊,對嗎?
張忠祥:對,而且在自動駕駛中,人們對汽車駕駛的期待遠高於人類駕駛水平,所以自動駕駛系統不僅需要實現和人類持平的駕駛能力,還要超越人類。
楊永成:這是不是也暗示了機器的進化史或科技進步路徑不一定要模仿人類?比如最高效的交通工具是四輪汽車、火車和飛機,但它們並不依賴人類的兩條腿。也就是說,技術進步不一定要走人類進化的路線,不一定以人類標準為最優,對嗎?
張忠祥:是的。
/ 04 / 
自動駕駛,在哪裡駕駛最難?
楊永成:據我瞭解, Robotaxi上的感測器,包括雷射雷達,數量比普通商用車更多,這是不是和它在城市道路上行駛的複雜性有關?比如計程車可能會開進衚衕這樣的區域。
張忠祥:是的。
楊永成:如果從自動駕駛難度來看,你認為哪個場景最難
張忠祥:事實上,高速自動駕駛的難度低於城區自動駕駛。在自動駕駛演算法中,最先應用的是高速公路的NOA。我們看最近幾年車廠釋出的順序來看,車廠通常先推高速自動駕駛,接著才是城區自動駕駛
主要原因在於,高速駕駛雖然速度快,但對計算速度和感測器響應速度的影響不大。反而因為高速路環境封閉,路況相對簡單,行車規則也明確,演算法更容易成熟。而城市道路則複雜得多,需要處理更為複雜的道路環境和行人狀況。
還有另一個高頻場景——泊車。泊車看似低速,但體驗要做好非常困難。目前大多數帶自動泊車的車型都在使用者手冊中提醒車主,啟動自動泊車前需確保周圍環境適合。如果周圍有消防栓等立體障礙物,自動泊車可能就無法正常執行。泊車雖然慢,但需要關注的環境範圍廣,精度要求高。所以,泊車的演算法難度高於城區自動駕駛,而城區自動駕駛又高於高速自動駕駛
楊永成:泊車和城市道路確實更復雜,那是否還和道路狀況有關呢?比如泊車的空間通常很小,尤其是在中國,車位之間可能只剩下10到20公分的距離。而城市道路也比高速公路要窄,所以是否對感測器的精準度提出了更高要求?
張忠祥:是的,不僅是感測器的精準度,感測器需要覆蓋的空間範圍也更廣。
楊永成:我們討論了很久雷射雷達,也基本瞭解了它在自動駕駛中的重要性和其提供的精準資料的價值。雷射雷達的使用率其實並不高,並不是所有車型都配備雷射雷達,這是為什麼呢?
張忠祥:目前雷射雷達在新能源汽車中的搭載率大約在10~13%,也就是說每 10 輛車中大概有一輛搭載雷射雷達。以目前雷射雷達的價格來看,這個比例不算低了。當前搭載雷射雷達的車型主要是20萬人民幣以上的車型,而出貨量最大的車型價格區間大概是10~20萬人民幣。
搭載率較低的首要原因是雷射雷達的成本。目前主流的和已經上車的雷射雷達價格已經從過去的數萬元調整到了數千元,但是即便是這樣,對於高度內卷的汽車市場,雷射雷達依然是一個非常昂貴的感測器,特別是對於售價低於20萬元的車型和未來的高階自動駕駛,這種單車可能需要搭載3個雷射雷達的場景,成本問題依然是車載雷射雷達行業的痛點。任何工程創新的首要目標都是降本,這是核心價值所在。
另一個問題是雷射雷達的魯棒性。帶有運動部件的雷射雷達在汽車的工作環境下,耐久性和可靠性尚未經過長時間驗證。隨著自動駕駛演算法對雷射雷達依賴程度的提高,尤其是在L3、L4階段,對雷射雷達可靠性的要求也會更高。因此,成本可靠性是目前限制雷射雷達使用率的兩個主要原因。
/ 05 / 
雷射雷達進化史
楊永成:你正在做相控陣雷射雷達專案,相控陣雷射雷達優勢是什麼?目前的進展如何?
▲(左)小尺寸OPA晶片與驅動ASIC
(右)大口徑OPA晶片
圖片來源:力策科技
張忠祥:相控陣雷射雷達和微波相控陣原理是一脈相承的,許多人可能因為軍事應用,對微波相控陣更熟悉。這兩者的工作原理都是透過相位延時量的調整,實現電磁波的相干疊加,從而改變電磁波傳播方向
相控陣雷射雷達(OPA)晶片是一個固態掃描元件,可以顯著減少雷射發射和接收元件的數量,簡化光學系統,降低光學裝配難度,從而大幅度降低成本產品尺寸。同時,由於沒有機械磨損,固態雷射雷達在可靠性和壽命方面顯著提升。雷射雷達也會從機械掃描,過渡到電子掃描的時代。
我們力策自2017年開始做OPA晶片的流片,在晶片生產中經歷了多次架構和材料體系調整。2021年,我們成功點亮了第一顆雙軸掃描的OPA晶片,在國際上率先實現了投影儀效果,透過光點高速掃描呈現出二維動態圖案。我們也獲得了國內多項發明專利以及三項美國專利。
我們歷經2年研發,終於在2023年年底展示了整機的點雲效果。2024年前10個月,我們持續提升OPA晶片的口徑,從早期的500微米口徑逐步提升到3.6毫米5毫米,預計不久後會推出8毫米和14毫米口徑的晶片樣機。

▲力策科技產品矩陣

圖片來源:力策科技
2024年年初,我們已經開始與車廠對接樣品。除了車載領域,我們也在非車載應用上積極推進,比如消費機器人、工業叉車等領域。
楊永成:事實上,當年我們的微波雷達也經歷了類似的發展路徑,最早是機械式的,像一個大鍋一樣,用電動或手動搖動掃描,後來就發展成了相控陣。這種相控陣技術在軍用和高階微波雷達上非常普及,從外觀上看就是一個平板,沒有任何活動部件。當相控陣排布在軍艦上,美國民眾叫它“宙斯盾”,我們稱之為“中華神盾”。
從技術上看,力策在光學領域實現了類似微波波束掃描的控制技術,這確實是個不錯的技術,期待它的快速發展。如果從市場角度看,力策在相控陣雷射雷達賽道上的位置如何?
張忠祥:我們在國際上應該是領先的。無論是2021年展示的掃描效果,還是我們現在的整機點雲展示,我們都是率先演示的團隊。
楊永成:比起早期海外昂貴的雷射雷達,現在中國製造的雷射雷達確實做出了很大貢獻。有行業分析認為,雷射雷達能夠實現普及的定價大約是100美元。你覺得100美元的雷射雷達有可能實現嗎
張忠祥:完全有可能實現。
/ 06 / 
特朗普上臺對雷射雷達行業有什麼影響?
市場未來機會在哪裡?
楊永成:最近美國大選剛剛結束,特朗普又一次當選總統。你覺得特朗普上臺會對雷射雷達行業有什麼直接影響嗎?
張忠祥:特朗普當選在一定程度上也是馬斯克的勝利,對FSD進入中國可能會有更強的預期。在中國這種複雜的交通狀況下,特斯拉未來更有可能接納雷射雷達作為輔助感測器
此外,2024年10月份有一則關於國家地理資訊資料被境外公司非法獲取的訊息引起了熱議。視覺自動駕駛方案依賴本地資料與雲端的互動,汽車採集到的道路和行人資料會上傳到企業的私有云端,雖然上傳的資料是經過簡化的函式,但在中國,中短期甚至長期內開放影像資訊採集和上傳的可能性較低。雷射雷達基於本地算力完成自動駕駛的區域性決策,在這種環境下優勢明顯,有可能成為唯一可行的自動駕駛方案
楊永成:你創業多年,市場對雷射雷達技術的需求和關注也在變化,你在心態上有過什麼變化嗎
張忠祥:我們在OPA這條線上堅持了這麼久,最重要的是我們始終堅信這件事能做成,而且做成後會有用。當我們看到實際展示的電掃雷射雷達的點雲效果時,我們驗證了自己這麼多年來的信念是真的,因為我們在一個接近單線雷射雷達的成本結構裡實現了200線的效果。所以,技術的堅持上,我們心態沒有變化
不過,從整個行業和市場環境來看,與幾年前相比,現在的車載雷射雷達市場已大不相同。幾年前,我們主要關注技術研發和底層突破,現在階段的考驗更多是工程化迭代速度以及與車廠的商務能力,這可能是我們目前核心關注的點。
楊永成:怎麼看待自動駕駛的商用前景?從技術上講,自動駕駛現在發展到了什麼程度
張忠祥:自動駕駛起步較早的公司中,特斯拉的FSD(Full Self-Driving,完全自動駕駛)版本其實一直在更新。每次更新後都能看到系統接管次數的大幅下降,說明技術是不斷進步的。
不過,也可以看到在某些複雜環境中,系統平順性仍然不足,讓乘客感覺到顛簸,需要人工干預。特斯拉代表了國外自動駕駛技術的前沿,而在國內,許多團隊起步稍晚,但在高階輔助駕駛方面普遍採用了多感測器融合配置,而非特斯拉的純視覺方案。
這幾年來,以華為的“乾崑”系統為代表,智慧駕駛系統也在快速進步,使用體驗已顯著改善,自動駕駛確實在一定程度上減輕了我們的駕駛負擔。
至於現在的發展階段和未來的演進速度,我想引用一個比喻:坐過高鐵的人都有體驗,當我們站在站臺上看一列遠處駛來的高鐵時,會覺得它很慢,但當它離我們越來越近時,我們還沒回過神,它已經呼嘯而過。面對新技術、新潮流和新的商業模式,往往會有類似的體驗。自動駕駛也是如此,我相信當我們真正看清它時,可能它已經離我們很近了,未來其實已不遙遠
互動福利
你對於自動駕駛和雷射雷達有什麼看法?歡迎在評論區和我們聊聊。我們將隨機挑選5位讀者,分別送出峰瑞行研手冊一份

▲ AI for Science:站在科研正規化的轉折點上 | 峰瑞報告

▲ 從1980年以來的矽谷PC創新,看AI硬體的時代機遇

科技消費品如何出海?

馬斯克的預言對嗎?雷射雷達是否會上車?| 峰瑞晶片系列

▲ “站得高,看得遠”:衛星通訊太空競賽的由來與未來 | 峰瑞報告34

星標峰瑞資本微信公眾號
一手商業思考及時送達

相關文章