激光雷达在自动驾驶中为何不可替代？

[首发于智驾最前沿微信公众号]据速腾聚创财报显示，2024年速腾聚创全年总收入约16.5亿元，以同比47.2%的增速，实现连续三年高速增长；激光雷达（LiDAR）总销量约54.4万台，同比大增约109.6%。在很多车企不断追求纯视觉的当下，为何激光雷达的销量反而“逆势”增长？激光雷达在自动驾驶中为何不可替代？

其实环境感知作为自动驾驶的“元感官”，在保证车辆安全、提高决策效率方面发挥着至关重要的作用。而在众多感知手段中，LiDAR以其精准的距离测量和三维点云构建能力，成为自动驾驶系统中不可或缺的核心传感器。在自动驾驶系统的感知模块中，激光雷达首当其冲地承担起环境建模与障碍物识别的重任。与摄像头只能捕捉二维图像信息不同，LiDAR能够发射数万至数十万次激光脉冲，并通过测量激光往返时间得到精确距离，从而构建出高密度的三维点云。这些点云不仅能准确还原道路、行人、车辆及各类设施的三维形态，而且具有毫米级的测距精度和较宽的探测范围，使得自动驾驶系统能够直观、细腻地“看见”周围环境，并为后续的路径规划与避障提供坚实基础。

在高速公路场景下，激光雷达的长距离探测优势就非常明显。车辆以高速行驶时，对前方障碍物的提前预警需求极为迫切，LiDAR能够在数百米之外捕捉到来车、障碍物和路面坑洼，并将这些信息实时反馈给决策模块，从而为制动或变道留出足够的时间窗口。此外，在夜间或弱光环境中，由于激光脉冲不依赖自然光照，LiDAR依旧能保持稳定的测距性能，弥补摄像头在光照不足时表现不佳的短板，从而进一步提升整车在复杂场景下的行驶安全性。

城市道路场景则更为复杂多变，交叉路口、行人、自行车及动态障碍物交织，使得环境感知任务更具挑战。激光雷达所获取的密集点云，能帮助算法精确分割地面点与非地面点，在去除路面反射噪声的同时还可以识别行人与车辆轮廓，结合深度学习模型实现目标检测与追踪。LiDAR点云与高精地图结合后，还能辅助实现精确定位——当车辆驶过一段道路时，LiDAR会将实时点云与预存的环境三维模型进行匹配，从而在厘米级精度范围内矫正车辆位姿，为稳定行驶和路径规划提供可靠依据。

相比之下，毫米波雷达虽然在恶劣天气环境下具有一定的穿透能力，但其分辨率和测距精度远不及LiDAR，难以区分形状相近的小目标。而摄像头虽然在颜色和纹理识别方面表现出色，却无法直接获取深度信息，且易受光照变化和强逆光影响。因此，激光雷达凭借其高分辨率、高精度和强鲁棒性的特点，不仅能弥补摄像头和毫米波雷达的不足，还可与二者形成互补，为自动驾驶系统提供更全面、更准确的环境认知能力。

LiDAR本身也在经历从机械旋转式到固态化的快速转变。早期的机械式LiDAR通过旋转镜头或旋转机头实现全方位扫描，虽然探测范围和视角覆盖度较高，但由于机械部件的磨损与惯性限制，存在成本高、尺寸大、可靠性下降等问题。近年来，固态LiDAR技术逐渐崛起，采用MEMS微镜、光学相控阵（OPA）等方案，摒弃了传统旋转结构，显著降低了体积和成本，提升了抗振动能力，为大规模量产和商业化部署奠定了基础。

深入分析激光雷达的核心组件，我们可以将其划分为激光发射源、光学扫描系统、接收探测器以及数据处理单元。激光发射源通常工作在905纳米或1550纳米波段。前者价格较低、转换效率高，但安全等级相对较低；后者安全性更高、抗环境干扰能力更强，但成本更高。接收探测器常见包括雪崩光电二极管（APD）和单光子雪崩二极管（SPAD），它们决定了系统在弱光或远距离探测时的灵敏度与信噪比。光学扫描系统的选择则关系到视场角及扫描速度，而最终的数据处理单元需要具备强大的点云处理与实时传输能力，以满足自动驾驶对时效性的严苛要求。

具体到点云数据的处理与算法支持，自动驾驶系统通常需要经过去噪、地面分割、目标检测、语义分割、多帧融合与定位匹配等多个环节。去噪模块利用统计分析和环境模型，滤除由雨雪、灰尘和激光散射带来的虚假点；地面分割则通过模型拟合或深度学习的方法，将道路与障碍物分离；目标检测与语义分割依赖于PointNet、VoxelNet等神经网络结构，将点云数据转化为各类物体的语义标签和三维包围框；多帧融合技术结合惯性测量单元（IMU）和里程计信息，将不同时刻的点云对齐，以提升环境感知的完整性和连续性；最后，基于LOAM、FAST-LIO等SLAM算法，系统可在行驶过程中动态构建地图并实现实时定位。

在自动驾驶感知系统的实际工作过程中，LiDAR往往与摄像头、毫米波雷达、IMU以及高精地图等形成多层次的感知体系。通过相机获取丰富的颜色与纹理信息，并与LiDAR点云进行投影融合，可进一步提升场景的语义理解与障碍物分类精度；毫米波雷达则在雨雪、雾霾等恶劣天气条件下对金属质地目标的探测更为可靠，与LiDAR形成有效互补；IMU为系统提供高频率的姿态变化信息，可在LiDAR帧率较低时填补短时定位空白；而高精地图则为LiDAR定位与决策提供先验环境信息，实现更高层次的车路协同。

在系统集成与标定层面，LiDAR与其它传感器的外参数标定、时间同步以及热扩散与振动补偿至关重要。标定准确度直接影响多传感器融合的精度，通常采用标定板、标定靶和自动标定算法来求解LiDAR与相机、IMU之间的空间变换矩阵；时间同步则需通过硬件触发或IEEE 1588 PTP协议，使各传感器在微秒级别内保持采集一致性，以免因时延差异造成数据融合误差；针对车辆行驶过程中振动和温度变化引发的测量误差，需要在硬件结构设计和软件算法中加入补偿机制，确保长时间运行的测量稳定性。

LiDAR并非毫无问题，在很多交通场景下也存在弊端，如在恶劣天气环境中水滴、冰雪颗粒会对激光传播造成散射与折射，从而引入测量误差，需要在激光罩设计与点云滤波算法上下功夫；复杂城市道路场景中，遮挡与多反射面会导致点云密度不均或局部盲区，对实时算法提出更高的计算效率与鲁棒性要求；LiDAR的成本也很高，如何通过规模效应、模块化设计和产业链协同，将固态LiDAR单价降低至千元量级，实现百万量产，是产业化进程中亟需突破的瓶颈。

LiDAR作为自动驾驶系统的“立体之眼”，凭借其在距离测量、三维环境建模与高精度定位方面的独特优势，已然成为自动驾驶感知层的基石。虽然在成本、可靠性和算法复杂度等方面仍需不断优化，但随着固态化、规模化与智能化的发展，LiDAR必将在自动驾驶乃至更广泛的智能交通系统中发挥更为重要的作用，为未来的出行方式带来更高的安全性与效率。

审核编辑 黄宇