前面介紹了激光雷達和行業參與者，那么為什么要用激光雷達，若如馬斯克所說“傻子采用激光雷達”，為什么會有這么多參與者在為了“傻子”服務？

這就要說下目前車載感知主要的傳感器：毫米波雷達，攝像頭和激光雷達。

超聲波雷達這里因為探測距離不能很遠，一般只有幾米，應用場景受限。但由于其近距離極高的探測精度，和隨距離極高的能量衰減，所以非常適合作為低速近距離探測，我們經常看到的倒車雷達，以及高端車型上一周的超聲波雷達及盲區探測雷達，都是其典型的應用，這里不做重點介紹。

下表為毫米波雷達，攝像頭和激光雷達的優劣勢匯總

由以上的表可知，我們可以列舉出各個傳感器短板的非常非常多種場景，可以導致傳感器返回的感知信息存在不可靠，這種情況下，就會要求各個傳感器進行互補，從而提高感知返回信息的可靠度。比如，僅有毫米波雷達和攝像頭存在的情況下，在應對一個夜晚行人橫穿馬路的場景情況，就有很大概率產生感知錯誤，從而造成嚴重的交通事故。

相對靜止的物體似乎是自動駕駛和輔助駕駛在技術升級之路上的一大障礙。

a、2016年5月，美國佛羅里達州一位男子駕駛開啟著Autopilot系統的特斯拉Model S，撞上一輛正在馬路中間行駛的半掛卡車，導致駕駛員當場死亡；

b、2018年初，在洛杉磯405高速公路上，一輛特斯拉Model S撞上了一輛停在路邊的消防車，司機正在使用AutoPilot功能；

c、2018年，中國發生的首例“特斯拉自動駕駛”車禍致死案，車輛同樣是在開啟AutoPilot模式下撞上一輛停泊在高速路旁的道路清掃車；

d、2019年3月，還是在美國佛羅里達州，一輛特斯拉Model 3以110km/ h的車速徑直撞向一輛正在緩慢橫穿馬路的白色拖掛卡車，駕駛員不幸罹難。

那么有了激光雷達自動駕駛車輛感知是否就足夠支持車輛的無人駕駛了？目前來看雖然有了激光雷達，依然會有一些Corner case無法有足夠的探測可靠性。比如，雨霧天氣下的行人，會讓毫米波雷達，攝像頭和激光雷達都無法100%識別。

那么既然加了激光雷達也無法讓車輛在各種情況下感知無“死角”，為什么還要加上昂貴的激光雷達？我想用一個問題讓大家自己去思考下，既然倒車影像無法100%避免倒車事故，為什么倒車攝像頭現在普及了，甚至有了立法來確保車輛必須有倒車攝像頭？這個例子依然不足以完全說明激光雷達上車的必要性，還有自動駕駛車輛的自動駕駛等級在L3以上后，駕駛主體就由駕駛員轉變為了車輛，相應的事故責任也可能由駕駛員變成了整車廠。這種情況下，整車廠就要必須盡可能的去滿足能想到的所有應用場景，并給出應對方案，甚至是降級方案。

另外，我們再回來理解下馬斯克的觀點，在弱感知強算法和強感知弱算法的取舍中，顯然馬斯克選擇了弱感知強算法。強算法的邏輯讓馬斯克進行了FSD芯片的自研，影子模式的算法改進。但再強大的算法也無法彌補感知信息錯誤帶來的影響，而且目前的AI算法再強大，也是在初級階段，無法和進化了幾千年的人的大腦媲美，這個“弱感知強算法”中的“強算法”其實和人類的大腦相比，根本算不上強。比如，人很容易看出在地上的“Stop”標識，而目前最強的AI，在不同角度下的判斷也無法全部準確判斷。

回到激光雷達本身，從之前的機械旋轉式，現在發展到半固態，后期可預見的全固態，激光雷達成本有了大幅度的下降，下降的程度大到足以滿足激光雷達作為一個感知傳感器上車的程度。所以之前在Robotexi和自動駕駛物流車上才有的激光雷達，紛紛出現在了各家的乘用車上，如小鵬，NIO，極狐，WEY等等等等。

所以為什么要用激光雷達，我給出的答案就是：

激光雷達可以作為毫米波雷達和攝像頭的補強——架構工程師喜歡

激光雷達點云帶來的附加效果——算法工程師喜愛

激光雷達成本的大幅下降——采購工程師喜歡

激光雷達不斷增加的質量可靠性——質量工程師喜歡

激光雷達高識別度的造型——客戶喜歡

這樣一個大家都喜歡的傳感器，沒有道理不上車使用啊！
編輯：lyn