[首發于智駕最前沿微信公眾號]據速騰聚創財報顯示，2024年速騰聚創全年總收入約16.5億元，以同比47.2%的增速，實現連續三年高速增長；激光雷達（LiDAR）總銷量約54.4萬臺，同比大增約109.6%。在很多車企不斷追求純視覺的當下，為何激光雷達的銷量反而“逆勢”增長？激光雷達在自動駕駛中為何不可替代？

其實環境感知作為自動駕駛的“元感官”，在保證車輛安全、提高決策效率方面發揮著至關重要的作用。而在眾多感知手段中，LiDAR以其精準的距離測量和三維點云構建能力，成為自動駕駛系統中不可或缺的核心傳感器。在自動駕駛系統的感知模塊中，激光雷達首當其沖地承擔起環境建模與障礙物識別的重任。與攝像頭只能捕捉二維圖像信息不同，LiDAR能夠發射數萬至數十萬次激光脈沖，并通過測量激光往返時間得到精確距離，從而構建出高密度的三維點云。這些點云不僅能準確還原道路、行人、車輛及各類設施的三維形態，而且具有毫米級的測距精度和較寬的探測范圍，使得自動駕駛系統能夠直觀、細膩地“看見”周圍環境，并為后續的路徑規劃與避障提供堅實基礎。

在高速公路場景下，激光雷達的長距離探測優勢就非常明顯。車輛以高速行駛時，對前方障礙物的提前預警需求極為迫切，LiDAR能夠在數百米之外捕捉到來車、障礙物和路面坑洼，并將這些信息實時反饋給決策模塊，從而為制動或變道留出足夠的時間窗口。此外，在夜間或弱光環境中，由于激光脈沖不依賴自然光照，LiDAR依舊能保持穩定的測距性能，彌補攝像頭在光照不足時表現不佳的短板，從而進一步提升整車在復雜場景下的行駛安全性。

城市道路場景則更為復雜多變，交叉路口、行人、自行車及動態障礙物交織，使得環境感知任務更具挑戰。激光雷達所獲取的密集點云，能幫助算法精確分割地面點與非地面點，在去除路面反射噪聲的同時還可以識別行人與車輛輪廓，結合深度學習模型實現目標檢測與追蹤。LiDAR點云與高精地圖結合后，還能輔助實現精確定位——當車輛駛過一段道路時，LiDAR會將實時點云與預存的環境三維模型進行匹配，從而在厘米級精度范圍內矯正車輛位姿，為穩定行駛和路徑規劃提供可靠依據。

相比之下，毫米波雷達雖然在惡劣天氣環境下具有一定的穿透能力，但其分辨率和測距精度遠不及LiDAR，難以區分形狀相近的小目標。而攝像頭雖然在顏色和紋理識別方面表現出色，卻無法直接獲取深度信息，且易受光照變化和強逆光影響。因此，激光雷達憑借其高分辨率、高精度和強魯棒性的特點，不僅能彌補攝像頭和毫米波雷達的不足，還可與二者形成互補，為自動駕駛系統提供更全面、更準確的環境認知能力。

LiDAR本身也在經歷從機械旋轉式到固態化的快速轉變。早期的機械式LiDAR通過旋轉鏡頭或旋轉機頭實現全方位掃描，雖然探測范圍和視角覆蓋度較高，但由于機械部件的磨損與慣性限制，存在成本高、尺寸大、可靠性下降等問題。近年來，固態LiDAR技術逐漸崛起，采用MEMS微鏡、光學相控陣（OPA）等方案，摒棄了傳統旋轉結構，顯著降低了體積和成本，提升了抗振動能力，為大規模量產和商業化部署奠定了基礎。

深入分析激光雷達的核心組件，我們可以將其劃分為激光發射源、光學掃描系統、接收探測器以及數據處理單元。激光發射源通常工作在905納米或1550納米波段。前者價格較低、轉換效率高，但安全等級相對較低；后者安全性更高、抗環境干擾能力更強，但成本更高。接收探測器常見包括雪崩光電二極管（APD）和單光子雪崩二極管（SPAD），它們決定了系統在弱光或遠距離探測時的靈敏度與信噪比。光學掃描系統的選擇則關系到視場角及掃描速度，而最終的數據處理單元需要具備強大的點云處理與實時傳輸能力，以滿足自動駕駛對時效性的嚴苛要求。

具體到點云數據的處理與算法支持，自動駕駛系統通常需要經過去噪、地面分割、目標檢測、語義分割、多幀融合與定位匹配等多個環節。去噪模塊利用統計分析和環境模型，濾除由雨雪、灰塵和激光散射帶來的虛假點；地面分割則通過模型擬合或深度學習的方法，將道路與障礙物分離；目標檢測與語義分割依賴于PointNet、VoxelNet等神經網絡結構，將點云數據轉化為各類物體的語義標簽和三維包圍框；多幀融合技術結合慣性測量單元（IMU）和里程計信息，將不同時刻的點云對齊，以提升環境感知的完整性和連續性；最后，基于LOAM、FAST-LIO等SLAM算法，系統可在行駛過程中動態構建地圖并實現實時定位。

在自動駕駛感知系統的實際工作過程中，LiDAR往往與攝像頭、毫米波雷達、IMU以及高精地圖等形成多層次的感知體系。通過相機獲取豐富的顏色與紋理信息，并與LiDAR點云進行投影融合，可進一步提升場景的語義理解與障礙物分類精度；毫米波雷達則在雨雪、霧霾等惡劣天氣條件下對金屬質地目標的探測更為可靠，與LiDAR形成有效互補；IMU為系統提供高頻率的姿態變化信息，可在LiDAR幀率較低時填補短時定位空白；而高精地圖則為LiDAR定位與決策提供先驗環境信息，實現更高層次的車路協同。

在系統集成與標定層面，LiDAR與其它傳感器的外參數標定、時間同步以及熱擴散與振動補償至關重要。標定準確度直接影響多傳感器融合的精度，通常采用標定板、標定靶和自動標定算法來求解LiDAR與相機、IMU之間的空間變換矩陣；時間同步則需通過硬件觸發或IEEE 1588 PTP協議，使各傳感器在微秒級別內保持采集一致性，以免因時延差異造成數據融合誤差；針對車輛行駛過程中振動和溫度變化引發的測量誤差，需要在硬件結構設計和軟件算法中加入補償機制，確保長時間運行的測量穩定性。

LiDAR并非毫無問題，在很多交通場景下也存在弊端，如在惡劣天氣環境中水滴、冰雪顆粒會對激光傳播造成散射與折射，從而引入測量誤差，需要在激光罩設計與點云濾波算法上下功夫；復雜城市道路場景中，遮擋與多反射面會導致點云密度不均或局部盲區，對實時算法提出更高的計算效率與魯棒性要求；LiDAR的成本也很高，如何通過規模效應、模塊化設計和產業鏈協同，將固態LiDAR單價降低至千元量級，實現百萬量產，是產業化進程中亟需突破的瓶頸。

LiDAR作為自動駕駛系統的“立體之眼”，憑借其在距離測量、三維環境建模與高精度定位方面的獨特優勢，已然成為自動駕駛感知層的基石。雖然在成本、可靠性和算法復雜度等方面仍需不斷優化，但隨著固態化、規模化與智能化的發展，LiDAR必將在自動駕駛乃至更廣泛的智能交通系統中發揮更為重要的作用，為未來的出行方式帶來更高的安全性與效率。

審核編輯 黃宇