[首發于智駕最前沿微信公眾號]在自動駕駛的技術發展過程中，激光雷達一直被認為是核心的感知硬件，其線束數量也被視為衡量感知能力的主要指標。從早期的16線、32線，到如今量產車型上標配的128線、192線，乃至最新發布的512線，行業內似乎陷入了一種“線束”競賽，似乎線束越多，就代表自動駕駛的能力越強，那事實果真如此嗎？

激光雷達線束的本質

激光雷達的線束也被稱為通道數，它指的是激光雷達在垂直視場角（FOV）內分布的激光束數量。對于傳統的機械旋轉式架構或目前主流的固態激光雷達而言，線束基本等同于雷達內部集成的激光收發模塊組數。每一個物理通道都代表了一個獨立的測距單元，隨著掃描機構的往復或旋轉運動，這些線束在空間中可以繪制出密集的測距軌跡。線束增加帶來的最直觀紅利便是垂直角分辨率的顯著提升。所謂角分辨率，是指相鄰兩個探測點之間的角度間隔，這個間隔越小，意味著在遠距離下投射到目標物體上的激光點越密集。

圖片源自：網絡

在自動駕駛的感知任務中，由于激光束隨距離增加會發生發散，導致單位面積內的點云密度迅速下降，因此通過激光雷達識別遠距離小目標一直是行業痛點。如果一臺16線雷達在探測150米外的一個遠端行人，可能只有零星一兩個點落在目標身上，這在后端算法眼中僅僅可能是一組無法辨識的噪聲；而當線束提升到128線甚至更高級別時，同樣的距離下可以投射出數十個甚至上百個點，從而勾勒出完整的人體輪廓或肢體動作。這種分辨率的跨越式增長，極大地降低了感知算法在處理長尾場景時的難度。實驗數據表明，在探測10厘米大小的小目標時，16線雷達的可識別距離僅為3米左右，而當等效線束提升至300至600線級別時，有效識別距離可以飛躍至100米以上。

各線束激光雷達關鍵參數對比

這種性能提升在安全冗余方面也有不可替代的價值。高線束激光雷達由于擁有更多的獨立發射和接收通道，在硬件層面具備天然的抗失效能力。像是禾賽AT128，內部集成了128個獨立工作的激光器，即便極個別通道發生了故障，剩余的通道依然可以保證整體感知畫面的連續性和完整性，不至于出現感知盲區。當然，這種“物理堆疊”的邏輯正在遭遇挑戰。如果通過分立元器件在激光雷達內部塞進數百組模塊，不僅會導致體積膨脹到像個“大花盆”一樣難以集成進車身，更會讓成本飆升到車企無法承受的地步。因此，目前自動駕駛行業正嘗試芯片化方向，即利用半導體工藝將大量的發射器和探測器集成在厘米級的芯片上，通過硅光子技術實現高線束與緊湊體積的平衡。

高線束背后的系統性壓力與邊際成本

當激光雷達的線束越來越多，整車電子電氣架構卻在承受著前所未有的壓力。線束的增加并不是一個孤立的參數變化，它涉及算力、帶寬、功耗和熱管理等一系列連鎖反應。首當其沖的是數據傳輸帶寬的挑戰，一臺激光雷達的數據產生速率（Mbps）可以用核心公式進行定量估算，即：

數據產生速率（Mbps）=(V×H×V×R×D)/106

其中，N指線束或通道數；H指水平點數，其計算方式為，水平視角（FOV）/水平角分辨率；V指幀率（如5Hz、10Hz或20Hz）；R指回波次數；D指單個數據點的位數（Bit）。

根據這一公式，當線束從128線演進到256線或512線時，單秒產生的點云數量會從百萬級激增至五百萬級以上。這意味著車載以太網需要承載接近1Gbps的實時數據流，對于目前仍廣泛采用千兆以太網架構的量產車而言，多激光雷達配置極易引發總線淤塞。

激光雷達線束的激增也會給計算平臺帶來壓力。自動駕駛系統需要實時對這些亂序的三維點云進行預處理、聚類、目標檢測和語義分割。主流的3D感知算法（如VoxelNet或基于Transformer的架構）的時間復雜度會隨輸入點數呈近線性增長。如果智駕芯片的算力儲備不足，海量點云將導致處理時延超過100毫秒的閉環底線，從而引發嚴重的行駛安全風險。

激光雷達處理任務算力預估

在工程實踐中，為了維持實時性，需被迫在感知算法的前端進行人為的“下采樣”或隨機丟點。這實質上會讓主機廠花費高昂成本采購的高線束雷達，在軟件層面通過算力去“抵消”掉這些增加的線數，導致硬件層面的線數紅利無法有效轉化為實際的感知精度提升，這便是顯著的邊際效益遞減。

此外，高線束雷達由于激光脈沖發射頻率極高，其峰值電流和熱量堆積問題也變得異常棘手。在1550nm長波長路線上，由于其激光發生器的電光轉換效率較低，高線束配置下的散熱需求甚至可能逼近48V車載供電網絡的功率分配極限，迫使整車廠不得不設計更復雜的液冷系統，這將進一步抬高整車的成本。

除了成本和算力，物理環境對高線束雷達也同樣有約束。雖然線束越多在晴朗天氣下看得越清，但在強降雨、濃霧或暴雪天，激光雷達的表現會發生斷崖式下跌。水滴對激光產生的米氏散射會制造大量的虛假噪點云，每秒產生的虛假目標點可能會達到2000個以上，這些噪聲將瞬間淹沒真實的障礙物信息。在這種極端場景下，線束的增加并不能提升變激光雷達的感知精度，相反，由于高線束雷達對弱信號更加敏感，在惡劣天氣下反而可能產生更多的誤報，從而引發不必要的緊急制動。

激光雷達探測架構的技術變革

既然盲目堆砌物理線束存在明顯的瓶頸，自動駕駛行業開始尋求更聰明的解決方案。其中最具有代表性的趨勢是從“均勻全景掃描”轉向“動態感知分配”，也就是所謂的ROI（感興趣區域）技術或“凝視”模式。這種技術的核心不再是無腦增加激光器的物理數量，而是通過算法實時控制掃描機構。

例如，速騰聚創和華為的某些技術架構允許激光雷達在車輛高速行駛時，將大部分掃描線束集中在垂直FOV的正中央區域。這就像人類的眼睛，雖然余光可以看清周圍，但注意力焦點卻能鎖死在前方的障礙物上。這種架構使得激光雷達在物理總線束不變的前提下，局部垂直分辨率能夠瞬間提升4到5倍，達到等效數百線甚至上千線的效果。這種按需分配資源的思路，不僅解決了遠距離探測的分辨率難題，更避免了在不需要關注的天空或路面區域浪費昂貴的帶寬和算力資源。這種改變標志著激光雷達正式進入了數字化時代。

激光雷達中還有一個技術變量是波長的選擇。目前市面上激光雷達存在905nm和1550nm兩種主流路線。905nm由于兼容成熟的硅基接收器，成本優勢巨大，但其受到人眼安全功率的嚴格限制，導致其在提高線數和增加測距距離時面臨天然的“天花板”。

與之相對，1550nm波長的激光在人眼視網膜的吸收波段外，允許使用高出905nm數十倍的發射功率。這使得1550nm雷達在不增加線數的前提下，就能獲得更強的穿透力和更遠的探測距離，甚至能實現超遠感知。雖然1550nm的激光雷達目前仍面臨光纖激光器成本高、體積大、散熱難等問題，但隨著供應鏈的成熟，它在超高清感知領域的潛力被普遍看好。

905nm vs 1550nm激光雷達對比

此外，隨著FMCW（調頻連續波）激光雷達的崛起，將對傳統的ToF（飛行時間法）進行降維打擊。傳統的ToF雷達只能測量物體的距離，而FMCW通過測量反射波與參考波的頻率差，可以利用多普勒效應直接獲取物體的瞬時徑向速度。這意味著FMCW激光雷達即便線束較低，也能通過第四維的速度信息，精準地過濾掉靜止噪聲，識別出正在橫穿馬路的行人或突然加塞的車輛。這種“4D感知”能力極大減輕了后端感知算法對高密度點云的依賴，從另一個維度解開了線束競賽的死結。

軟件定義雷達與下一代感知趨勢

當硬件線束的增長速度逐漸放緩，人工智能開始在軟件層面接管感知的提升任務。目前，很多技術正致力于研究點云超分辨率（Super-Resolution）算法。這種技術利用深度卷積神經網絡或SRMamba等模型，可對低線束雷達輸出的稀疏點云進行特征學習和幾何重構。通過在大規模高清點云數據集上進行訓練，AI可以學習到現實世界三維結構的規律，從而將32線或64線的原始數據“補全”到等效128線甚至更高的精細度。

隨著跨模態融合技術的應用，一些先進的感知框架可以將激光雷達的稀疏三維信息與車載攝像頭的二維高清圖像進行深度耦合。通過圖像中的邊緣細節和顏色特征，算法可以為離散的點云提供“語義黏合”，生成既具備三維深度又具備圖像級解析力的環境模型。這意味著，不需要在車頂裝載一顆昂貴的512線雷達，而是可以通過一顆高性價比的128線雷達配合強力的AI推理引擎，就能達到超越物理極限的感知效果。這種“軟硬結合”的路徑，被認為是打破目前自動駕駛硬件成本瓶頸、實現“智駕平權”的必由之路。

當然，在安全性要求極高的自動駕駛領域，“確定性”一定是高于一切的。生成式算法雖然能提升畫面的清晰度，但也可能產生“幻覺”，即在點云稀疏區域補全出一個并不存在的結構，或者將一個真實的小障礙物誤認為背景噪聲進行平滑處理。

最后的話

自動駕駛激光雷達線束的演進已經從單純的“數量比拼”進入了“質量博弈”的新階段。對于L2+級的量產乘用車，出于成本和算力的現實考量，128線輔以ROI動態掃描或將成為行業主流；而對于L4級Robotaxi，為了應對極端的安全性挑戰，超高清線束雷達與多傳感器深度融合依然是不可逾越的護城河。激光雷達的線束并非越多就越好，只有當傳感器規格與整車算力平臺、后端感知算法以及最終的商業邏輯達成系統性的閉環時，這樣的技術才具有真正的價值。

審核編輯 黃宇