2021年，自動駕駛正處在發展拐點，激光雷達和攝像頭的自動駕駛感知路線之爭，似乎正在明晰。
造車無疑是時下最熱風口，科技巨頭爭相入場，阿裏聯姻上汽，百度牽手吉利，蘋果虎視眈眈，小米念念不忘，至於那些入局早的“新勢力”，特斯拉勢頭正盛，蔚來、理想、小鵬風光正好。
汽車行業的這輪智能電動化變革中，造車新勢力能否顛覆傳統車企，成敗關鍵，不在電動化，而在自動駕駛。
一方面，對於傳統車企，電機和電池不會成爲其大象轉身的桎梏，但軟件之殤，卻無法迴避;
另一方面，自動駕駛必將掀起技術和市場的革命，IHS Markit就預測，2030年，僅中國地區的自動駕駛出行服務收入規模就有望突破萬億。
在自動駕駛的發展之路上，L3級別是分水嶺。
實現L3級自動駕駛，意味着車輛控制由駕駛員主導轉向車輛自身主導，而在自動駕駛駛向L3級別以上的途中，感知路線之爭愈演愈烈。
自動駕駛的感知路線之爭：
自動駕駛系統分爲三個層級：感知層、決策層和執行層。
感知層收集周圍的環境信息並做出預處理;決策層類似於人類的大腦，會基於感知層獲取的信息，做出任務規劃、行爲決策和動作規劃;執行層負責精準地執行決策層規劃好的動作。
這其中，環境感知，就是汽車怎樣“看清”這個世界，是全面實現自動駕駛的關鍵一環。
目前，環境感知存在兩個技術路線分歧，其一就是攝像頭和激光雷達的分歧：攝像頭+毫米波雷達的融合方案 VS 激光雷達+攝像頭+毫米波雷達的融合方案。
2021年被認爲是激光雷達的量產元年，伴隨着技術成熟和成本下降，激光雷達前裝量產成爲可能，各大廠商也紛紛發佈了自己的激光雷達量產車型。
蔚來發布的旗艦轎車ET7將搭載圖達通的1550nm激光雷達;WEY品牌的旗艦車型摩卡將會搭載全固態激光雷達;小鵬汽車宣佈在2021年推出的新車上使用定製版的車規級激光雷達;智己汽車爲激光雷達預留接口;寶馬、奔馳、沃爾沃等傳統車企也均有激光雷達搭載計劃。
「主要車企2021年激光雷達量產計劃」
但與此同時，自動駕駛領域執牛耳者特斯拉卻依然對激光雷達無動於衷，仍在堅持攝像頭感知路線，馬斯克更是視覺派的堅定擁護者，在2019年的redialAutonomy Day上曾表示“傻瓜才用激光雷達”。
駛向L3級以上的自動駕駛的路上，激光雷達與攝像頭的感知路線之爭，熱鬧非凡。
攝像頭視覺感知方案的瓶頸：
2020年以來，無論傳統車企還是造車新勢力，都基本認定了激光雷達感知方案，只有特斯拉還在堅持攝像頭純視覺方案。
攝像頭方案最符合馬斯克的理念：以第一性原理指導創新，既然人可以靠雙眼觀察周圍環境開車，那麼自動駕駛系統也可以用同樣的邏輯靠攝像頭做到。
目前，自動駕駛系統能識別的攝像頭信息都是2D畫面信息，或者說進行了標註的2.5D信息。投入巨量資源重寫了算法的Autopilot配合Dojo超計算機，將會有識別4D視頻信息的能力，但那是後話了，這裏先按下不表。
想要識別出這些2D信息，必然依賴於算法邏輯，確切地講就是人工智能中的圖像識別，通過深度學習神經網絡對場景進行像素分割、物體分類、模型標定和目標跟蹤，實現對障礙物的識別。
視覺感知的優勢在於分辨率高，可獲取物體顏色、表面特徵等信息，實際場景中的車道線、紅綠燈、指示牌等都可清晰辨識。
但是，深度學習神經網絡的完善，需要大量的數據積累作支撐，以最簡單的MNIST手寫數字識別爲例。
對人類而言，識別下面圖片上的數字非常容易，但對計算機而言，每個數字所在的小區域都是一個不同的數字矩陣。
對人類而言，識別下面圖片上的數字非常容易，但對計算機而言，每個數字所在的小區域都是一個不同的數字矩陣。
深度學習看起來很美，但自動駕駛的尷尬之處在於，其行駛數據主要來自常規環境，可是車輛駕駛是充滿偶然性的，比如行人或動物突然出現在行駛路線上，道路指示牌被部分遮擋，或者遇到暴雨和強逆光等極端場景。
沒有相關場景下足夠的數據積累和與之對應的深度學習，人工智能難免變成人工智障，自動駕駛也就無從談起，就拿自動駕駛領域獨步青雲的特斯拉來講。
特斯拉在產品設計之初就構建起一整套自監督數據採集與學習的閉環框架。路上的每一輛特斯拉都在通過攝像頭收集各種行駛場景數據，並上傳到特斯拉雲端，構成真實而龐大的數據池。
基於收集到的行駛數據，特斯拉會通過“影子模式”不斷優化算法，最後對每一輛特斯拉的FSD自動駕駛進行OTA升級。此外，特斯拉自研芯片和算法、打通軟硬、實現閉環，可以更好地優化算法、挖掘芯片計算能力。
但饒是如此，特斯拉依然會有側翻貨車識別的噩夢，因爲特斯拉的雲端，沒有路遇側翻貨車的相似場景數據。
正是這些小概率的極端場景，成爲自動駕駛最難攻克的山頭。登頂之路上，往往最後的5%，需要95%的努力，但有時，也可以另闢蹊徑。
激光雷達成爲行業熱點：
激光雷達，LiDAR，英文全稱Laser Detecting and Ranging，通過激光束進行探測和測距，由激光發射器、光學接收器、和信息處理系統三部分組成。
以Velodyne的64線激光雷達爲例，該激光雷達每秒可向外界發射數百萬個激光脈衝，並通過內部旋轉裝置對周圍環境進行旋轉掃描，每一次掃描都可獲得巨量的空間信息(x，y，z)點，這些空間信息點的集合就被稱爲點雲數據，由點雲數據構成的三維圖也就稱爲點雲圖。
測距距離遠，速度分辨率高，能創建出目標清晰的3D圖像，是激光雷達最大的優勢。
高度的可靠性和精確性，使激光雷達成爲自動駕駛環境感知中最重要的傳感器，但激光雷達也有其劣勢：
在開闊地帶，激光雷達會因爲缺乏特徵點，存在電雲稀疏甚至缺失的特點;
面對不規則表面物體，激光雷達也不易分辨出其特徵
相比於依靠攝像頭的純視覺感知方案，激光雷達與攝像頭融合，可以帶來信息獲取能力的提升，算法要求的降低，行駛安全的多重保障。攝像頭的高分辨率和激光雷達的精準測距，互爲補充。
激光雷達身上有三座大山：成本、體積、車規級。這其中，尤以成本問題最核心，要知道，最早Google無人車上頭頂的那塊激光雷達，成本高達7.5萬美元。
近年來，隨着關鍵技術的突破和光電半導體成本的下降，激光雷達的體積和價格都在不斷降低，量產友好的車規級前裝激光車雷達不斷涌現。
華爲就發佈了96線雷達，號稱把激光雷達價格壓縮到200美元，而且有可能進一步成降低到100美元;Luminar即將量產的300線1550nm波長激光雷達，軟硬件打包價格不超過1000美元。
在激光雷達這條賽道上，還有Velodyne、Quanergy、博世、大陸、大疆、法雷奧、速騰聚創、禾賽科技等生產製造商，其中法雷奧是目前唯一一個實現車規級量產的。
激光雷達和攝像頭之爭的下半場：
早些年，攝像頭方案的成本更具優勢，得到了行業的偏愛，取得了規模化推廣發展，常規場景的感知技術相對成熟。
但激光雷達作爲一種視覺感知的技術補充，如果具備了技術成熟和成本合理兩個先決條件，不應被排斥。
首先，自動駕駛激光雷達的技術路線要清晰，因爲激光雷達的分類繁多：
按結構，可分爲機械式、混合固態和純固態。其中，非機械式按掃描方式，又可分爲：MEMS、相控陣以及微透鏡陣列;
按線束，可分爲16線、32線、64線、96線以及300線;
按波長，可分爲905nm波長和1550nm波長。
激光雷達的體積變化趨勢
其次，成本可控至關重要。全球科技創新產業專家王煜全對激光雷達產業就有一針見血的評價：“激光雷達即將進入成熟期，比拼的就是成本優勢、規模優勢。”
成本優勢帶來規模優勢，規模效應促進技術成熟，技術成熟反過來進一步推動成本降低，形成良性循環。
在衆多形式的激光雷達中：固態激光雷達成本友好，但技術還有待成熟;300線可以達到圖像級識別精度，但成本也更高;1550nm對人眼健康更友好，但由於使用光纖傳感器，成本也更高。
未來，激光雷達賽道的勝出者，一定是平衡好性能和成本，提供規模化量產最佳解決方案的廠商。
在行業友商一邊倒地擁抱激光雷達時，馬斯克還在堅持“純視覺感知+強算法”的路線，還在排斥激光雷達，也許是因爲其第一性原理的創新理念，也許是因爲特斯拉市場推廣的發展戰略，可能特斯拉認爲激光雷達的成本還不夠低。
但是，當激光雷達被規模化量產炸成白菜價後，特斯拉會繼續無視激光雷達對自動駕駛的提升麼?會放任友商肆意追趕其自動駕駛核心競爭力麼?馬斯克是會堅持創新理念和發展戰略，還是真香呢?
