特斯拉的作业不好抄，激光雷达提供另一种选择

2023年，城市NOA迎来量产元年。诸多车企正全力推进城市NOA的量产落地，很大程度带动了大算力芯片、激光雷达、云服务等上游产业链需求的爆发。

目前，行业主要存在两条发展路径。一个是以华为、小鹏、理想等国内车企为主的带激光雷达的多传感器感知融合路线，在这些车企已经宣布量产或者即将量产的城市NOA车型中，基本上都搭载了激光雷达。另外一条路径则是以特斯拉为主的纯视觉方案。

市场对于两条路线的争议点主要在于成本。市场普遍认为纯视觉方案成本较低，因为只需要摄像头即可实现，而激光雷达在部分人群眼中相当于额外的硬件成本。

但是，纯视觉方案的缺点是对于一些复杂的场景，如恶劣天气或光照条件不佳的情况下，识别和感知能力可能会受到影响。相比之下，感知融合方案可以更全面地感知周围环境，提高感知和识别的准确性和鲁棒性。

NOA正在驱动智能驾驶行业进入了新一轮的竞争，同时也成为通往更高阶自动驾驶的桥头堡。

值得注意的是，奔驰和宝马等诸多国外车企同样在自动驾驶技术的实现上采用了激光雷达。奔驰作为第一个在美国取得L3自动驾驶认证的车企，其下一代S级车型配备了L3级自驾系统Drive Pilot，标配激光雷达在内的多个传感器。宝马宣布于23年底/24年初上市L3级自动驾驶功能Personal Pilot，Personal Pilot上集成了激光雷达等高性能传感器，首发将会搭载在于宝马7系车型。

两条路线，各有优劣，各家车企在考量如何实现技术发展与商业落地之间，比较的层面，也不止摆在台面上的成本多少那么简单。

特斯拉的作业不好抄

特斯拉的自动驾驶算法是业内名列前茅，也成为一众纯视觉方案拥趸者的最佳论据，不过老实讲，后来者想要追赶实属不易。

在纯视觉的道路上，特斯拉占据了先发优势。自动驾驶的发展已经逐步从技术驱动转向数据驱动，如何获取到大量优质数据，并对新场景数据进行大规模高效处理以快速优化算法模型，成为自动驾驶技术迭代的关键。换言之，量产得越早，铺的面积越广，优势更明显。

数据显示，截至目前FSD beta累积行驶里程已超5亿英里，Autopilot使用里程更是已经超过90亿英里。特斯拉的自动驾驶系统每天可以接收到车队回传的1600亿帧视频数据，支持神经网络训练。

但要实现这一切，投入的资源和时间显而易见。特斯拉是有钱、有时间的典型代表。

特斯拉自2014年开始自研芯片，在特斯拉自建的大数据中心中，使用了14000片GPU芯片，其中10000片是用于AI训练的H100，4000片用于数据标注，而一片H100芯片官方售价就大3.5万美元。也就是说，特斯拉光算法训练的芯片投入就达几十亿元。还不包括其建立数据中心所需要的其他的硬件投入建设成本，以及后期高昂的维护和运营成本。

禾赛科技战略负责人施叶舟认为，不用激光雷达，表面看节省了一些硬件成本，但是需要投入更多的资源进行开发，抬高隐性成本。

也是因为特斯拉在自建超算中心、自研车载芯片等的基础上，建立了一套强大的数据闭环研发体系，最终才能展现给行业其强大的自动驾驶能力。特斯拉的作业并不好抄，其凭借在新能源汽车领域的先发优势，已经建立了从算法到算力到数据的强大竞争力。尽管看似给后来者提供了一条清晰的参考发展路径，但后来的企业首先要面对的就是大量的投入，更何况特斯拉花了10多年的时间，才走到今天这个位置，想要实现超越，没有那么容易。

行业在进步，特斯拉也在想尽办法保持优势地位，成千上万辆跑在不同环境道路上的特斯拉车辆，正支撑着其进行技术迭代。以特斯拉的占用网络技术为例，它通过预测和识别车辆周围的空间占用情况来提高驾驶的安全性和效率。

据施叶舟介绍，特斯拉占用网络算法可以概括成四步。第一步是基于摄像头的数据利用骨干网络进行特征提取；第二步是用注意力集中机制把这些主干网络提取的特征在BEV框架下进行3D特征的提取；第三步把多个时间节点的3D特征，在时序对齐之后进行融合，形成一个次级的占用网络；最后一步通过反卷积，实现最终的结果输出。

对比之下，激光雷达显得更加直接。施叶舟指出占用网络也不是无所不能，它并不是一个解锁通用障碍物识别的万能钥匙。

占用网络的精度受到环境条件的影响。在恶劣的天气或光照条件下，摄像头的性能可能会下降，从而影响占用网络的准确性和稳定性。其次，由于不同汽车的摄像头安装位置和角度可能存在差异，这可能导致采集到的数据存在微小的偏差，对占用网络的精度产生影响等。

“占用网络背后往往是拼接了很多算法，涉及到多帧融合，在车端有限的算力之下，要同时实现高精度和低延时，难度很大。”施叶舟说到。

激光雷达感知融合为行业提供另一种选择。

激光雷达，以投入换时间

除了特斯拉，诸多主流车企选择激光雷达并不是偶然现象，就实际表现来看，激光雷达具备几项核心优势，能在感知环节能提供高质量的输入。

抗干扰:不受环境光线变化影响。由于其“主动发光”的特性，激光雷达不易受周围环境光线变化的影响。

真三维:直接获取高精度距离信息。激光雷达能够直接进行目标物实时检测，获得目标的距离、方位、高度、速度、姿态、形状等三维参数。

高置信度:直接判断物体是否存在。激光雷达点云不依赖数据量和深度学习算法训练，减少因视觉缺失3D信息而导致的漏检、误检。

国内道路环境相对复杂，在一些城市场景中，使用纯视觉方案可能会有比较大的压力。“我们在使用激光雷达的时候，能够很好的提升在这些场景下的感知，包括对影子、通用障碍物的识别。所以我们认为，激光雷达，是以投入换时间，加速城市NOA落地的捷径。”轻舟智航产品负责人许诺说到。

激光雷达的作用远不止于做传感器，有很多模型优化也需要依靠激光雷达来做输入。

行业也并非说一味的选择将激光雷达上车，不同的功能和不同的场景对于产品选择需求不一样，像一款车型也有高中低配。

以轻舟解决方案为例，轻舟目前有三种解决方案。首先是轻舟乘风Max，使用一颗激光雷达，11颗摄像头，5个毫米波雷达去实现高速+城区NOA。轻舟乘风Pro是视觉方案的高速NOA进阶版，而轻舟乘风Air成本最低，相比乘风Pro无法拓展城市NOA。

就当前行业发展趋势来看，激光雷达的成本也在不断下降。以禾赛为例，其自研收发模块集成化技术，通过不断地垂直整合来提升收发模块的集成度。据悉，禾赛已将激光雷达的价格从几年前的几十万元，降到了现在的几千元。

激光雷达开始受到越来越多车企的青睐。

11月14日，禾赛科技宣布和长城汽车达成前装项目定点合作。此次合作将覆盖长城旗下多款乘用车型，搭载禾赛超高清远距激光雷达AT128，计划于2024年起量产落地。今年以来，禾赛科技频获项目定点。哪吒、一汽、上汽纷纷加入其朋友圈。

今年第三季度，禾赛实现营收4.5亿元，同比增长33.5%，毛利率为30.6%；今年前三季度实现营收13.2亿元，同比增长65.8%。至此， 禾赛连续三个季度实现正向经营现金流，达到4,760万元。截至三季度末，公司现金储备为32亿。

从现阶段行业发展来看，激光雷达大有助推城市NOA驶入“量产快车道”的趋势，并且也可能是应对未来更高阶自动驾驶竞争的一个必备要素。