目前搭載自動駕駛功能的車輛所搭載的主流傳(chuan) 感器有攝像頭、毫米波雷達、超聲波雷達和激光雷達。

為(wei) 什麽(me) 特斯拉不用激光雷達？

當前的汽車激光雷達主要分為(wei) 機械式、MEMS、OPA、Flash四種方式，簡單粗暴點理解就是：

激光雷達的原理類似於(yu) 用激光筆對外發射光線，固態激光雷達對外發射激光的方向及角度是固定的，所以覆蓋範圍很有限，原理簡單，器件比較穩定，造價(jia) 也低。

機械式激光雷達則是搞一麵鏡子繞著激光源轉啊轉，達到更多角度的覆蓋，大家看到一些車輛上麵有儀(yi) 器在轉啊轉的，就是這個(ge) 原理。因為(wei) 對裝配要求高，機械式激光雷達很難做到量產(chan) ，例如，Velodyne 的32線激光雷達HDL-32E就需要32組發射光源與(yu) 32組接收光源進行一一對應調試，還容易出故障。

混合固態激光雷達則是用MEMS振鏡旋轉來完成激光掃描，參考下圖中的最右。需要運動的器件少於(yu) 機械式激光雷達，所以在保證性能的情況下，更穩定，更容易滿足汽車量產(chan) 要求。

而特斯拉之所以不使用激光雷達，是因為(wei) 激光雷達目前成本較高，並且能達到車規級的還不多，穩定性不高。

目前多家車企，如小鵬、蔚來都號稱會(hui) 在新車型中搭載激光雷達。而在L4級別自動駕駛領域，使用激光雷達的企業(ye) 是以穀歌Waymo為(wei) 代表的，是多傳(chuan) 感器融合的路線，同時用上了攝像頭和激光雷達。

多傳(chuan) 感器融合是Waymo采用的主要路徑，在自動駕駛應用中扮演著舉(ju) 足輕重的角色。

不同的傳(chuan) 感器都有其自身的優(you) 勢和劣勢，例如攝像機在弱光及高對比度光線條件場景下很難捕捉足夠的視覺信息；激光雷達在霧氣/雨滴/雪花/汽車尾氣/反射等場景下容易形成虛假點；毫米波雷達在通過隧道、大橋等場景下雷達探測可信性降低。

自動駕駛因其問題複雜度高、安全第一等特性，需要依靠多種傳(chuan) 感器數據的相互融合來提高感知效果。將多傳(chuan) 感器信息融合在一起的方式有多種，例如前融合和後融合。

前融合是將傳(chuan) 感器原始信息直接融合到一起進行處理，這種方法使得算法在開始就能拿到最全麵的數據。所有的數據都在最開始匯總在一起，但如果一個(ge) 傳(chuan) 感器出現問題，就會(hui) 造成感知模塊失效。

後融合是將各個(ge) 傳(chuan) 感器信息單獨處理，各自在各自的處理通道上拿到接近最終形態的結果，之後再融合在一起。這種方法使得不同傳(chuan) 感器彼此更加獨立，即便個(ge) 別傳(chuan) 感器失效，或者標定同步有些許偏差，也對最終的結果影響不大。但對算力的消耗卻比較大。

穀歌和特斯拉這兩(liang) 家公司，關(guan) 於(yu) 是否使用激光雷達的battle從(cong) 未停止，diss連年不斷。這不僅(jin) 是兩(liang) 家公司之間的爭(zheng) 論，也可以說是實現自動駕駛的路徑之爭(zheng) 。

特斯拉還不用高精地圖？

什麽(me) 是高精度地圖

上麵這張圖是普通的導航地圖，但這類地圖在重慶這樣的城市會(hui) 經常失效。

重慶有大量穿行在山間的道路，重慶的高架一般都設有4層左右。在跟著導航走的時候，可能導航顯示你走的是第三層的路線，而你走的卻是第四層。

下麵這張圖是高精度地圖：

這種圖裏隻有車道線、路牌和紅綠燈這些最基本的信息，這類高精度地圖是給車看的，不是給人看的。因為(wei) 車輛要實時用，不可能做得很真實漂亮，略去了很多細節。

如果把車輛比作一個(ge) 人，那高精度地圖就是你腦海裏對於(yu) 某個(ge) 路段的記憶。如果旁邊的景色跟你記憶中的景色匹配上了，就能夠告訴你你具體(ti) 是在哪個(ge) 位置，避免出現像導航地圖那樣的問題，分不清是在主路還是在輔路，或者分不清在高架橋上還是在高架橋下。

一般的導航地圖的作用就是導航，但在自動駕駛領域，導航隻是高精度地圖的最基本作用，除此之外，高精度地圖還能發揮很多用處，簡單舉(ju) 幾個(ge) 例子：

應對複雜天氣和道路信息缺失

如果無人駕駛車開在路上，發現原本路上的一條車道線被磨沒了，那車輛會(hui) 不會(hui) 就壓線或者直接跑出當前車道了呢？有了高精度地圖以後，在車道線殘缺或沒有車道線的場景中，高精度地圖可提供道路信息，讓車輛可以保持在一個(ge) 車道裏。

又或者突然下起暴雨或暴雪的情況下，有些車道線被路麵雨水反光給影響了，或者被雪給蓋住了。那靠著高精度地圖，也能減少影響。

此外，在無人駕駛車經過一些坡道時，高精度地圖裏因為(wei) 有坡道的信息，也能讓車輛盡早做好速度規劃。或者，當你要經過一個(ge) 彎道時，高精度地圖可提前為(wei) 無人駕駛車提供彎道的曲率信息，讓無人駕駛車可以規劃好最適合彎道的拐彎速度。

讓無人車駕駛決(jue) 策更符合人類駕駛習(xi) 慣

現在的無人駕駛車輛的速度都很低，主要是出於(yu) 安全考慮。而且無人駕駛車輛對限速的感知並不一定準確，比如前一段路的限速是40公裏每小時，這一段路變成了60公裏每小時，但卻沒有指示牌。

如果車輛在路上一直保持40公裏每小時的速度，肯定會(hui) 被各種鳴笛、超車，更容易出事故。

而未來高精度地圖也可以通過收集過往信息，知道每個(ge) 時段在某個(ge) 路段車輛的平均行駛速度，這樣無人駕駛車可以選擇一個(ge) 更符合人類駕駛習(xi) 慣的合適速度。就跟現有的一般導航地圖可以查詢過往某段路程在某個(ge) 時間的預計行駛時間一樣。

在麵對複雜環境時，更好地了解其他車的行為(wei)

為(wei) 了讓無人駕駛車在行駛過程中能夠及時、準確地對他車行為(wei) 作出反應，保證行駛的舒適性與(yu) 安全性，算法需要對他車的行為(wei) 與(yu) 路徑作出相對準確的預測。

借助高精度地圖提供的信息，可以為(wei) 預測算法提供很強的輔助信息，舉(ju) 個(ge) 例子，通過高精度地圖查詢到前方右側(ce) 有輔路入口或者車道合並的情況，那麽(me) 該處出現的車輛就很有可能會(hui) 作出向左變道或加速並入等動作。根據左右車道線虛實情況，也可以更好的幫無人駕駛車判斷旁邊車輛加塞的可能性。

未來，還可以跟路端的傳(chuan) 感器信息相結合，比如現有馬路上的限速攝像頭，如果通過感知算法，能把路上車輛的情況都感知出來，並且同步在高精度地圖裏，那也就不用擔心車輛周圍會(hui) 有感應不到的盲區了，也能避免鬼探頭等情況的發生。

目前高精度地圖最大的兩(liang) 個(ge) 問題

1.標準不統一

可能各家都有各家的標準，所以數據無法共通，地圖也無法共用。

統一高精地圖的數據模型與(yu) 交換格式，將有助於(yu) 減少汽車製造商的開發時間和不必要的成本，同時保證未來跨品牌車輛使用的高清地圖都可以不斷共享刷新數據。

2019年6月，全國智能運輸係統標準化技術委員會(hui) 正式在官方網站發布智能駕駛電子地圖數據模型與(yu) 交換格式的相關(guan) 國家標準征求意見稿，相信過不久標準也能得到統一。

參與(yu) 起草相關(guan) 的國家標準的單位有四維圖新、高德軟件有限公司、北京百度網訊科技有限公司、交通運輸部公路科學研究院、武漢中海庭數據技術有限公司、上海汽車集團股份有限公司、北京建築大學等。

2.更新成本高且慢

目前國內(nei) 很多自動駕駛方案，較多地采用了激光雷達LiDAR的定位方案，通過LiDAR發射的激光，感知周邊建築及道路環境作為(wei) 約束，實現高精度定位。

這種方案可以實現10cm量級的定位精度，但是激光雷達成本較高，很難做到大規模建圖和經常性更新。

另外還有利用視覺方案進行定位的方案，但這種方案做出來的地圖不確定性太大，畢竟是靠視覺，可能會(hui) 漏檢許多東(dong) 西。

高精度地圖對於(yu) 無人駕駛車至關(guan) 重要，不解決(jue) 這兩(liang) 大難題，無人駕駛很難有大規模的商業(ye) 化落地。

在堅決(jue) 不用激光雷達以及高精度地圖的情況下，特斯拉目前的自動駕駛功能還隻能達到L2級別，隻是自動駕駛輔助功能，不能脫離雙手或者脫離雙腳，技術的成熟度遠遠不夠。