2026-06-18 — views

自动驾驶传感器技术——定义实体AI竞赛的激光雷达vs摄像头vs毫米波雷达之争

Tesla 只用摄像头，Waymo 坚持激光雷达不可替代。传感器之争决定谁能赢得自动驾驶竞赛。

实体AI基准系列第79篇——自动驾驶传感器技术：激光雷达vs摄像头vs毫米波雷达

自动驾驶汽车中最根本的技术分歧，不是软件架构、地理覆盖，甚至不是安全记录——而是自动驾驶需要哪些传感器才能安全行驶的问题。Tesla 已从车辆中完全移除激光雷达和毫米波雷达，押注摄像头结合强大神经网络已足够。Waymo 则搭载完整传感器套件——激光雷达、摄像头和毫米波雷达——主张对世界的直接3D测量无可替代。这不仅仅是产品选择，而是关于什么样的信息对于安全感知物理世界是必要的哲学赌注。Elon Musk 称激光雷达为”拐杖”，Waymo 称其不可缺少。答案牵涉万亿美元级别的影响。

第一节——三种传感器类型

每种传感器类型测量物理世界本质不同的属性。理解每种传感器测量什么——以及无法测量什么——是整场辩论的基础。

传感器	测量内容	核心优势	核心弱点
摄像头	被动光线（RGB图像）	丰富的语义信息——读取标志、理解场景，类似人眼视觉；低成本；高分辨率	无法直接测量深度或速度；在低光、眩光、雨雾中性能下降
激光雷达（LiDAR）	激光脉冲通过飞行时间生成3D点云	直接3D几何；远距离精确测距；可在黑暗中工作；不受颜色或纹理干扰	历史上成本高昂；在大雨和大雪中性能下降；无法读取文字或标志
毫米波雷达	微波脉冲返回距离和速度	全天候适用；通过多普勒效应直接测量速度；长距离；低成本	空间分辨率低；难以区分物体类型；在密集城市环境中杂波多
超声波	声波用于近距离测距	非常便宜；在停车和低速机动的短距离下可靠	最大范围约5米；不适合高速公路行驶

关键洞察： 每种传感器回答关于世界的不同问题。摄像头回答”那里有什么”——语义层。激光雷达回答”它在哪里”——精确几何。毫米波雷达回答”它移动多快”——多普勒速度。完整传感器融合结合三者，产生冗余、交叉验证的感知。Tesla 与 Waymo 之间的争议，是关于跨传感器模态的冗余是否必要，或者单一模态（摄像头）在有足够神经网络能力支撑下是否已充分的争议。

第二节——Tesla：纯视觉押注

Tesla 是唯一将摄像头作为主要传感器模态的主要自动驾驶公司。这个决定并非一开始就明确——Tesla 的车辆搭载毫米波雷达直到2021年才移除，基于 Musk 的信念：纯摄像头神经网络将超越传感器融合。

参数	详情
架构	仅摄像头——8个摄像头360度覆盖，各种焦距；无激光雷达、无毫米波雷达（2021-2022年移除雷达）
处理	全自动驾驶计算机（HW3、HW4）；在车队数十亿帧摄像头画面上训练的神经网络
Musk 的论点	”人类用眼睛和大脑驾驶——摄像头加神经网络可以复制这一点。激光雷达是掩盖视觉真正问题的拐杖。“
数据优势	600万+台 Tesla 车辆持续生成摄像头数据；车队规模创造任何搭载激光雷达公司都无法比拟的训练数据集
端到端方法	FSD v12+ 使用端到端神经网络：原始摄像头像素直接产生方向盘和油门指令，不需要明确的感知-规划-控制管线
成本	摄像头硬件是商品级；FSD 系统成本由软件定义；实现最低硬件物料清单的自动驾驶路径
弱点	摄像头图像是3D世界的2D投影；深度必须从运动视差、立体视差或学习先验推断——这种间接计算更容易受边缘案例影响
当前状态	在全国公路上受监督（驾驶必须监控）；在奥斯汀地理围栏区域无监督出租车（2026年）

Tesla 的端到端方法是 FSD v12 架构最激进的方面。FSD v12 将整个管线折叠为单一神经网络，在人类驾驶视频的模仿学习上训练。网络接收摄像头像素并输出车辆控制指令。隐含的主张是，如果模型足够大且训练数据足够丰富，网络可以学习在没有明确几何传感器的情况下进行深度、速度和物体类型的内部表示。

第三节——Waymo：完整传感器套件

自2009年谷歌自动驾驶汽车项目开始以来，Waymo 一直使用完整传感器套件。传感器堆栈已显著演进——成本大幅下降，分辨率提升——但对传感器冗余的哲学承诺从未改变。

参数	详情
架构	激光雷达（远程和短程单元）加摄像头（环绕阵列）加毫米波雷达；跨模态冗余传感器融合
激光雷达	Waymo 自有内部激光雷达；成本从早期 Velodyne 单元（约75,000美元/个 est.）通过定制硅芯片和垂直整合降至规模化后每个不到1,000美元（est.）
处理	Waymo Driver——多模型传感器融合，具有独立的感知、预测、规划和控制管线模块
论点	”直接3D测量消除了整个类别的模糊性。当激光雷达能直接可靠地测量时，从2D图像推断深度是不必要的误差来源。“
安全记录	Waymo 在商业运营中积累了数百万完全无人驾驶里程；截至2026年中期，无归因于 Waymo 系统错误的死亡事故（est.）
高精地图	Waymo 以厘米精度预先绘制每个运营区域；车辆对地图进行定位，添加与实时感知独立的冗余位置来源
弱点	历史上传感器成本高；高精地图依赖限制了快速地理扩展至未绘制区域的能力；系统复杂度更高
当前状态	在美国4个城市的商业无人出租车运营；积累数百万付费乘次

Waymo 的传感器融合架构基于一个原则：当多个独立传感器在一个测量上一致时，置信度很高。当它们不一致时，系统可以识别差异并保守应对。摄像头可能被异常光照混淆；激光雷达无论光照如何都返回明确的几何形状；毫米波雷达提供速度确认。三者的融合创造了对任何单一传感器失效模式都具有抵抗力的感知层。

第四节——激光雷达成本轨迹

反对激光雷达的历史论据是经济上的：75,000美元的传感器无法安装在消费者车辆中。过去17年的成本轨迹从根本上改变了这一论据。

年份	高端汽车激光雷达成本（est.）	备注
2009	约75,000美元/个（est.）	Velodyne HDL-64E 用于 DARPA 城市挑战赛；机械旋转式
2016	约8,000美元/个（est.）	Velodyne VLP-16”Puck”使激光雷达研究普及化
2020	约1,000-3,000美元/个（est.）	固态设计出现；汽车级量产开始
2023	约500-1,500美元/个（est.）	多家制造商竞争；汽车级固态量产
2026	约200-800美元/个（est.）	Hesai、Innoviz、Luminar、Ouster/Cepton 竞争；大量汽车合同降低成本
2030目标	低于100美元/个（est.）	规模化大众市场自动驾驶可行性的行业目标

竞争格局中的主要激光雷达公司：

Luminar（LAZR） — 纳斯达克上市；含 Volvo 和 Mercedes 的 OEM 合作伙伴；长距离激光雷达（约250m）；FMCW 方法直接测量速度
Innoviz — 以色列公司；BMW 合作伙伴；固态汽车激光雷达
禾赛科技（Hesai） — 中国制造商；全球出货量最大（est.）；主导中国自动驾驶市场
Ouster/Cepton — 合并实体，现为 Koito 旗下；数字激光雷达方法
Velodyne — 原始激光雷达公司；与 Ouster 合并；品牌名称大部分被合并实体吸收

第五节——混合方法

在 Tesla 纯摄像头极端和 Waymo 完整套件方法之间，存在一系列混合策略。行业尚未收敛于单一架构。

公司	传感器策略	理由
Mobileye	摄像头优先（RSS安全模型）；为 SuperVision 和 Chauffeur（L3+）等级添加激光雷达	摄像头验证语义场景；激光雷达在更高自主等级验证安全关键距离测量
Aurora	FMCW 激光雷达（FirstLight）加摄像头加毫米波雷达	FMCW 激光雷达通过多普勒直接测量速度；消除关于探测对象是移动还是静止的模糊性
Cruise（GM）	摄像头加激光雷达加毫米波雷达	整合到 GM 量产车制造中的标准完整套件
Zoox（Amazon）	含激光雷达的完整套件	目的建造的自动驾驶车，无消费者车辆制造成本限制
Nuro	激光雷达主导（配送机器人，无乘客）	对于行人接近，机器人在住宅环境中运行的最大谨慎
Waymo Gen 6	从 Gen 5 演进的完整套件	使用 Zeekr 量产车辆的 Waymo Driver 硬件堆栈成本优化版本

第六节——谁是对的？物理学论点

传感器辩论有一个物理解答，市场最终将提供。问题不是哪种方法在理论上正确——两者都能工作——而是哪种方法首先以足够的规模提供足够的安全性。

Tesla 纯摄像头论点最强的情况： 神经网络足够强大，能够可靠地从2D图像序列推断3D几何形状。Tesla 的车队数据优势对罕见事件覆盖具有决定性。纯摄像头系统和完整传感器套件系统之间的成本差异，在大众市场消费车辆的规模上具有实质意义。

Waymo 完整套件论点最强的情况： 无人驾驶操作的安全要求要求可靠性水平，而从摄像头推断深度在分布尾部尚无法可靠实现。激光雷达成本已降至不再是系统成本有意义差异因素的程度。高精地图预绘制提供不需要实时感知完美的定位层。

收敛论点： 随着激光雷达成本接近商品水平，纯摄像头的经济理由缩小。剩余论点变为纯技术性：摄像头的神经网络推断是否已超越直接3D测量在安全尾部所能添加的。Tesla 的商业无人驾驶部署——如果它以可与 Waymo 媲美的规模实现良好安全记录——将是解决这场辩论的实证答案。

第七节——关于本系列

这是实体AI基准系列第79篇。前期文章涵盖了加速指标、人形机器人竞赛、单位经济学、全球竞争、高精地图、软件与OTA、消费需求、竞争护城河、Cybercab与Model Y、安全数据、Waymo Gen 6、Optimus制造、计分快照、2030预测情景、投资者框架、城市扩张管线、Tesla FSD州批准地图、自动驾驶天气与气候限制、人才战争、监管日历、出租车定价分析、人形机器人部署追踪、供应链分析、消费者采用需求指数、估值与IPO分析、实体AI 2026年中回顾、自动驾驶单位经济成本分析、自动驾驶数据飞轮比较、自动驾驶网络安全攻击面、实体AI供应链、自动驾驶车队运营、自动驾驶保险与责任演变、完整生命周期环境成本、无障碍层、地图架构比较、中国自动驾驶竞赛、模拟与合成数据训练、实体AI投资格局、自动驾驶城市规划影响、自动驾驶货运经济学，以及欧洲自动驾驶竞争格局。

本文新增传感器层：摄像头、激光雷达和毫米波雷达各自测量的基本物理学；Tesla 的纯摄像头赌注与 Waymo 的完整套件哲学；激光雷达成本从75,000美元降至200美元以下（est.）的轨迹；以及将决定谁是对的收敛论点。

注意： 成本估算、产量和安全统计数据标记为”（est.）”，反映公开可用的行业报告。本文不构成投资建议。