2026-06-18 — views

物理AI传感器 — Waymo 激光雷达+摄像头+毫米波雷达融合 vs 特斯拉纯视觉FSD：感知硬件基准测试 2026

Waymo融合激光雷达、摄像头与毫米波雷达，构建冗余3D感知。特斯拉仅用摄像头——每辆车成本低10至30倍——押注AI能弥补摄像头的弱点。

概述

传感器配置是自动驾驶汽车设计中最根本的硬件决策。Waymo采用激光雷达（lidar）、摄像头与毫米波雷达三种传感器融合，建立具备冗余能力的感知系统。特斯拉则仅使用摄像头——纯视觉方案——主张只要AI足够强大，激光雷达只是多余的昂贵工具。这场辩论对车辆成本、恶劣环境下的感知可靠性，以及处理传感器数据所需的AI类型均有深远影响。本文为物理AI基准测试系列第168篇。

第一节 — Waymo 传感器套件：激光雷达 + 摄像头 + 毫米波雷达融合

Waymo Gen 6车辆部署三种互补的传感模态，相互弥补彼此的弱点，构建无单点故障的感知系统。

传感器维度	Waymo 详情	战略意义
激光雷达（主要测距传感器）	Waymo Gen 6使用自研激光雷达；lidar发射激光脉冲并测量飞行时间，建立精准3D点云；射程达200m以上（估计）；在黑暗中及多数天气条件下均可运作	Lidar提供摄像头无法匹敌的厘米级精准3D几何；昏暗光线下50m处的行人，lidar能清楚探测，即便摄像头对比度不足
自研激光雷达开发	Waymo自Google SDC项目起即开发自有lidar；多代自研激光雷达（Honeybee、Laser Bear Honeybee等）；从Gen 5到Gen 6成本大幅降低	自研lidar大幅降低单位成本，优于采购商用lidar；Waymo自研lidar性能更强且更便宜
摄像头阵列	Gen 6使用多摄像头阵列提供360度视觉覆盖；摄像头捕捉lidar无法提供的颜色、纹理与语义信息（识别路标、信号灯、车道线）	摄像头与lidar互补：lidar提供深度与几何，摄像头提供语义与颜色；融合感知优于任一单一传感器
毫米波雷达	短程与长程毫米波雷达通过多普勒效应测量附近物体的速度；雷达在大雨、浓雾与沙尘中仍可运作	雷达的速度测量在恶劣天气中不可或缺：大雨中lidar点云噪声增大；浓雾中摄像头失去对比度；雷达均可穿透
传感器融合	Waymo感知系统在传感器层与物体层均进行lidar、摄像头、毫米波雷达数据融合；融合表征比任何单一传感器更丰富且可靠	传感器融合提供冗余：若一种传感器降级（lidar镜头沾水、摄像头眩光），其他传感器维持感知质量
传感器成本（Gen 6）	Waymo指出从Gen 5到Gen 6成本显著降低；Gen 6精确成本未公开；业界估计完整lidar+摄像头+毫米波雷达套件每辆车约5千至1.5万美元（估计）	即使每辆车5千美元，传感器成本仍是重大制造成本项目；特斯拉纯摄像头方案完全排除此成本——8摄像头FSD阵列估计仅200至500美元（估计）
传感器评语	Waymo的多传感器方案是工程安全的选择：传感模态越多，冗余越高，各种条件下的感知越可靠。成本代价是真实且显著的。核心问题在于：这种冗余对商业AV安全是否必要，还是摄像头加AI就能在更低成本下达到相同可靠性——这就是特斯拉的赌注。

第二节 — 特斯拉传感器套件：纯视觉（仅摄像头）

特斯拉HW4平台使用9颗摄像头，不含lidar或毫米波雷达。这个赌注是：以足够的摄像头数据训练的AI，能匹敌甚至超越lidar的感知能力。

传感器维度	特斯拉详情	战略意义
摄像头阵列（HW4）	特斯拉HW4使用9颗摄像头（8颗环绕+1颗远程前向）；提供360度覆盖；分辨率优于HW3；由特斯拉自研FSD计算机处理	9颗摄像头提供完整空间覆盖；FSD计算机同时处理所有摄像头流，输出单一神经网络结果
特斯拉为何放弃lidar与毫米波雷达	马斯克主张lidar是”拐杖”，一旦摄像头与AI足够好就不再需要；人类用双眼（摄像头）驾驶，不靠lidar；lidar增加成本与复杂度却不从根本提升大规模安全性；特斯拉于2021至2022年从多数车型移除毫米波雷达	纯视觉赌注基于特定假设：以足够规模的摄像头数据训练的AI，能匹敌或超越lidar感知；此假设在完全无人驾驶商业规模下尚未得到证实
”AI弥补传感器限制”论点	特斯拉立场：lidar让每个感知问题对简单算法而言容易解决；摄像头让问题更难但可由强大AI解决；摄像头数据训练的AI在特斯拉规模下比依赖HD地图的lidar系统更具泛化能力	这是连贯的技术论点：若AI够好，摄像头或许就够了；问题是在所有天气与光线条件下完全无人驾驶，“够好”的AI是否已经存在
纯视觉的局限	摄像头在以下情况表现不佳：大雨（镜头积水）、下雪（白化条件）、直射阳光眩光（传感器饱和），以及远超头灯范围的完全黑暗；纯摄像头系统在雾中无毫米波雷达后备测速，低对比度下无lidar后备3D几何	这些局限并非假设，而是有记录的失效模式；问题在于这些条件在AV运营域中出现的频率，以及AI能否可靠地检测并响应传感器降级
HW4 硬件规格	特斯拉FSD计算机（HW4）：2颗AI推理芯片，估计各144 TOPS（估计）；同时处理所有9路摄像头流；为端到端神经网络推理优化	足以实时处理9路摄像头流的推理算力；自研芯片针对此特定工作负载优化
占用网络方法	FSD v12采用占用网络（occupancy network）从摄像头图像预测3D空间占用；这是lidar点云的神经网络替代方案	摄像头占用网络令人印象深刻，但远距的空间精度低于lidar点云；80m处的行人，占用网络检测精度可能不如lidar
纯视觉评语	若AI够好，特斯拉的纯视觉赌注是成本最优的选择：摄像头便宜、普及且持续进步；lidar昂贵且增加维护负担。若特斯拉的AI能在规模化下达到lidar融合的感知可靠性，此赌注成功。若天气或光线条件持续导致lidar可以预防的事故，则赌注失败。

第三节 — 传感器辩论：技术分析

技术维度	激光雷达+摄像头+毫米波雷达（Waymo）	纯视觉（特斯拉）	现有证据
3D测距精度	Lidar：200m处厘米级精度（估计）；直接测量	摄像头占用网络：80m以上米级精度（估计）；从2D图像推断	Lidar在3D精度上具决定性优势；在高速与长距离最为重要
夜间表现	Lidar在完全黑暗中运作；摄像头需头灯照明；毫米波雷达在黑暗中运作	纯摄像头依赖头灯范围；头灯范围内表现良好；远距黑暗中降级	激光雷达+摄像头+毫米波雷达：在远距低光源中具决定性优势
恶劣天气（雨/雾/雪）	Lidar在大雨中降级（水滴返回信号）；摄像头在雾中降级；毫米波雷达穿透两者；传感器融合维持性能	摄像头在大雨与浓雾中降级；无毫米波雷达后备；对恶劣天气更脆弱	激光雷达+摄像头+毫米波雷达：因毫米波雷达后备在恶劣天气中具决定性优势
信号灯与标志识别	摄像头处理语义（标志文字、信号灯颜色）良好；lidar无法识别文字或颜色	摄像头：语义能力强；与融合方案相同	持平——双方均使用摄像头处理语义
每辆车传感器成本	激光雷达+摄像头+毫米波雷达：估计5千至1.5万美元（估计）	纯摄像头：估计200至500美元（估计）	特斯拉在传感器成本上具决定性优势，估计低10至30倍
维护复杂度	传感器越多，维护点越多；lidar镜头需保持清洁；各传感模态间需校准	9颗摄像头含自动清洁功能；维护更简单；故障率更低	特斯拉在维护简便性上具决定性优势
地图依赖	Waymo的lidar实现精确HD地图对齐；lidar点云与HD地图特征匹配用于定位	特斯拉的无地图FSD使用摄像头进行实时定位；不需HD地图	特斯拉在地图依赖方面具决定性优势（无依赖）
AI训练数据	Lidar点云与摄像头图像需不同训练数据；各模态需独立数据管道	摄像头是唯一模态；数据管道更简单；特斯拉全部60亿英里里程均可直接用于训练	特斯拉在训练数据同质性上具决定性优势

第四节 — 传感器选择对规模与成本的意义

规模维度	Waymo 多传感器	特斯拉纯视觉	影响
车辆制造成本	传感器套件每辆车增加估计5千至1.5万美元（估计）	传感器成本估计200至500美元（估计）；低10至30倍	10万辆Cybercab时，特斯拉相较Waymo方案估计节省5亿至15亿美元传感器成本（估计）
车队更换周期	Lidar传感器降级需更换；从Gen 5到Gen 6需整车更换	摄像头降级但更换便宜；传感器升级通过HW4芯片更换而非整车更换	特斯拉较低的传感器成本降低车队更换支出
城市扩张	每个新城市需要lidar高清地图建设（数周至数月的建图行驶）；增加每城市上线成本与时间	不需HD地图建设；OTA FSD更新涵盖新地理区域	特斯拉在城市扩张速度与成本上具决定性优势
消费者车辆整合	Waymo不销售消费者车辆；传感器套件纯属商业车队成本	每辆搭载HW4的消费者特斯拉已具备传感器硬件；消费者转机器人出租车零额外传感器成本	特斯拉传感器与消费者车辆的整合是独特的结构性优势
供应链	自研lidar供应链需要专业制造商；地缘政治与供应风险	摄像头是全球大规模制造的商品零件；供应链高度韧性	特斯拉在传感器供应链韧性上具决定性优势

第五节 — 传感器基准测试计分卡

传感器维度	Waymo 激光雷达+融合	特斯拉纯视觉	优势	2028年展望
3D感知精度	决定性——lidar在200m以上厘米级精度	占用网络在80m以上米级精度	Waymo	AI改进缩小但无法消弭差距
恶劣天气表现	决定性——lidar+摄像头降级时有毫米波雷达后备	大雨/浓雾/大雪中脆弱	Waymo	特斯拉AI改进但物理限制摄像头在恶劣天气的表现
每辆车传感器成本	高：估计5千至1.5万美元（估计）	低：估计200至500美元（估计）	特斯拉（决定性10至30倍）	Lidar成本持续下降但差距依然存在
维护复杂度	较高：多传感器校准、lidar清洁	较低：以摄像头为中心，维护更简单	特斯拉	随车队规模扩大，特斯拉维持优势
城市扩张（地图依赖）	每城市需HD地图：数周至数月建图	无HD地图：OTA涵盖新地理区域	特斯拉（决定性）	Waymo HD地图成本仍是每城市的负担
训练数据管道	多模态：lidar+摄像头独立管道	单一模态：60亿英里里程均可直接使用	特斯拉	特斯拉数据管道优势随车队增长扩大
整体传感器评语	Waymo的lidar+融合方案在边缘条件（恶劣天气、远距黑暗）中更安全，3D几何更精确。特斯拉的纯视觉方案成本大幅更低、更简单、更易扩展，且已部署于600万辆车。赌注在于特斯拉的AI能否在摄像头最薄弱的条件下缩短与lidar的感知差距。若能，特斯拉的传感器经济学将决定性胜出。若不能，Waymo的传感器冗余将在纯视觉系统无法预防的事故中证明其价值。答案将随特斯拉完全无人驾驶Cybercab积累商业里程的事故数据而浮现。

所有标注（估计）的数据均来自公司公开披露、分析师估算与行业基准测试。本文为物理AI基准测试系列第168篇。