2026-06-18 — views
自駕車感測器技術——定義實體AI競賽的光達vs攝影機vs雷達之爭
Tesla 只用攝影機，Waymo 堅持光達不可或缺。感測器之爭決定誰能贏得自駕車競賽。
實體AI基準系列第79篇——自駕車感測器技術：光達vs攝影機vs雷達
自動駕駛車輛中最根本的技術分歧，不是軟體架構、地理覆蓋，甚至不是安全記錄——而是自駕車需要哪些感測器才能安全行駛的問題。Tesla 已從車輛中完全移除光達和雷達，押注攝影機結合強大神經網路就已足夠。Waymo 則搭載完整感測器套件——光達、攝影機和雷達——主張對世界的直接3D測量無可取代。這不僅僅是產品選擇，而是關於什麼樣的資訊對於安全感知物理世界是必要的哲學賭注。Elon Musk 稱光達為「拐杖」，Waymo 稱其不可缺少。答案牽涉兆美元級的影響。
第一節——三種感測器類型
每種感測器類型測量物理世界的本質不同屬性。理解每種感測器測量什麼——以及無法測量什麼——是整場辯論的基礎。
| 感測器 | 測量內容 | 核心優勢 | 核心弱點 |
|---|---|---|---|
| 攝影機 | 被動光線（RGB 影像） | 豐富的語義資訊——讀取標誌、理解場景，類似人眼視覺；低成本；高解析度 | 無法直接測量深度或速度；在低光、眩光、雨霧中性能下降 |
| 光達（光偵測與測距） | 雷射脈衝透過飛行時間生成3D點雲 | 直接3D幾何；遠距離精確測距；可在黑暗中工作；不受顏色或紋理干擾 | 歷史上成本高昂；在大雨和大雪中性能下降；無法讀取文字或標誌 |
| 雷達 | 微波脈衝返回距離和速度 | 全天候適用；透過都卜勒效應直接測量速度；長距離；低成本 | 空間解析度低；難以區分物體類型；在密集城市環境中雜波多 |
| 超聲波 | 聲波用於近距離測距 | 非常便宜；在停車和低速機動的短距離下可靠 | 最大範圍約5公尺；不適合高速公路行駛 |
關鍵洞察： 每種感測器回答關於世界的不同問題。攝影機回答「那裡有什麼」——語義層。光達回答「它在哪裡」——精確幾何。雷達回答「它移動多快」——都卜勒速度。完整感測器融合結合三者，產生冗餘、交叉驗證的感知。Tesla 與 Waymo 之間的爭議，是關於跨感測器模態的冗餘是否必要，或者是否單一模態（攝影機）在有足夠神經網路能力的支援下就已充分的爭議。
第二節——Tesla：純視覺押注
Tesla 是唯一將攝影機作為主要感測器模態的主要自駕車公司。這個決定並非一開始就明確——Tesla 的車輛搭載雷達直到2021年才移除，基於 Musk 的信念：純攝影機神經網路將超越感測器融合。
| 參數 | 詳情 |
|---|---|
| 架構 | 僅攝影機——8個攝影機360度覆蓋，各種焦距；無光達、無雷達（2021-2022年移除雷達） |
| 處理 | 全自動駕駛電腦（HW3、HW4）；在車隊數十億幀攝影機畫面上訓練的神經網路 |
| Musk 的論點 | 「人類用眼睛和大腦駕駛——攝影機加神經網路可以複製這一點。光達是掩蓋視覺真正問題的拐杖。」 |
| 數據優勢 | 600萬+台 Tesla 車輛持續生成攝影機數據；車隊規模創造任何搭載光達的公司都無法比擬的訓練數據集 |
| 端對端方法 | FSD v12+ 使用端對端神經網路：原始攝影機像素直接產生方向盤和油門指令，不需要明確的感知-規劃-控制管線 |
| 成本 | 攝影機硬體是商品級；FSD 系統成本由軟體定義；實現最低硬體物料清單的自駕路徑 |
| 弱點 | 攝影機影像是3D世界的2D投影；深度必須從運動視差、立體視差或學習先驗推斷——這種間接計算更容易受邊緣案例影響 |
| 當前狀態 | 在全國公路上受監督（駕駛必須監控）；在奧斯汀地理圍欄區域無監督計程車（2026年） |
Tesla 的端對端方法是 FSD v12 架構最激進的方面。FSD v12 將整個管線折疊為單一神經網路，在人類駕駛視頻的模仿學習上訓練。網路接收攝影機像素並輸出車輛控制指令。隱含的主張是，如果模型足夠大且訓練數據足夠豐富，網路可以學習在沒有明確幾何感測器的情況下進行深度、速度和物體類型的內部表示。
第三節——Waymo：完整感測器套件
自2009年 Google 自動駕駛汽車項目開始以來，Waymo 一直使用完整感測器套件。感測器堆疊已顯著演進——成本大幅下降，解析度提升——但對感測器冗餘的哲學承諾從未改變。
| 參數 | 詳情 |
|---|---|
| 架構 | 光達（遠程和短程單元）加攝影機（環繞陣列）加雷達；跨模態冗餘感測器融合 |
| 光達 | Waymo 自有內部光達；成本從早期 Velodyne 單元（約75,000美元/個 est.）透過客製矽晶片和垂直整合降至規模化後每個不到1,000美元（est.） |
| 處理 | Waymo Driver——多模型感測器融合，具有獨立的感知、預測、規劃和控制管線模組 |
| 論點 | 「直接3D測量消除了整個類別的模糊性。當光達能直接可靠地測量時，從2D影像推斷深度是不必要的誤差來源。」 |
| 安全記錄 | Waymo 在商業運營中累積了數百萬完全無人駕駛里程；截至2026年中期，無歸因於 Waymo 系統錯誤的死亡事故（est.） |
| 高精地圖 | Waymo 以公分精度預先繪製每個運營區域；車輛對地圖進行定位，添加與實時感知獨立的冗餘位置來源 |
| 弱點 | 歷史上感測器成本高；高精地圖依賴限制了快速地理擴展至未繪製區域的能力；系統複雜度更高 |
| 當前狀態 | 在美國4個城市的商業無人計程車運營；累積數百萬付費乘次 |
Waymo 的感測器融合架構基於一個原則：當多個獨立感測器在一個測量上一致時，置信度很高。當它們不一致時，系統可以識別差異並保守應對。攝影機可能被異常光照混淆；光達無論光照如何都返回明確的幾何形狀；雷達提供速度確認。三者的融合創造了對任何單一感測器失效模式都具有抵抗力的感知層。
第四節——光達成本軌跡
反對光達的歷史論據是經濟上的：75,000美元的感測器無法安裝在消費者車輛中。過去17年的成本軌跡從根本上改變了這一論據。
| 年份 | 高端汽車光達成本（est.） | 備注 |
|---|---|---|
| 2009 | 約75,000美元/個（est.） | Velodyne HDL-64E 用於 DARPA 城市挑戰賽；機械旋轉式 |
| 2016 | 約8,000美元/個（est.） | Velodyne VLP-16「Puck」使光達研究普及化 |
| 2020 | 約1,000-3,000美元/個（est.） | 固態設計出現；汽車級量產開始 |
| 2023 | 約500-1,500美元/個（est.） | 多家製造商競爭；汽車級固態量產 |
| 2026 | 約200-800美元/個（est.） | Hesai、Innoviz、Luminar、Ouster/Cepton 競爭；大量汽車合約降低成本 |
| 2030目標 | 低於100美元/個（est.） | 規模化大眾市場自駕可行性的行業目標 |
競爭格局中的主要光達公司：
- Luminar（LAZR） — 那斯達克上市；含 Volvo 和 Mercedes 的 OEM 合作夥伴；長距離光達（約250m）；FMCW 方法直接測量速度
- Innoviz — 以色列公司；BMW 合作夥伴；固態汽車光達
- Hesai — 中國製造商；全球出貨量最大（est.）；主導中國自駕車市場
- Ouster/Cepton — 合併實體，現為 Koito 旗下；數位光達方法
- Velodyne — 原始光達公司；與 Ouster 合併；品牌名稱大部分被合併實體吸收
第五節——混合方法
在 Tesla 純攝影機極端和 Waymo 完整套件方法之間，存在一系列混合策略。行業尚未收斂於單一架構。
| 公司 | 感測器策略 | 理由 |
|---|---|---|
| Mobileye | 攝影機優先（RSS安全模型）；為 SuperVision 和 Chauffeur（L3+）等級添加光達 | 攝影機驗證語義場景；光達在更高自主等級驗證安全關鍵距離測量 |
| Aurora | FMCW 光達（FirstLight）加攝影機加雷達 | FMCW 光達透過都卜勒直接測量速度；消除關於探測對象是移動還是靜止的模糊性 |
| Cruise（GM） | 攝影機加光達加雷達 | 整合到 GM 量產車製造中的標準完整套件 |
| Zoox（Amazon） | 含光達的完整套件 | 目的建造的自駕車，無消費者車輛製造成本限制 |
| Nuro | 光達主導（配送機器人，無乘客） | 對於行人接近，機器人在住宅環境中運行的最大謹慎 |
| Waymo Gen 6 | 從 Gen 5 演進的完整套件 | 使用 Zeekr 量產車輛的 Waymo Driver 硬體堆疊成本最佳化版本 |
第六節——誰是對的？物理學論點
感測器辯論有一個物理解答，市場最終將提供。問題不是哪種方法在理論上正確——兩者都能工作——而是哪種方法首先以足夠的規模提供足夠的安全性。
Tesla 純攝影機論點最強的情況： 神經網路足夠強大，能夠可靠地從2D影像序列推斷3D幾何形狀。Tesla 的車隊數據優勢對罕見事件覆蓋具有決定性。攝影機純視覺系統和完整感測器套件系統之間的成本差異，在大眾市場消費車輛的規模上具有實質意義。
Waymo 完整套件論點最強的情況： 無人駕駛操作的安全要求要求可靠性水準，而從攝影機推斷深度在分佈尾部尚無法可靠實現。光達成本已降至不再是系統成本的有意義差異因素的程度。高精地圖預繪製提供不需要實時感知完美的定位層。
收斂論點： 隨著光達成本接近商品水準，純攝影機的經濟理由縮小。剩餘論點變為純技術性：攝影機的神經網路推斷是否已超越直接3D測量在安全尾部所能添加的。Tesla 的商業無人駕駛部署——如果它以可與 Waymo 媲美的規模實現良好安全記錄——將是解決這場辯論的實證答案。
第七節——關於本系列
這是實體AI基準系列第79篇。前期文章涵蓋了加速指標、人形機器人競賽、單位經濟學、全球競爭、高精地圖、軟體與OTA、消費需求、競爭護城河、Cybercab與Model Y、安全數據、Waymo Gen 6、Optimus製造、計分快照、2030預測情境、投資者框架、城市擴張管線、Tesla FSD州批准地圖、自駕車天氣與氣候限制、人才戰爭、監管日曆、計程車定價分析、人形機器人部署追蹤、供應鏈分析、消費者採用需求指數、估值與IPO分析、實體AI 2026年中回顧、自駕車單位經濟成本分析、自駕車數據飛輪比較、自駕車網路安全攻擊面、實體AI供應鏈、自駕車車隊運營、自駕車保險與責任演變、完整生命週期環境成本、無障礙層、地圖架構比較、中國自駕車競賽、模擬與合成數據訓練、實體AI投資格局、自駕城市規劃影響、自動駕駛貨運經濟學，以及歐洲自駕車競爭格局。
本文新增感測器層：攝影機、光達和雷達各自測量的基本物理學；Tesla 的純攝影機賭注與 Waymo 的完整套件哲學；光達成本從75,000美元降至200美元以下（est.）的軌跡；以及將決定誰是對的收斂論點。
注意： 成本估算、產量和安全統計數據標記為「（est.）」，反映公開可用的行業報告。本文不構成投資建議。
來源
- Waymo 感測器套件——Waymo 技術概覽 ↗
- Tesla FSD 硬體——Tesla AI ↗
- Luminar 光達——Luminar Technologies ↗
- Aurora FirstLight FMCW 光達——Aurora ↗
- Mobileye 感測器策略——Mobileye ↗