自动驾驶的眼睛——摄像头和雷达

按理说自动驾驶是如此重要，其感知工具自然是多多益善，摄像头和雷达不分彼此一起上就完事；之所以还会产生技术路线之争，是因为之前激光雷达造价较高。

总体来说，激光雷达看得远看得清，但看不见近处，是个远视眼，拥有夜视能力，但对恶劣天气无能为力，同时只能看见三维结构，看不见二维平面结构；毫米波雷达是能看远也能看近，但越远越看不清楚，是个近视眼，不仅拥有夜视能力，且拥有恶劣天气条件下能看见的超能力，不过同样看不见二维平面结构；而摄像头仅凭自身能力很难准确判断距离，但有算法加持，可以发展出这项能力，且摄像头能看见更多的信息，包括车道线等二维结构、物体分类、颜色等，是个超级眼，但在光线不佳、有雨雪雾等恶劣环境下，能力存在短板。

先来看看这2大技术路线的本质。

1.视觉算法路线

通俗的解释是：让摄像头模拟眼睛进行观察、感知，让神经网络系统模拟大脑进行判断。底层逻辑是：驾驶员可以依靠人眼驾驶汽车，自动驾驶也可以依靠摄像头驾驶。

目前特斯拉采用这一纯视觉算法技术路线。

具体步骤如下：

这是视觉算法路线的大致逻辑。当然特斯拉的模式更复杂一些，其以路上跑的每一辆特斯拉采集真实数据组成标准数据池，通过巨量的算法帮助神经网络系统不断纠错和修正，形成闭环。

这种技术路线的优点是便宜，每套系统成本仅几百美元。

但缺点也很明显。摄像头是二维的，在感知三维物体或者复杂环境（比如糟糕的天气、能见度等）的时候会存在失真的情况。这也是为什么我们常常能看见特斯拉因识别偏差出现的各类事故。

因为从理论上讲，只要是特斯拉真实数据库中没有的情形，都存在误判的可能性。

2.激光雷达路线

激光雷达的优势很明显。激光雷达可每秒向外发射几百万个激光脉冲，并通过内部旋转方式对外界进行旋转扫描，每次扫描都可获取周边物体精确的三维数据，从而大大提高对于驾驶环境的识别准确度。

性能缺点是无法识别物体颜色，从而影响对红绿灯这一传统重要交通规则的判断。

目前，更多的厂商则采取视觉算法+激光雷达的“双保险”技术路线。用摄像头的高分辨率和激光雷达的精准测距互为补充。即在感知范围的设置重叠区域，用更多硬件来做安全沉余。

这种方法确实保险了，但最大的困难在造价高。不过2020年之后，随着激光雷达技术的完善及量产，这一困境有所改善。激光雷达技术路线的自动驾驶也走向了量产。

最后，用类比的方式总结一下

摄像头相当于眼睛，视觉判断

我们的眼睛：观察周围环境，由2个眼睛同时工作才能感知物体的三维结构，颜色及远近距离，且在阴雨雾天会模糊不清，也看不清太远的物体；

摄像头：拍摄周围环境，由2个及以上的摄像头同时工作，感知物体的三维结构，颜色及远近距离，但摄像头会对阴雨雾天的画面会进行算法优化，另外，摄像头的分辨率更高，比人看得更远更清晰。

雷达相当于触手，触觉判断我们的手：

假设闭上眼睛，把周围办公室摸个遍，我们可以大概在大脑中构建出办公室的模型，办公室每个物体的大小、形状、距离都可以通过触觉感知出来，但物体的颜色却无法感知；但用手摸可以忽略办公室的烟雾，而且，摸到窗帘的时候，还可以透过窗帘摸到外面的玻璃，有一定的“穿透”能力；

雷达：形象地说，就是通过向周围环境的四面八方不断地发送无数的“小触手”，去“抚摸”周围的物体，得到每个物体的大小、形状，并通过发送“触手”到回收“触手”的时间差来计算距离；同样也无法感知物体的颜色；但即使在阴雨云雾天，一些波段的“触手”依然可以不受影响地触摸到周围的所有物体，这是雷达优于摄像头的地方之一。