自动驾驶的眼睛怎么看路?激光雷达与摄像头的工作原理讲明白

自动驾驶的眼睛怎么看路?激光雷达与摄像头的工作原理讲明白

· ⏱ 5 分钟阅读 ✍️ spark1 👁 0 次阅读 📂 AI+行业应用
🎧 听全文
点击播放,AI语音朗读全文
1.0x
标签 AI+交通能源 AI资讯 智能驾驶 激光雷达

一辆具备智能驾驶能力的汽车,车顶可能顶着一个小鼓包,车头车尾灯组附近藏着几颗小圆片,后视镜下方还有一组镜头——它们都是车的「眼睛」。不同的眼睛看到的世界不一样,各自补盲区、互补短长。把这些传感器的工作原理搞清楚,你就能理解智能驾驶的能力边界在哪里。关于自动驾驶从 L1 到 L5 的能力分级,这篇L1 到 L5 分级讲透有完整的梳理。

摄像头:像人眼一样「看」,靠算法补深度

摄像头是最接近人眼感知方式的传感器。它接收可见光,在图像传感器上成像,输出的是一帧帧二维画面。对人来说,两只眼睛的视差可以帮助大脑估算距离;对车来说,单颗摄像头拍到的画面本身没有深度信息,距离要靠算法从连续帧的运动、物体的大小先验、或者双目摄像头的视差来计算。

摄像头的优势在于信息量大且成本低。它能识别车道线、交通标志、红绿灯、行人姿态,这些语义信息是其他传感器很难直接提供的。一颗车载摄像头的成本通常在几十到几百元量级,功耗也低。

它的短板也很直观:和人的眼睛一样,摄像头受光照和天气影响大。逆光、暴雨、浓雾、隧道出入口的明暗骤变,都可能让成像质量大幅下降。此外,纯靠视觉估算距离的精度通常不如主动测距传感器,尤其在远距离场景。

激光雷达:主动打光测距,直接拿到三维点云

激光雷达(LiDAR)的工作方式是主动发射激光脉冲,测量脉冲打到物体反射回来的时间,根据光速算出距离。通过快速扫描(旋转镜、MEMS 微振镜或固态方案),它能在短时间内生成周围环境的三维「点云」——数以万计的空间坐标点,直接描绘出障碍物的形状和位置。

这种主动测距的方式,让激光雷达天然不依赖环境光照条件。夜间无路灯、逆光场景下,激光雷达的测距精度依然稳定,通常可以达到厘米级。这是它在智能驾驶中被重视的核心原因。

激光雷达的成本曾经非常高——早期机械旋转式方案单价可达数万美元。近几年随着半固态和固态方案的成熟,车规级激光雷达的单车成本已降至数百到一千美元左右的量级,但相比摄像头仍然贵一个数量级。此外,激光雷达在暴雨和浓雾中的表现也会衰减,因为水滴和雾气颗粒会散射激光束。

毫米波雷达与超声波:各自补什么盲区

毫米波雷达工作在无线电频段(常见 77GHz),同样是主动发射并接收回波来测距和测速。它的独特优势在于对雨雪雾的穿透能力强——电磁波波长比激光长得多,不容易被水滴散射,所以在恶劣天气下仍能保持稳定的测距能力。毫米波雷达还能通过多普勒效应直接测量目标的相对速度,这在高速场景中很有价值。

但毫米波雷达的空间分辨率较低,对静止小物体的分辨能力有限,早期方案在区分路面井盖和前方静止车辆时存在挑战。新一代 4D 成像毫米波雷达在俯仰维度增加了分辨力,这方面有所改善。

超声波雷达工作频率通常在 40kHz 左右,成本极低(单颗几元到十几元),探测距离短(一般几米内),主要用于泊车辅助中的近距离障碍物检测。它几乎不受光照和天气影响,是补盲的「最后一米」方案。

多传感器融合:为什么「多种眼睛一起用」是主流工程思路

每种传感器都有物理原理决定的能力边界:摄像头语义丰富但缺深度、怕恶劣光照;激光雷达有精准三维但不擅长语义识别、成本高;毫米波雷达全天候稳定但分辨率有限;超声波管近距离。没有任何单一传感器能在所有场景下表现完美。

因此,多传感器融合成为工程上的主流思路:把不同传感器的数据在算法层面综合起来,让它们在各自擅长的维度上互补。融合可以在数据级(原始点云与图像对齐)、特征级或决策级进行,复杂度逐层升高。

有的方案侧重以摄像头为主、减少或不使用激光雷达,以算法冗余换取成本优势——这是另一种工程哲学,在特定场景和算法能力下也能达到可用的安全水平。有的方案则倾向于多传感器齐备,用硬件冗余提升安全下限。两种思路目前都在快速演进,最终效果取决于具体实现和验证。

如果你正在考虑是否为一套更完备的传感器组合多花钱,这篇智能驾驶和车载 AI 值得加钱吗提供了面向购车决策的分析框架。

小结

智能驾驶汽车用摄像头「看」世界、用激光雷达「量」距离、用毫米波雷达穿透雨雾、用超声波守住近身。每种传感器的能力边界由物理原理决定,工程上通过多传感器融合来互补。不同方案在传感器组合和算法策略上各有取舍,但目标一致:让车在各种条件下都能可靠地感知周围环境。

Q: 激光雷达是不是越多越安全?

不是简单的线性关系。激光雷达的数量和安装位置决定了感知覆盖的冗余度,但安全取决于整个感知系统的综合表现——包括传感器数量与类型、算法处理能力、系统冗余设计等。更多激光雷达在某些场景下能提升覆盖和冗余,但如果算法无法充分利用数据,增加传感器未必带来等比例的安全提升。

Q: 纯视觉方案为什么可行?

纯视觉方案的核心思路是以算法冗余换传感器成本。通过大量摄像头覆盖车身周围,配合大规模训练得到的深度估计和目标检测模型,在常见场景下可以实现可用的感知能力。这种方式成本结构更低,但对算法鲁棒性要求极高,尤其在极端光照和恶劣天气下需要额外的工程保障。它和搭载激光雷达的方案是两种不同的工程哲学,各自在持续演进。

Q: 雾天雨天哪种传感器更靠谱?

在浓雾和暴雨中,毫米波雷达的表现通常最稳定——无线电波能穿透水滴和雾气。激光雷达受散射影响性能会衰减,摄像头成像质量也会下降。不过实际行车中,单一传感器不能覆盖所有需求,系统通常会综合多种传感器的数据来维持感知能力。作为驾驶员,在恶劣天气下仍应降低对辅助驾驶的依赖,保持主动掌控。

📄 版权声明:本文由 AI家园 团队创作。欢迎非商业性转载或引用,转载时须注明原文出处并保留原文链接;商业使用请事先联系授权。

本文链接:https://spark1.cn/articles/20260907-zi-dong-jia-shi-de-yan-jing-zen-me-kan-lu-ji-guang-lei-da-yu-she-xiang-tou-de-go · 转载规则详见《服务条款》

🎁 喜欢这篇文章?获取更多干货

关注公众号「xAI智工场」

关注公众号「xAI智工场」

每天一个AI干货
回复「提示词」免费领实战模板包

💬

加入AI交流群

微信号:xaizgc
和AI爱好者一起成长

⭐ 深度精选

知识星球·深度圈

系统课程 · 社群答疑 · 资源库
¥99/年

立即加入 →
分享到

💡 想用 AI 马上搞定这件事?

查看全部 AI 工具 →

💬 评论

加载中...

转载或引用本站内容请注明原文出处及链接 · 转载规则

Copyright © 2026 AI家园 浙ICP备2024142181号-2 浙公网安备 33010202005420号