2023 年 11 月 4 號，“激光雷達助力城市 NOA 駛入量產快車道”技術分享會在禾賽麥克斯韋智造中心舉辦。禾賽戰略負責人施葉舟、輕舟智航產品負責人許諾，與行業媒體專家、先鋒用戶等，一起就激光雷達如何加速賦能城市 NOA 功能落地進行了深入交流。

激光雷達：

車企競逐城市 NOA 的

“秘密武器”

激光雷達成為車企落地高階智駕功能的必選項

據近期媒體報道，熱門車型的高階智駕版選裝率已經突破了 60% 的占比，消費者對智能駕駛功能的認可和熱情持續高漲。主機廠方面，國內率先落地城市 NOA 的智能車型均搭載了激光雷達；海外布局 L3 智駕功能的頭部車企也都配備了激光雷達。

率先在美國獲得 L3 級智能駕駛運營許可的梅賽德斯-奔馳官方表示：奔馳的 DRIVE PILOT 搭載包含激光雷達在內的多個傳感器，足夠的安全冗余對實現安全可靠的 L3 級別智能駕駛是必不可少的。其 2024 年款 S 級和 EQS 轎車車型將會搭載此智駕系統。

本質上，是激光雷達具有「抗干擾」「真三維」「高置信度」的優勢，能為算法預測和規控提供高質量的感知輸入。

激光雷達既是智能汽車的「隱形安全氣囊」，更是加速算法開發落地的「秘密武器」。

MIT：激光雷達夜間融合感知精度是攝像頭的 3 倍

工作原理上，激光雷達能主動發射人眼安全的不可見光，可以“自己照亮道路”，不依賴外界環境光，在視線較差的夜晚，也能清晰地還原行車環境，穩定地為算法提供感知數據。

在一項 MIT 的研究論文中，作者對比基于攝像頭數據的算法和融合了激光雷達數據的算法結果發現：攝像頭算法到了夜晚感知精度有明顯的下降，而通過融合激光雷達，可以將夜晚環境的感知精度提升至 3 倍。這項研究結果非常直接地展現了激光雷達對夜晚感知的重要性，能進一步提升夜晚行車的安全。

同樣，在「大光比」「對向強光」等其他攝像頭感知相對較差的場景下，激光雷達仍然能憑借接收自身發出的紅外光，進行穩定的感知輸出。

感知更精準，直擊 AEB 誤觸發行業痛點

AEB 功能的推出，是為了幫助車輛減少碰撞，讓行車更加安全。但實際使用過程中，受限于感知精準度，會出現 AEB 誤觸發事件，即在不該剎車的時候剎車，輕的會使得乘坐體驗下降，嚴重的甚至會導致后車追尾、車內人員受傷。

出現誤觸發的主要原因是車輛感知精度不足，導致決策失誤，比如在遇到減速帶、車庫轉彎、隔離帶、路邊樁桶，如果對距離、尺寸的感知精度不高，會誤以為這些物體阻礙了車輛行駛，威脅到行駛安全，從而觸發 AEB。但通過激光雷達的厘米級精度，車輛能做出更加準確的判斷，諸如：減速帶非常低矮可以通過，隔離帶不在行車路徑上……

從實際效果看，融合了激光雷達的理想 L9 AEB 誤觸發率已經低至 0.31 次/10 萬公里，遠低于行業水平 1 次/10 萬公里，把誤觸發率降低了 70%。

極大降低“算法+算力+數據”等隱性成本

施葉舟指出，特斯拉堅持視覺算法路線，背后隱含的是數據驅動的邏輯。與這套方案相匹配的是特斯拉通過數百萬輛車源源不斷采集的數據，官方統計，截止 2023 年 10 月，Autopilot 累計行駛里程超 90 億英里，FSD beta 累計行駛里程超 5 億英里。

而為了處理這些海量數據，特斯拉儲備了 14000 塊總價值數十億的 AI 芯片，可同時處理 1600 億幀圖像。與此同時，特斯拉從 2014 年開始自研芯片，21 年發布了 7 nm AI 訓練芯片以更好地適配算法模型。

“算法+算力+數據”，構成了后來者難以追趕的競爭壁壘。

從全局看，不光要關注看得見的顯性成本，更要關注看不見的隱性成本。拿掉激光雷達看似節省了一些硬件成本，但車端感知能力的下降，需要在云端投入更多的資源進行開發，極大抬高了隱性成本，在車輛銷量沒有非常高的情況下，這些隱性成本均攤下來實際上遠高于硬件成本。

激光雷達的加入， 讓感知精度領先視覺算法 3 年以上

Nuscenes 是全世界影響力最大的開源數據集之一，各大頂尖算法在該數據集上進行測試打分。統計發現，視覺算法 2023 年所達到的平均感知精度仍然不及融合激光雷達算法在 3 年前的水平。5

與此同時，激光雷達融合算法也在快速迭代升級，多傳感器數據的融合方法從基于目標識別結果的「后融合」，到特征級的「中融合」，再向著更加底層的「前融合」發展，平均感知精度在近兩年呈現出了加速提升的趨勢。

無論是語義識別還是占用網絡，

有限的數據訓練不能覆蓋所有通用障礙物

首先傳統的基于“語義識別”的視覺算法，由于需要預先設定物體種類“白名單”，這樣的白名單往往只能涵蓋高頻出現的道路元素和障礙物，例如：機動車、自行車、行人、小孩、水馬、紅綠燈等，最多幾十種類型。按照語義識別的規則，只有白名單以內的物體，才會被準確地標上“標簽”，其余不認識的物體都不能被“框住”，也就是會被算法「漏識別」。

例如 2021 年 FSD 推出之后，2022 年 11 月公開測試6中，特斯拉面對擺在路上的“黑色小狗”模型，仍然徑直開過去，沒有剎車。原因在于，視覺算法模型對于道路出現黑色小狗這樣的場景訓練還不足夠，而類似這樣的場景難以通過數據訓練全部覆蓋，總會有沒見過的“例外”。

視覺占用網絡的推出仍然不能完全解決以上難題。在一項研究占用網絡的論文7中，算法在對道路進行網格處理時，不常見的“黑色消防栓”就沒有被檢測為障礙物。究其原因是因為占用網絡同樣依賴數據訓練。為了覆蓋更多障礙物的識別，必然伴隨著數據采集標注量的增大，對于算法的訓練成本投入會持續增加，但是帶來的邊際效應會越來越小。

相比之下，激光雷達則直接得多，不用訓練，有無障礙物可以直接基于空間點云的有無進行判斷。

厘米級感知低矮物體，高效追蹤近距離物體

低矮物體的準確判斷也是視覺算法的難點，考慮到低矮物體往往只有十幾厘米或更矮，視覺算法的精度不足以準確測量，因此在沒有明顯的語義特征時，低矮物體“是否識別到”“有多高”“能不能通過”，成為了影響行車體驗乃至安全的不可控因素。

而激光雷達對高度的測量精度穩定在「幾厘米」水準8，即使是低矮物體，也不會出現遺漏。

視覺算法的另一難點是，對于近距離物體的速度監測，需要結合多幀圖像以及海量的算法過程，這樣的復雜運算大大增加了延時，從而降低了及時性，因此單純靠視覺算法，應對「近距離加塞」「擁堵跟車」顯得力不從心，更別提各種突然竄出來的電動車了。

相比而言，激光雷達憑借三維位置信息，通過簡單高效的幾何運算就能獲取速度，就顯得游刃有余的多。從輕舟智航的實測視頻來看，融合激光雷達的感知算法很好地應對了各類近距離極限場景。

最后，施葉舟指出，加速城市 NOA 功能量產意味著建立先發優勢，而激光雷達正是加速智駕算法開發的利器。誰能將感知算法做到好用，將城市 NOA 功能盡快量產，誰才能盡早獲得消費者的認可，在智駕的“戰場”上領先一個身位。

城市 NOA 規模化落地，

迎來“ iPhone 時刻”

——by 輕舟智航產品負責人許諾

輕舟智航多款標桿產品搭載激光雷達

許諾首先分享了輕舟智航在 L4 自動駕駛、L2+ 高階輔助駕駛量產等多款標桿產品中使用了激光雷達，包括在無人駕駛小巴等“龍舟”系列產品上標配了多個「360° 旋轉式圖像級激光雷達 Pandar128」，在高階輔助駕駛解決方案“輕舟”系列 MAX 產品上配置了「超高清遠距激光雷達 AT128」。

在談到激光雷達的作用時，許諾直言，現階段單純依靠視覺方案，很難應對中國城市道路中的各類 Corner Case。

“激光雷達，是以投入換時間，加速城市 NOA 落地的捷徑。” 許諾這樣概括。

具體表現為四點：

擅長處理城市復雜場景

當高階輔助駕駛在開放多樣的城區場景落地過程中，會不斷地遇到從未見過的棘手問題，如何靈活地與近距離車輛博弈，如何在夜間攝像頭視線不佳時穩定行駛，如何在沒有車道線的停車樓穿行。輕舟認為，激光雷達對環境的精準感知，能夠幫助車輛更好地應對城市的復雜場景。

許諾還在 Q&A 時提到：

不同的傳感器是一定會帶來不同的系統差別。舉例來看，如果是視覺感知，當遇到眩光或者當有物體遮擋住傳感器就會降低感知能力，但增加一顆其他的傳感器，比如說激光雷達，就會增加一份安全冗余。

以 AEB 為例，如果車輛配備激光雷達，作為算法公司一定會去使用激光雷達，因為已經有了這樣一個很好的硬件配置在里面，如果不用，那相當于浪費了。

穩定識別通用障礙物

輕舟具備行業領先的通用障礙物識別能力，融合了激光雷達數據，算法可以在不檢測物體類別的情況下對物體進行檢出，保證行車安全。

而如果 OmniNet 感知大模型，將多傳感器時序穿插融合，通過在重點區域激光雷達與圖像的結合將提升感知精度，采用 120° 激光雷達對前向進行了 3D 感知覆蓋，幫助算法解決難處理的低速和靜態物體，從而用一顆激光雷達方案實現了非常好的城市 NOA 體驗。

采用視覺算法，許諾提到：“即便是隨著數據量越來越多，能處理更多的長尾場景，但是要把長尾場景全部處理完，實際上是一個非常困難的一個事情。”

輕舟展現了行業領先的 OmniNet 感知大模型，將多傳感器時序穿插融合，通過在重點區域激光雷達與圖像的結合將提升感知精度，采用 120° 激光雷達對前向進行了 3D 感知覆蓋，幫助算法解決難處理的低速和靜態物體，從而用一顆激光雷達方案實現了非常好的城市 NOA 體驗。

加速算法迭代， 提供精準真值數據，高效挖掘長尾數據

作為高精度的傳感器，激光雷達數據可以在點云大模型的解析下進行自動化標注，為算法提供真值，加速算法進化迭代。

許諾在分享時舉了兩個例子：一個是在夜晚道路上，視覺算法漏檢了一輛隔離帶對面的車輛，而通過點云標注正確識別了這輛車；另外一個是視覺算法誤檢了一輛兩輪車為三輪車，而通過點云標注同樣糾正了這個問題。

最后，激光雷達對物體的識別不依賴預設的語義信息，舉例來說，下圖中躺在路邊的行人，如果沒有激光雷達作為感知補充，可能很難識別到。

因此，利用激光雷達數據可以更好地挖掘長尾場景，高效地實現數據積累，進一步加速算法的進化，更早實現量產落地。

審核編輯：劉清