在自动驾驶技术路线选择的关键节点，小鹏汽车自动驾驶产品高级总监袁婷婷近日公开对激光雷达方案提出质疑，直言“激光雷达看得远是个伪命题”。这一观点引发行业对传感器技术路线的深度讨论，也折射出小鹏汽车从激光雷达到纯视觉方案的战略转向背后的技术逻辑。
袁婷婷从物理特性、环境适应性及信息处理效率三个维度，系统性拆解了激光雷达在远距探测中的技术短板。
1.能量衰减与点云密度瓶颈：激光雷达依赖发射近红外光并计算反射回波时间（ToF）来定位障碍物，但这一原理导致其能量密度随距离呈平方反比衰减。以行业领先的192线激光雷达为例，在200米外探测时，其回波信号强度和点云密度仅为近距离探测的千分之一，导致对轻质物体（如塑料袋）与危险目标（如横穿电瓶车）的区分能力大幅下降。相比之下，800万像素摄像头在相同距离下仍能捕捉到丰富的纹理、颜色等语义信息，为算法决策提供更可靠的依据。
2.多径效应与低帧率加剧误判风险：激光雷达在复杂场景中易发生多次反射，导致回波信号混叠。例如，城市立交桥结构曾引发某车型将桥墩阴影误判为静止车辆，导致十余次非必要急刹。此外，主流激光雷达的10Hz刷新率仅为摄像头帧率的五分之一，在120公里/小时车速下，200米外的移动目标物会在两次扫描间隔中位移超3米，进一步降低动态目标识别精度。
3.极端天气下的“致盲”困境：激光雷达对雨雾等天气高度敏感。实测数据显示，暴雨环境下其有效探测距离骤降至30米以内，且近场噪点增加五倍。而毫米波雷达凭借其长波长特性，在穿透能力上展现出独特优势。今年广东汛期路测中，纯视觉方案车辆在能见度50米工况下的识别准确率反而比融合感知方案高出12%，凸显了单一激光雷达方案的局限性。
袁婷婷强调，小鹏汽车转向纯视觉方案并非“技术降级”，而是基于数据积累与算法突破的必然选择。
1.高分辨率摄像头的信息密度优势：在200米外探测场景中，摄像头凭借800万像素分辨率与纹理识别能力，可精准捕捉目标物的形态特征。例如，在区分塑料袋与电瓶车时，摄像头能通过纹理特征快速判断物体属性，而激光雷达仅能提供稀疏的点云数据，难以支撑复杂场景下的决策。
2.端到端模型打破传感器依赖：小鹏汽车通过全量信息点收集与端到端算法迭代，实现了对传感器硬件的“解耦”。袁婷婷指出，视觉与激光雷达版本的能力一致性，本质取决于模型对多模态数据的融合处理能力，而非单一传感器的性能。例如，小鹏P7+搭载的AI鹰眼视觉方案，通过海量真实场景数据训练，已能实现与激光雷达版本相近的复杂场景应对能力。
3.成本与工程化的现实考量：从商业层面看，单颗激光雷达采购成本约占BOM总成本的2%，而8摄像头方案硬件成本可降低37%。更轻量化的传感器布局还使车型续航提升5.2%，为消费者带来直接收益。这种“降本增效”的平衡，正是小鹏汽车推动技术路线转向的核心驱动力。
尽管袁婷婷的质疑直指激光雷达痛点，但行业对传感器融合的共识并未动摇。激光雷达在夜间探测、低矮障碍物识别（如井盖、石块）及异形目标检测（如马车）中的优势仍不可替代。例如，Waymo测试显示，激光雷达在识别异形障碍物时比纯视觉方案快0.3秒，显著降低城市道路误刹车率。
业内专家指出，自动驾驶的终极方案并非“非此即彼”，而是需要构建“摄像头为主、多传感器冗余”的感知体系。例如，毫米波雷达可弥补激光雷达在雨雾天气的短板，而摄像头则负责提供语义信息。这种“扬长避短”的融合策略，才是技术演进的正确方向。
袁婷婷的质疑，本质上是对自动驾驶技术本质的回归：传感器只是“眼睛”，而算法才是“大脑”。在数据与算力驱动的智能时代，如何让“大脑”更高效地处理信息，或许才是行业需要思考的核心命题。
扫一扫关注微信
