激光雷达技术发展历程 - 激光雷达技术可追溯至1960年代，最初用于军事航空测绘[3] - 2004年DARPA挑战赛推动激光雷达在自动驾驶领域应用，2005年斯坦福团队使用5个工业激光雷达获胜，2007年卡耐基梅隆团队使用64线Velodyne激光雷达成为技术标杆[3] - 2009年谷歌自动驾驶项目（Waymo）主要依赖Velodyne旋转式激光雷达，2017年Waymo自研激光雷达成本从Velodyne的75000美元大幅降低至7500美元[3] - 激光雷达产业蓬勃发展，Quanergy、Luminar、Innoviz、禾赛、速腾、大疆、华为等公司发展固态/半固态和4D激光雷达技术并致力于降低成本[4] 激光雷达与纯视觉技术路线对比 - 传统机器视觉算法测距困难，双目测距精度有限且受噪声干扰，而激光雷达通过发射近红外激光计算时间差实现厘米级精度测距[11][12] - 激光雷达在障碍物检测精度上远高于传统算法，但存在分辨率低、帧率低、无颜色等缺点，信息量仅为相机0.1-0.5百万像素，信息密度相差10-100倍[16] - 激光雷达点云无法反映物理世界关键信息，如水坑光影、危险坑洞、消防栓水柱、行人朝向等，限制了环境理解能力[22] - 相机成熟度远高于激光雷达，激光雷达内部机械部件耐久性差，失效率显著高于相机[20] 特斯拉纯视觉方案技术突破 - 2016年特斯拉开始自研自动驾驶并提出FSD概念，早期邀请OpenAI算法专家参与评估，前特斯拉视觉团队负责人Andrej Karpathy推动神经网络方案取代传统机器视觉[23] - 2018年Karpathy首次将Transformer应用于BEV多相机融合，使自动驾驶与大语言模型技术同源，后续融入端到端、强化学习、世界模型等大模型技术[23] - 特斯拉在去除毫米波雷达后视觉能力大幅提升，接近甚至超越毫米波雷达的测距和测速精度[24] - 马斯克认为自动驾驶是物理世界AGI问题，解决方案关键在于AI而非传感器，激光雷达注定失败是基于技术需求的预见[24][25] 端到端自动驾驶技术挑战 - 训练端到端神经网络需要海量相机视频数据与驾驶员操作数据配对，但难以从数千万像素中准确提取因果关系[27] - 激光雷达数据会干扰网络在视觉与控制信号间寻找因果关系，导致过拟合，因为激光雷达信号更简单明确但与人眼视觉世界差异过大[26][28][32] - 纯视觉端到端方案需要数据闭环基础设施、强大算力和量产车队支持，特斯拉拥有5万张H100显卡和700万辆量产车每年20亿英里数据形成的门槛[28] - 神经网络目标是学习人类眼睛到驾驶行为的因果过程而非相关性，激光雷达点云不具备理解物理世界的能力[33] 行业技术路径依赖现状 - 早期投入激光雷达的企业如Waymo已形成技术路径依赖，规则式代码积累庞大且已实现Robotaxi应用[30] - 激光雷达与高精地图结合可让车企快速获得自动驾驶入场券，解决有无问题，但类似游戏世界作弊[30] - 消费者已被市场教育形成激光雷达代表高安全性的认知，缺乏激光雷达的车型可能被视为低端产品[30] - 除特斯拉外几乎没有纯视觉方案车企，因纯视觉技术难度大且需要大规模数据与算力支撑[30]