文/秦明
目前，自动驾驶领域的传感技术，存在两个较大的技术分歧，一个是激光雷达方案，还有一个就是摄像头，无论传统车企还是造车新势力，都基本采用激光雷达感知，只有特斯拉还在坚持摄像头纯视觉传感的方法。
摄像头传感器
特斯拉的理念是，既然人可以靠双眼观察周围环境开车，那么自动驾驶系统也可以用同样的逻辑靠摄像头做到，所以特斯拉的摄像头就是在仿造人类的眼睛。
摄像头能将最真实的路面图像传递给处理器，然后将这些图像转换成数据，这其中最难的不是如何还原真实的图像，而是如何将图像转换成数据，这就对数据的处理和存储能力有着非常之高的要求。
视觉方案对样本数据的依赖度比较高，需要用大量的数据进行训练，不断优化，不断学习，所以特斯拉很早就构建了一整数据采集与学习的闭环框架，通过摄像头收集各种行驶场景数据，并上传到特斯拉云端，构成真实而庞大的数据池。
这种云端数据库能够对特斯拉的智能算法提供学习模版，赋予了算法不断升级的能力。基于收集到的行驶数据，特斯拉会通过“影子模式”不断优化算法，最后对每一辆特斯拉的FSD自动驾驶进行OTA升级。
激光雷达传感器
激光雷达通过激光束进行探测和测距，由激光发射器、光学接收器、和信息处理系统三部分组成。
激光雷达可以通过发射和接受激光束，分析激光遇到目标对象后的折返时间，计算出目标对象与车的相对距离，并利用收集的目标对象表面大量的密集点的三维坐标、反射率等信息，快速复建出目标的三维模型及各种图件数据，建立三维点云图，绘制出环境地图，以达到环境感知的目的。
由于测距公式都是固定的，这些的算法自然也相同，所以激光雷达的提升就在于测距的精准度上，完全依赖硬件性能，不能通过自我学习提升。
两者的区别和特点
激光雷达是一种主动式传感器，通过发射脉冲激光并探测目标的散射光特性获取目标的深度信息，具有精度高、范围大、抗干扰能力强的特性，可以在一些极端天气下和夜间做到比摄像头更高的精准度，防止车辆的误判，提升安全的冗余度。
但是，激光雷达获取的数据稀疏无序、难以直接利用，且激光单色的特性让其无法获取颜色和纹理信息，虽然对于周边环境测距描绘的能力突出，在一些没有特征的道路，比如没有中心线指示牌的路段，激光雷达会存在不易分辨甚至缺失的问题，所以必须搭配其它传感器互补使用。
相比之下，虽然摄像头所获数据与人眼感知的真实世界更为相似，有轻硬件、重软件的特性，可视野具有局限性，在行驶时看事物只能看到正面和侧面，对情况的判断并非完全正确，且视野受环境影响幅度非常大，在恶劣环境下完成图像获取的难度会大幅提升。
此外，由于视觉方案在硬件要求降低的背景下，其对软件的要求明显提高，即需要依靠强大的算法才能保证图像处理、命令下达以及处理的效率。
为何特斯拉坚持用摄像头作为传感器？
既然摄像头具有如此多的局限性，那为何特斯拉一直坚持拥护视觉传感呢？不少人都能想到一个原因，就是能够降低成本。
从Autopilot2.0开始，到现在的FSD10.6Beta，特斯拉车型一直坚持使用8个摄像头。目前一个摄像头价格预计在10美金左右。激光雷达的成本也降低到数百美金级别，而目前的激光雷达车型车辆一般在车顶配备一个长距离激光雷达，两侧各配置一个短距离激光雷达，价格大约是-美金。
因此，特斯拉能大约收获左右的成本价，这也的确算一个因素，但个人看来，最主要的原因还是在于最终的目的不同，特斯拉采用摄像头进行测量，能探测到周围的环境，当特斯拉的车开遍了能到的每个角落和角度，那特斯拉就拥有了非常恐怖的数据库，在现在的信息时代，这些数据才是最宝贵的财富。
特斯拉想要实现的是真正的无人驾驶功能，所以追求的是和人类相同的进化能力，不同于激光雷达受限于算法固定，摄像头能够判断障碍物是固定还是具有活性的，就好比道路上出现一只动物，摄像头加上云端数据就能很清楚识别匹配，并推算出动物可能发生移动进行提前减速和变向等。
写在最后：
总的来说，激光雷达只是一个测距设备，摄像头更像我们的眼睛，提供的内容也更丰富，但有时眼睛也会欺骗我们，两者都有自己的优势，也有自己发展的阻碍，无论如何，这两种技术都有望实现真正的自动驾驶。