為什麼特斯拉不用鐳射雷達？當前的汽車鐳射雷達主要分為機械式、MEMS、OPA、Flash四種方式，簡單粗暴點理解就是：鐳射雷達的原理類似於用鐳射筆對外發射光線，固態鐳射雷達對外發射鐳射的方向及角度是固定的，所以覆蓋範圍很有限，原理簡單，器件比較穩定，造價也低。
機械式鐳射雷達則是搞一面鏡子繞著鐳射源轉啊轉，達到更多角度的覆蓋，大家看到一些車輛上面有儀器在轉啊轉的，就是這個原理。因為對裝配要求高，機械式鐳射雷達很難做到量產，例如，Velodyne 的32線鐳射雷達HDL-32E就需要32組發射光源與32組接收光源進行一一對應除錯，還容易出故障。
混合固態鐳射雷達則是用MEMS振鏡旋轉來完成鐳射掃描，參考下圖中的最右。需要運動的器件少於機械式鐳射雷達，所以在保證效能的情況下，更穩定，更容易滿足汽車量產要求。
而特斯拉之所以不使用鐳射雷達，是因為鐳射雷達目前成本較高，並且能達到車規級的還不多，穩定性不高。目前多家車企，如小鵬、蔚來都號稱會在新車型中搭載鐳射雷達。而在L4級別自動駕駛領域，使用鐳射雷達的企業是以谷歌Waymo為代表的，是多感測器融合的路線，同時用上了攝像頭和鐳射雷達。
多感測器融合是Waymo採用的主要路徑，在自動駕駛應用中扮演著舉足輕重的角色。不同的感測器都有其自身的優勢和劣勢，例如攝像機在弱光及高對比度光線條件場景下很難捕捉足夠的視覺資訊；鐳射雷達在霧氣/雨滴/雪花/汽車尾氣/反射等場景下容易形成虛假點；毫米波雷達在透過隧道、大橋等場景下雷達探測可信性降低。自動駕駛因其問題複雜度高、安全第一等特性，需要依靠多種感測器資料的相互融合來提高感知效果。將多感測器資訊融合在一起的方式有多種，例如前融合和後融合。前融合是將感測器原始資訊直接融合到一起進行處理，這種方法使得演算法在開始就能拿到最全面的資料。所有的資料都在最開始彙總在一起，但如果一個感測器出現問題，就會造成感知模組失效。後融合是將各個感測器資訊單獨處理，各自在各自的處理通道上拿到接近最終形態的結果，之後再融合在一起。這種方法使得不同感測器彼此更加獨立，即便個別感測器失效，或者標定同步有些許偏差，也對最終的結果影響不大。但對算力的消耗卻比較大。谷歌和特斯拉這兩家公司，關於是否使用鐳射雷達的battle從未停止，diss連年不斷。這不僅是兩家公司之間的爭論，也可以說是實現自動駕駛的路徑之爭。特斯拉還不用高精地圖？什麼是高精度地圖
上面這張圖是普通的導航地圖，但這類地圖在重慶這樣的城市會經常失效。重慶有大量穿行在山間的道路，重慶的高架一般都設有4層左右。在跟著導航走的時候，可能導航顯示你走的是第三層的路線，而你走的卻是第四層。
下面這張圖是高精度地圖：
這種圖裡只有車道線、路牌和紅綠燈這些最基本的資訊，這類高精度地圖是給車看的，不是給人看的。因為車輛要實時用，不可能做得很真實漂亮，略去了很多細節。如果把車輛比作一個人，那高精度地圖就是你腦海裡對於某個路段的記憶。如果旁邊的景色跟你記憶中的景色匹配上了，就能夠告訴你你具體是在哪個位置，避免出現像導航地圖那樣的問題，分不清是在主路還是在輔路，或者分不清在高架橋上還是在高架橋下。一般的導航地圖的作用就是導航，但在自動駕駛領域，導航只是高精度地圖的最基本作用，除此之外，高精度地圖還能發揮很多用處，簡單舉幾個例子：應對複雜天氣和道路資訊缺失如果無人駕駛車開在路上，發現原本路上的一條車道線被磨沒了，那車輛會不會就壓線或者直接跑出當前車道了呢？有了高精度地圖以後，在車道線殘缺或沒有車道線的場景中，高精度地圖可提供道路資訊，讓車輛可以保持在一個車道里。又或者突然下起暴雨或暴雪的情況下，有些車道線被路面雨水反光給影響了，或者被雪給蓋住了。那靠著高精度地圖，也能減少影響。此外，在無人駕駛車經過一些坡道時，高精度地圖裡因為有坡道的資訊，也能讓車輛儘早做好速度規劃。或者，當你要經過一個彎道時，高精度地圖可提前為無人駕駛車提供彎道的曲率資訊，讓無人駕駛車可以規劃好最適合彎道的拐彎速度。讓無人車駕駛決策更符合人類駕駛習慣現在的無人駕駛車輛的速度都很低，主要是出於安全考慮。而且無人駕駛車輛對限速的感知並不一定準確，比如前一段路的限速是40公里每小時，這一段路變成了60公里每小時，但卻沒有指示牌。如果車輛在路上一直保持40公里每小時的速度，肯定會被各種鳴笛、超車，更容易出事故。而未來高精度地圖也可以透過收集過往資訊，知道每個時段在某個路段車輛的平均行駛速度，這樣無人駕駛車可以選擇一個更符合人類駕駛習慣的合適速度。就跟現有的一般導航地圖可以查詢過往某段路程在某個時間的預計行駛時間一樣。
在面對複雜環境時，更好地瞭解其他車的行為為了讓無人駕駛車在行駛過程中能夠及時、準確地對他車行為作出反應，保證行駛的舒適性與安全性，演算法需要對他車的行為與路徑作出相對準確的預測。藉助高精度地圖提供的資訊，可以為預測演算法提供很強的輔助資訊，舉個例子，透過高精度地圖查詢到前方右側有輔路入口或者車道合併的情況，那麼該處出現的車輛就很有可能會作出向左變道或加速併入等動作。根據左右車道線虛實情況，也可以更好的幫無人駕駛車判斷旁邊車輛加塞的可能性。未來，還可以跟路端的感測器資訊相結合，比如現有馬路上的限速攝像頭，如果透過感知演算法，能把路上車輛的情況都感知出來，並且同步在高精度地圖裡，那也就不用擔心車輛周圍會有感應不到的盲區了，也能避免鬼探頭等情況的發生。目前高精度地圖最大的兩個問題1。標準不統一可能各家都有各家的標準，所以資料無法共通，地圖也無法共用。統一高精地圖的資料模型與交換格式，將有助於減少汽車製造商的開發時間和不必要的成本，同時保證未來跨品牌車輛使用的高畫質地圖都可以不斷共享重新整理資料。2019年6月，全國智慧運輸系統標準化技術委員會正式在官方網站釋出智慧駕駛電子地圖資料模型與交換格式的相關國家標準徵求意見稿，相信過不久標準也能得到統一。參與起草相關的國家標準的單位有四維圖新、高德軟體有限公司、北京百度網訊科技有限公司、交通運輸部公路科學研究院、武漢中海庭資料技術有限公司、上海汽車集團股份有限公司、北京建築大學等。2。更新成本高且慢目前國內很多自動駕駛方案，較多地採用了鐳射雷達LiDAR的定位方案，透過LiDAR發射的鐳射，感知周邊建築及道路環境作為約束，實現高精度定位。這種方案可以實現10cm量級的定位精度，但是鐳射雷達成本較高，很難做到大規模建圖和經常性更新。另外還有利用視覺方案進行定位的方案，但這種方案做出來的地圖不確定性太大，畢竟是靠視覺，可能會漏檢許多東西。高精度地圖對於無人駕駛車至關重要，不解決這兩大難題，無人駕駛很難有大規模的商業化落地。在堅決不用鐳射雷達以及高精度地圖的情況下，特斯拉目前的自動駕駛功能還只能達到L2級別，只是自動駕駛輔助功能，不能脫離雙手或者脫離雙腳，技術的成熟度遠遠不夠。
年終理財爆款福利！領取8%+理財券，每日限額2000份，先到先得！
