特斯拉为什么不用激光雷达和高精地图？

点击上方“3D视觉车间，选择星标

第一时间送达干货

/导读/

主流传感器包括摄像头、毫米波雷达、超声波雷达和激光雷达。

为什么特斯拉不使用激光雷达？

目前的汽车激光雷达主要分为机械式，MEMS、OPA、Flash简单粗暴地理解四种方式：

激光雷达的原理类似于用激光笔向外发射光。固态激光雷达向外发射激光的方向和角度固定，覆盖范围有限，原理简单，设备稳定，成本低。

机械激光雷达是在激光源周围制作一面镜子，以实现更多角度的覆盖。这就是我们看到一些车辆上有仪器的原理。由于装配要求高，机械激光雷达难以实现大规模生产，例如，Velodyne 32线激光雷达HDL-32E32组发射光源和32组接收光源需要逐一调试，容易出现故障。

混合固态激光雷达MEMS振动镜旋转以完成激光扫描，请参考下图中的最右侧。需要移动的设备少于机械激光雷达，因此更稳定，更容易满足汽车的大规模生产要求。

特斯拉之所以不使用激光雷达，是因为目前激光雷达成本高，能达到车级的不多，稳定性低。

目前，小鹏、蔚来等多家汽车公司声称将在新车型中配备激光雷达。L在4级自动驾驶领域，使用激光雷达的企业是谷歌Waymo以摄像头和激光雷达为代表的是多传感器集成路线。

多传感器融合是Waymo主要路径在自动驾驶应用中起着重要作用。

不同的传感器有自己的优缺点。例如，在弱光和高对比度光条件下，相机很难捕捉到足够的视觉信息；激光雷达在雾/雨滴/雪花/汽车尾气/反射等场景下容易形成虚假点；毫米波雷达在隧道、桥梁等场景下的雷达探测可信度降低。

自动驾驶因其问题复杂度高、安全第一等特性，需要依靠多种传感器数据的相互融合来提高感知效果。将多传感器信息融合在一起的方式有多种，例如前融合和后融合。

前融合是将传感器的原始信息直接集成在一起，使算法在一开始就获得最全面的数据。所有的数据都在一开始总结在一起，但如果传感器有问题，传感器模块就会失效。

后融合是将每个传感器信息单独处理，并在各自的处理通道上获得接近最终形式的结果，然后集成在一起。这种方法使不同的传感器更加独立，即使个别传感器失效或校准同步偏差较小。但计算能力的消耗相对较大。

谷歌和特斯拉是否使用激光雷达？battle从未停止，diss年复一年。这不仅是两家公司之间的争论，也是实现自动驾驶路径的争论。

特斯拉不需要高精度地图？

什么是高精度地图？

上图为普通导航地图，但在重庆这样的城市往往会失效。

重庆有大量的道路穿过山区，重庆的高架桥一般有4层左右。当跟随导航时，导航可能会显示你走的是第三层，而你走的是第四层。

下图为高精度地图：

这张照片只有最基本的信息，如车道线、路标和红绿灯。这种高精度的地图是给汽车看的，而不是给人看的。因为车辆应该实时使用，所以不可能真实美观，省略了很多细节。

如果把车比作一个人，那么高精度地图就是你脑海中对某个路段的记忆。如果旁边的风景与你记忆中的风景相匹配，你可以告诉你在哪里，避免导航地图等问题，无论是在主干道还是辅助道路，还是在高架桥上还是在高架桥下。

导航地图的一般功能是导航，但在自动驾驶领域，导航只是高精度地图最基本的功能。此外，高精度地图还可以发挥很多用途。举几个例子：

缺乏复杂的天气和道路信息

如果无人驾驶汽车在路上行驶，发现原来路上的车道线已经磨损，车辆会压线或直接跑出当前车道吗？有了高精度地图，高精度地图可以在车道线不完整或没有车道线的情况下提供道路信息，使车辆能够保持在车道上。

或突然下起暴雨或暴雪，一些车道线路受到路面雨水反射或雪的影响。依靠高精度地图也可以减少影响。

此外，当无人驾驶汽车经过一些坡道时，高精度地图也可以让车辆尽快进行速度规划，因为有坡道信息。或者，当你想经过一个弯道时，高精度地图可以提前为无人驾驶汽车提供弯道的曲率信息，这样无人驾驶汽车就可以规划最合适的弯道。

无人驾驶决策更符合人类驾驶习惯

现在无人驾驶车辆的速度很低，主要是出于安全考虑。此外，无人驾驶车辆对速度限制的感知不一定准确。例如，前一段路的速度限制为每小时40公里，每小时60公里，但没有标志。

如果车辆在路上每小时保持40公里，肯定会被各种鸣笛超车，更容易发生事故。

未来，高精度地图还可以通过收集过去的信息来了解车辆在某一路段的平均行驶速度，使无人驾驶汽车能够选择更符合人类驾驶习惯的合适速度。就像现有的一般导航地图可以在某一时间查询预期的行驶时间一样。

面对复杂的环境，更好地了解其他汽车的行为

为了使无人驾驶汽车能够及时、准确地响应其他汽车的行为，确保驾驶的舒适性和安全性，算法需要相对准确地预测其他汽车的行为和路径。

借助高精度地图提供的信息，可以为预测算法提供强有力的辅助信息。例如，如果通过高精度地图查询前右侧有辅助道路入口或车道合并，那么出现在该地方的车辆很可能会向左转换车道或加速并入。根据左右车道线现实，也可以更好地帮助无人驾驶汽车判断附近车辆堵塞的可能性。

未来也可以结合路端传感器信息，如现有道路限速摄像头，如果通过感知算法，可以感知道路车辆，同步在高精度地图上，不用担心车辆周围会有感应盲区，也可以避免鬼探头等情况。

目前高精度地图最大的两个问题

1.标准不统一

也许每个家庭都有自己的标准，所以数据不能共享，地图也不能共享。

统一高精度地图的数据模型和交换格式将有助于于减少汽车制造商的开发时间和不必要的成本，同时保证未来跨品牌车辆使用的高清地图都可以不断共享刷新数据。

2019年6月，全国智能运输系统标准化技术委员会正式在官方网站发布智能驾驶电子地图数据模型与交换格式的相关国家标准征求意见稿，相信过不久标准也能得到统一。

参与起草相关的国家标准的单位有四维图新、高德软件有限公司、北京百度网讯科技有限公司、交通运输部公路科学研究院、武汉中海庭数据技术有限公司、上海汽车集团股份有限公司、北京建筑大学等。

2.更新成本高且慢

目前国内很多自动驾驶方案，较多地采用了激光雷达LiDAR的定位方案，通过LiDAR发射的激光，感知周边建筑及道路环境作为约束，实现高精度定位。

这种方案可以实现10cm量级的定位精度，但是激光雷达成本较高，很难做到大规模建图和经常性更新。

另外还有利用视觉方案进行定位的方案，但这种方案做出来的地图不确定性太大，毕竟是靠视觉，可能会漏检许多东西。

高精度地图对于无人驾驶车至关重要，不解决这两大难题，无人驾驶很难有大规模的商业化落地。

在坚决不用激光雷达以及高精度地图的情况下，特斯拉目前的自动驾驶功能还只能达到L2级别，只是自动驾驶辅助功能，不能脱离双手或者脱离双脚，技术的成熟度远远不够。

本文仅做学术分享，如有侵权，请联系删文。

下载1

在「3D视觉工坊」公众号后台回复：3D视觉，即可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。

下载2

在「3D视觉工坊」公众号后台回复：3D视觉github资源汇总，即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。

下载3

在「3D视觉工坊」公众号后台回复：相机标定，即可下载独家相机标定学习课件与视频网址；后台回复：立体匹配，即可下载独家立体匹配学习课件与视频网址。

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。

一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近3000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

 圈里有高质量教程资料、可答疑解惑、助你高效解决问题

觉得有用，麻烦给个赞和在看~