編者語：后臺回復(fù)“入群”，加入「智駕最前沿」微信交流群

自動駕駛系統(tǒng)的感知層就像人類的眼睛與大腦，其核心任務(wù)是在復(fù)雜的交通環(huán)境中準確、實時地構(gòu)建三維世界模型。在眾多的感知傳感器中，激光雷達（LiDAR）憑借其主動探測、高精度測距以及受光照影響小等特性，被認為是實現(xiàn)L3級及以上自動駕駛的關(guān)鍵硬件。

激光雷達的技術(shù)提升，很大程度上體現(xiàn)在“線束”的增加與掃描架構(gòu)的數(shù)字化轉(zhuǎn)型上。所謂線束，是指激光雷達在垂直視場角內(nèi)同時排列的掃描線數(shù)量，它直接決定了環(huán)境數(shù)字化的細膩程度。那激光雷達線束會給自動駕駛能力帶來哪些影響？

空間分辨率的物理躍遷與精細化感知

激光雷達是通過發(fā)射激光脈沖并接收回波來計算目標的距離和方位，線束越多，意味著在同一垂直角度內(nèi)掃描的頻次越高，點云分布也就越密集。在自動駕駛的應(yīng)用中，這種物理特性的提升首先體現(xiàn)在垂直角分辨率的極致壓縮。

像是16線或32線的傳統(tǒng)低線束激光雷達，其垂直角分辨率通常在0.5度以上，這在近距離下或許可以維持基礎(chǔ)的障礙物輪廓，但目標距離一旦拉遠，相鄰線束之間的物理間隔會迅速擴大，導(dǎo)致嚴重的“信息丟失”。

以高速公路行駛場景為例，當車輛感知系統(tǒng)需要識別200米外的障礙物時，角分辨率的微小差異將導(dǎo)致截然不同的探測結(jié)果。根據(jù)幾何計算，1度的角分辨率在200米處形成的采樣點間隔（即像素尺寸）約為3.5米，這一尺度已經(jīng)超過了大多數(shù)如摩托車、路面掉落的輪胎皮等常見目標，甚至超過了普通轎車的寬度，這意味著激光束極有可能直接穿過目標而無法產(chǎn)生有效回波。

相比之下，擁有更低垂直角分辨率的高線束雷達，在同等距離下可以將像素尺寸縮小到原來的十分之一，不僅能產(chǎn)生多個重疊的回波點，還能勾勒出物體的長寬比例，從而使感知系統(tǒng)完成從“探測到有東西”到“識別出是什么”的質(zhì)變。

圖片源自：網(wǎng)絡(luò)

這種高精度的空間采樣對于識別“負向障礙物”，即低于地面的坑洼、溝渠或者低矮的減速帶、路緣石具有非常明顯的效果。

低線束雷達由于點云稀疏，會將這些高度差僅幾厘米的細節(jié)視作平整路面的一部分，這不僅會影響路徑規(guī)劃的平滑度，更可能造成底盤損傷或行駛安全隱患。

而高線束雷達憑借密集的采樣點，能夠捕捉到地表細微的法向量變化，為車輛提供一張近乎真實的三維地圖。

感知算法的效率優(yōu)化與算力負載的平衡

在自動駕駛的軟件架構(gòu)中，激光雷達線束的提升實際上在為后端的感知算法執(zhí)行“硬件層面的數(shù)據(jù)預(yù)處理”。高質(zhì)量、高密度的原始點云降低了算法進行邏輯推理和猜測的難度（相關(guān)閱讀：為什么高線束激光雷達反而更省算力？）。

對于僅依賴二維攝像頭的方案，系統(tǒng)必須消耗大量的算力資源來運行復(fù)雜的深度神經(jīng)網(wǎng)絡(luò)（如Transformer架構(gòu)），從二維像素的紋理、陰影和遮擋關(guān)系中“反推”三維深度信息。這一過程不僅計算量巨大，且在光線劇烈變化或物體特征不明顯的長尾場景下極易出錯（相關(guān)閱讀：自動駕駛攝像頭像素如何影響算力？）。

高線束激光雷達提供的是物理上準確的三維坐標。對于后端算法而言，點云越密集，物體的輪廓就越接近真實物理形態(tài)，算法不再需要耗費大量的算力去猜測物體的距離、速度或尺寸。

通過簡單的幾何聚類（Clustering）和分割（Segmentation），感知系統(tǒng)就能以極高的置信度鎖定障礙物位置。在某種程度上，高線束激光雷達是用硬件的昂貴和數(shù)據(jù)的稠密，換取了感知邏輯的極大簡化。

圖片源自：網(wǎng)絡(luò)

這種“硬件換算法”的策略，在處理如路口穿行的行人、亂穿馬路的非機動車等復(fù)雜動態(tài)場景時，能夠顯著縮短系統(tǒng)的反應(yīng)時延。

當然，線束越高也并不是越好。以512線激光雷達為例，其每秒產(chǎn)生的點云數(shù)量在1000萬點以上，某些高頻型號甚至能達到2000萬級。如此海量的數(shù)據(jù)流如果直接涌入主控芯片，會對車載以太網(wǎng)的帶寬和算力儲備產(chǎn)生巨大壓力。如果處理不當，海量點云的預(yù)處理、聚類和語義分割任務(wù)會導(dǎo)致處理時延超過100毫秒的閉環(huán)底線，反而會引發(fā)安全風險。

因此，高線束雷達一般會集成專門的ASIC（專用集成電路）或FPGA進行邊緣計算，在雷達內(nèi)部完成初步的數(shù)據(jù)清洗、噪點過濾和特征提取，僅輸出對決策有價值的結(jié)構(gòu)化數(shù)據(jù)。

ROI動態(tài)感知與“凝視”模式的智能化應(yīng)用

隨著技術(shù)的進一步發(fā)展，行業(yè)內(nèi)意識到單純追求物理線束的均勻排布存在邊際效應(yīng)遞減的問題。為了更高效地分配有限的帶寬和算力資源，ROI（感興趣區(qū)域）動態(tài)感知分配的技術(shù)應(yīng)運而生。

這是一種模仿人類視覺特征的技術(shù)，人的眼睛雖然有較寬的余光，但只有視野中心的區(qū)域（黃斑區(qū)）能夠看清細節(jié)。在自動駕駛中，車輛在高速行駛時，大部分關(guān)鍵信息其實集中在前方的狹長區(qū)域內(nèi)，而天空或路面?zhèn)群蟮男畔?yōu)先級相對較低。

圖片源自：網(wǎng)絡(luò)

高線束激光雷達通過算法實時控制內(nèi)部的掃描機構(gòu)（如MEMS微振鏡或電子掃描陣列），可以在不改變物理總線束的前提下，動態(tài)調(diào)整線束的分布密度。在“凝視”模式下，雷達會將大部分掃描線集中在垂直視場角的正中央，使得局部的垂直角分辨率瞬間提升4到5倍。

這種動態(tài)分配資源的思路，不僅解決了遠距離探測的分辨率問題，還規(guī)避了全量數(shù)據(jù)傳輸帶來的總線壓力。

最后的話

高線束激光雷達的使用，實質(zhì)上是為自動駕駛系統(tǒng)提供了一種具備“幾何確定性”的高質(zhì)量感知底座。隨著感知算法逐步向端到端（End-to-End）模型演進，高線束激光雷達產(chǎn)生的稠密點云將不僅用于簡單的目標檢測，更將成為多模態(tài)大模型理解物理世界深層邏輯的重要輸入。

-- END --