激光雷达的“软”实力竞赛

“你可以让10家不同的汽车制造商来测试你的硬件，但如果没有软件方面的能力，就永远无法投入量产。”这句话，来自激光雷达公司Luminar首席执行官Austin Russell的最新表态。

这家去年底通过美股SPAC方式上市的激光雷达公司，目前市值约80亿美金，距离股价最高点，市值已经腰斩过半。不过，该公司市值仍是Velodyne的约4倍。

这得益于其在手的数个前装量产订单，包括沃尔沃汽车明年计划量产落地的L4级高速公路自动驾驶项目。不过，对于激光雷达公司来说，如今面临两个门槛：一是完成硬件产品从A样到D样的交付，这个时间至少需要2-3年；另一个门槛，就是软件。

根据Luminar与沃尔沃汽车旗下软件子公司Zenseact达成的协议，将在后者的决策软件堆栈基础上，将自主研发的激光雷达硬件和感知软件进行融合，从而提供一整套完整的自动驾驶解决方案。

一、激光雷达，不只是硬件

Iris是Luminar推出的首个可量产解决方案，这是一个全面的围绕激光雷达的软硬件架构，包括传感器融合、自动校准、目标检测及跟踪、分类和仿真等全栈软件。

客观来说，激光雷达和基于摄像头的感知系统之间的主要区别归结为准确性和算力成本之间的权衡。比如，视觉要实现激光雷达的精确度，就需要类似特斯拉那样增加神经网络加速器。

在Luminar公司看来，一个更有效的解决方案是基于激光雷达和摄像头的融合感知方案。比如，1到2个激光雷达与8个摄像头进行融合，来解决成本和计算方面的问题。

典型的落地方案，就是小鹏汽车P5的选择。

按照小鹏汽车披露的信息，双激光雷达组合为整车前方提供150°超宽点云视野，针对性解决中国特色工况，实现部分城市路况下自动导航辅助驾驶，激光雷达最远探测距离可达150米。

同时，激光雷达可以实现测距精度厘米级，角度分辨率达0.16°，空间分辨率更高；此外，感知不受环境光影响，行人、道路异物的检测能力也将全面提升。

而在一些行业人士看来，基于摄像头的视觉解决方案现在更多是一个数学问题，而不是成本问题。比如，更加优化的神经网络、庞大的道路行驶数据采集等等。

在小鹏汽车看来，激光雷达可以帮助突破现有自动驾驶融合感知的一些边界，把车辆的安全性做一个提升，更能适应国内道路的复杂性。

在这方面，同样得益于软件能力。比如，小鹏汽车内部有不少软件工程师岗位涉及多传感器融合算法，包括基于毫米波雷达稀疏点云的目标检测，激光雷达算法（包括感知，预测，定位和建图等）技术栈以及核心代码开发。

相对比，Luminar在这方面也是少有的在软件能力上重点布局的激光雷达公司之一，比如，该公司的软件工程VP，此前在博世、奔驰有长达8年的软件开发经验。

今年3月，Luminar宣布与上汽集团建立战略合作伙伴关系，并为其后续量产车提供完整的激光雷达硬件和Sentinel软件系统组件。

此外，按照Mobileye的技术策略，激光雷达以及毫米波雷达具备独立的自成体系的完整感知能力，可以在未来与纯视觉感知进行协同工作，这意味着，激光雷达公司的赛道将不仅仅是硬件比拼。

二、未来，即插即用？

事实上，对于激光雷达上车来说，最具挑战性的问题之一，是硬件和软件的协同工作。“成本分两块，显性成本是供应链可以解决的问题；而软件以及背后的验证测试才是最大的隐性成本”。

比如，软件涉及到如何提高响应速度、优化计算资源以及不断改进的对象分类和行为预测算法。实际上，在过去十年时间来，视觉感知也同样经历了类似的过程。

在velodyne公司首席执行官Anand Gopalan看来，在融合感知（后融合）的第一阶段，没有中央域控制器的算力支持，更多取决于不同传感器的能力发挥，在这个阶段，物理性能起到主要作用。

而进入域控架构时代，传感器融合（前融合）同样存在可信度较低的情况。普通的做法，就是继续开发中央决策软件来处理这些问题，但这种模式下，对于算力的消耗也是巨大的。

接下来，真正提高效率的做法，是在传感器边缘端实现智能化，并产生尽可能高保真的图像（即便还存在自身的物理定律的限制），这就要求传感器硬件供应商增加自身的软件开发能力。

在高工智能汽车研究院看来，未来激光雷达有机会实现即插即用的SLAM，激光雷达单元预装硬件和算法，通过相应的标准接口和协议与原有感知方案进行融合。

这意味着，主机厂的开发成本可以大幅下降。这个背后，实际上是对激光雷达公司更强的软件能力要求。比如，基于不同的处理芯片架构（GPU或者FPGA），在速度和能力方面还有很大的改进空间。

以速腾聚创自主研发的RS-LiDAR-Algorithms为例，这是一套基于3D LiDAR点云的人工智能感知算法，专门为自动驾驶环境感知开发，并在多个驾驶场景下得到全球多家合作伙伴的共同验证。

“客户希望我们交付的不是单纯用于感知的硬件，还希望它具备处理点云数据的能力，在雨雪等环境下能够智能检测出外部因素带来的风险并进行处置，这就对传感器的智能算法和辅助算法提出要求。” 速腾聚创研发副总裁筱原磊磊表示。

原因之一是，激光雷达输出的原始点云数据也存在Corner Case。

比如，在复杂交通驾驶场景中，存在诸如高反物体、近处障碍物、阳光照射、多雷达对射等极端工况，会给激光雷达点云质量带来极大的困扰。这种情况下，如果直接使后期算法容易产生误判，进而导致事故。

在速腾聚创公司看来，如何系统性识别并解决这些极端工况的困扰，非常考验激光雷达厂商产品性能的“上乘功夫”。

此外，对于激光雷达最终实现上车量产，还需要更多的配套能力。和其他已经相对成熟的传感器方案相比，激光雷达基本上是正向开发模式，需要经历一个功能定义、软硬件开发、软硬件测试迭代的完整流程。

以亮道智能为例，作为一家激光雷达系统供应商，其从感知测试验证切入，基于几年的激光雷达软件“开发+测试验证”闭环落地经验，在今年上海车展正式推出面向整车量产的激光雷达系统解决方案。

比如，支持客户完成感知功能与激光雷达性能需求分析，并协助设计传感器配置方案。同时，推出的一套支持量产开发的流程，可以与客户研发团队进行联合开发满足功能安全需求的感知算法。