最近，激光雷达的线束不断提升，激光雷达融合方案与纯视觉路线的争论“卷土重来”。不过，这次争论与以往的“小打小闹”有点不同，几位大佬加入进来、L3测试牌照已发放以及特斯拉的FSD想进入中国市场等因素叠加在一起，让人们更加关注背后的力量博弈。
10多年前，激光雷达技术引入自动驾驶领域之后，当时人们主要抱怨这项技术的成本太高了。如今，大家热议的是数据融合产生的互相干扰问题。记者采访相关领域数年时间，听到许多业内人士介绍说，早期机械旋转式激光雷达单价可达数万美元，即便固态激光雷达量产，成本仍高于摄像头和毫米波雷达。
经过汽车企业研发人员的不断努力，激光雷达的成本已大幅度下降。据了解，通过芯片化、固态化设计，激光雷达单价已从数万美元降至数百美元级别。速腾聚创、禾赛科技等国内厂商推出的车规级产品，甚至将价格压至千元人民币区间，为大规模量产铺平道路。
随着激光雷达的线束不断提升，激光雷达的性能也在不断提高。128线线激光雷达的普及，使探测距离突破300米，角分辨率提升至0.1°以内。配合多传感器融合算法，系统对静态障碍物的识别准确率已超过99.9%。196线在高端车型“上车”不久，后来者就突破了这个纪录。前不久，华为896线激光雷达上市，以“双光路架构+超高线数”为核心突破，实现了从“点云级”到“图像级”的感知质变。
激光雷达路线融合了多个传感器的数据，会产生数据干扰，这种批评声音在多个论坛现场出现。马斯克也曾公开批评激光雷达的融合路线，当激光雷达和摄像头同时感知环境时，两者数据可能出现不一致。例如，激光雷达可能识别出一个障碍物，而摄像头却没有；或者摄像头识别出一个障碍物，而激光雷达的测量数据与之不符。这种传感器信息的矛盾，并非“双保险”，反而会让系统“不知道信谁的”，增加了决策的模糊性与潜在风险。
激光雷达融合多个传感器数据，确实存在数据干扰的问题，随着技术进步，这个问题造成的短板也有所改善。
记者了解到，通过先进的数据融合算法，不同传感器的数据能够相互补充、协同工作，充分发挥各自的优势。例如，激光雷达可以精确测量物体与车辆之间的距离，构建三维环境模型；摄像头擅长语义理解，能识别物体类型、意图、交通信号等。两者融合后，系统既能准确感知周围环境，又能理解场景的语义信息，从而做出更合理的决策。此外，随着算力、算法和制造成本的同步进步，激光雷达与其他传感器的融合方案在处理复杂场景和极端天气条件下的能力也得到了显著提升。
多年前，记者参加智能驾驶论坛，听到多位演讲嘉宾提到纯视觉路线的短板主要有黑暗环境、雨天、雾天、沙尘暴天气，看不清楚前方道路与障碍物，对方强光也会致使短暂致盲等。这些短板问题，在如今的九游智能体育科技论坛上依然能够听到，但并没有听到或看到演讲嘉宾们给出明显的改善结果。
纯视觉方案高度依赖环境光，在全黑夜晚或光线不足的隧道中，摄像头信噪比急剧下降，导致细节丢失和噪点增加。尽管特斯拉等企业通过HDR合成技术、低照度CMOS传感器和红外补光灯等手段提升了夜间感知能力，但在极端黑暗环境下，安全性仍然不足。
记者曾看到嘉宾演示，在夜晚的公路上，前方车辆掉落轮胎，模拟实际道路情况，由于轮胎是黑色，与夜晚的背景色非常接近，纯视觉的传感器并没有捕捉到这种情况。模拟实验行驶速度并不快，如果在真实公路上，这将会有较严重的隐患。
雨天、雾天，在全国各地比较常见，沙尘暴在北方地区偶有发生。这些天气条件会改变光线的传播路径，导致摄像头捕捉的图像模糊不清。雨滴对光线的散射、雾气的米氏散射以及沙尘的遮挡，都会严重干扰纯视觉系统的感知能力。特斯拉曾经采用修正算法等手段弥补缺陷，但在能见度较低的情况下，纯视觉方案仍难以准确识别前方道路和障碍物。
我们在城市道路或者高速公路上，都怕对面车辆射来强光，纯视觉驾驶同样也怕强光。强光直射或逆光条件下，摄像头会出现眩光和溢出效应，导致图像大面积过曝和细节丢失。这种物理层面的干扰，使得纯视觉系统在强光环境下难以保持稳定的感知性能。
网上有大量的视频，车主吐槽对面强光照来，FSD失效，不仅对面驶来的车辆强光会让纯视觉短暂致盲，早晨、黄昏的阳九游智能体育科技光，如果对着光线驾驶，也会出现FSD退出的现象。但截至目前，纯视觉的“槽点”依然没有得到明显的改善，还是有很多新车主冒出来吐槽。
2024年1月17日，工业和信息化部、公安部、自然资源部、住房和城乡建设部、交通运输部五部门联合发布《关于开展智能网联汽车“车路云一体化”应用试点工作的通知》，确定了“车路云一体化”路线。
我国制定的智驾路线G等通信技术，将智能网联汽车（车）、智能化道路基础设施（路）与云控平台（云）深度融合，实现车、路、云三者间的数据实时交互与协同决策。该体系旨在扩展单车智能感知边界，提升自动驾驶安全性与交通运行效率，是推动高阶自动驾驶落地和智慧交通建设的关键路径。
车端需要配备多种传感器（如摄像头、雷达等）和智能驾驶系统，实现环境感知、决策规划和控制执行等功能。
路端部署激光雷达、摄像头、RSU通信单元等设备，全域采集路况、红绿灯、施工、事故、超视距障碍物等信息，并上传至云端平台。
云端作为数据处理和决策中心，接收路端和车端上传的数据，进行全局调度、路径规划和风险预判。同时，云端还负责向车端推送全局路况数据，弥补单车感知盲区。
从核心要素不难看出，纯视觉与“车路云一体化”的要求有一定差距。纯视觉路线通过模仿人类驾驶员的视觉感知方式，通过摄像头捕捉图像数据，利用深度学习算法进行环境感知和决策。它强调单车的自主决策能力，试图通过强大的算法和算力实现自动驾驶。
车路云一体化通过车、路、云的协同合作，实现更安全、更高效、更智能的交通管理和服务。它强调全局优化和协同决策，通过路侧感知设备和云端平台提供额外的信息支持，弥补单车感知的局限性。
我国已经确定了车路云一体化的方向，仍然有不少声音在支持纯视觉，这背后折射出博弈的力量，希望能够单开一局，从而绕开车路云一体化核心要素的束缚。
有汽车圈人士告诉记者，之所以会出现纯视觉博弈的现象，主要原因是车路云一体化还有一些挑战，挑战主要体现在三个方面。目前，汽车企业缺乏跨层整合能力，导致路侧数据与车端需求脱节，在一定程度上形成了技术割裂；车企与路侧厂商标准不统一，协作壁垒加剧；硬件部署和车端改造费用过高，车企考虑成本负担较重的心理因素也不容忽视。
