激光雷達(dá)(LiDAR)其實是一種主動式傳感器,通過發(fā)射激光束并接收其反射信號來感知周圍環(huán)境距離??梢园阉胂蟪珊诎抵杏瞄W光燈照物體并“聽”回聲定位,LiDAR發(fā)射光脈沖,然后記錄激光從發(fā)出到被障礙物反射回來的時間間隔(飛行時間)。因為光速已知,時間越長,距離越遠(yuǎn)。就像蝙蝠發(fā)出超聲波聽回聲定位一樣,LiDAR發(fā)射的是光波。當(dāng)前大多數(shù)車載LiDAR采用的“飛行時間法”(Time-of-Flight,ToF),也就是通過發(fā)射極短激光脈沖,測量脈沖返回所需時間即可算出距離。還有一種前沿技術(shù)是“調(diào)頻連續(xù)波”(FMCW),它通過不斷改變發(fā)射光的頻率,不僅能算距離,還能直接測出物體相對速度(類似警用雷達(dá)測車速的原理)。兩者各有優(yōu)缺點,ToF響應(yīng)速度快、精度高、應(yīng)用成熟;FMCW抗干擾性好、可測速度,但技術(shù)更復(fù)雜、成本更高。
為了“看”到360°的視野,LiDAR要用不同方式掃描周圍空間。目前的掃描方案主要分為機(jī)械旋轉(zhuǎn)式、混合式和純固態(tài)三大類。機(jī)械旋轉(zhuǎn)式LiDAR(如早期Velodyne產(chǎn)品)由電機(jī)帶動掃描單元旋轉(zhuǎn),實現(xiàn)全方位掃描,優(yōu)點是角度覆蓋全面,缺點則是體積大、重量重、壽命有限?;旌鲜?半固態(tài))LiDAR則只讓部分光學(xué)部件運動,通過小范圍移動的微鏡(如MEMS振鏡)或轉(zhuǎn)鏡,兼顧掃描速度與體積成本。純固態(tài)LiDAR則完全沒有活動部件,常見方案包括光學(xué)相控陣(OPA)和Flash(閃光)掃描,相控陣在單芯片上通過調(diào)節(jié)多束激光間的相位差來改變發(fā)射方向,無需機(jī)械運動;Flash則一次性發(fā)射一大片激光覆蓋探測區(qū)域,再通過接收陣列一次性“拍照”整個場景。純固態(tài)LiDAR內(nèi)部沒有任何運動部件,體積小、耐振性好,但目前技術(shù)要求高、尚在突破階段。
激光雷達(dá)發(fā)展歷程
激光雷達(dá)的應(yīng)用始于激光發(fā)明后的20世紀(jì)60年代,并很快被應(yīng)用于航空航天領(lǐng)域。70年代末的美國阿波羅15號月球任務(wù)就攜帶了激光高度計測距。然而直到80年代后期,LiDAR才開始在商業(yè)和科研領(lǐng)域普及,被應(yīng)用到飛機(jī)和衛(wèi)星對地形進(jìn)行3D掃描測繪等場景中。進(jìn)入21世紀(jì),隨著自動駕駛和機(jī)器人技術(shù)的興起,LiDAR進(jìn)入加速發(fā)展階段。2005年,Velodyne公司推出了首款64線機(jī)械旋轉(zhuǎn)式激光雷達(dá),用于DARPA自動駕駛競賽,其單臺重量高達(dá)13公斤、售價約8萬美元。雖然性能強(qiáng)勁,但如此高昂的成本和笨重的硬件也激發(fā)了業(yè)界對更小型固態(tài)LiDAR的需求。
2010年代可謂LiDAR技術(shù)的“戰(zhàn)國時代”。2016年美國CES展會上,美國Quanergy公司發(fā)布了固態(tài)LiDAR原型S3(宣傳成本僅200美元);兩年后中國的速騰聚創(chuàng)(RoboSense)推出了第一代半固態(tài)LiDAR M1,先后在Lucid Air和小鵬G9等車型上使用,并連續(xù)兩年獲得CES創(chuàng)新大獎。這一時期出現(xiàn)了大量初創(chuàng)公司,有的前景光明(如速騰聚創(chuàng))、有的因技術(shù)或資金問題黯然退場(如押注光學(xué)相控陣但量產(chǎn)受限的Quanergy)??傮w來看,這十年LiDAR技術(shù)路線百花齊放,MEMS振鏡、微型轉(zhuǎn)鏡、光學(xué)相控陣、Flash直發(fā)等等各領(lǐng)風(fēng)騷,但真正能量產(chǎn)落地的產(chǎn)品主要集中在成熟路線或過渡方案上。
進(jìn)入2020年代,自動駕駛商業(yè)化拉動了LiDAR需求暴增。據(jù)統(tǒng)計,自2018年以來全球已有約120款量產(chǎn)車型搭載了LiDAR。中國車企率先將LiDAR從高端擴(kuò)展到普通乘用車,推動2024年ADAS市場規(guī)模同比增長68%。最新預(yù)測顯示,2025年全球車規(guī)級LiDAR裝車量將突破300萬輛。中國廠商更是迅速崛起、批量化量產(chǎn),2024年12月禾賽科技單月交付量首次突破10萬臺;速騰聚創(chuàng)2023年第四季度出貨超過15萬臺,全年近25萬臺。市場研究報告指出,截至2024年,禾賽、速騰聚創(chuàng)、華為和圖達(dá)通等四家中國企業(yè)已經(jīng)控制了約88%的全球汽車級LiDAR市場份額。
激光雷達(dá)主要類型
按測距原理劃分:飛行時間法(ToF) vs調(diào)頻連續(xù)波(FMCW)
飛行時間法(ToF)是傳統(tǒng)方法,發(fā)射極短激光脈沖并測量來回時間,計算距離,精度高、實現(xiàn)簡單。調(diào)頻連續(xù)波(FMCW)則讓激光頻率線性變化,測量信號頻率偏移,直接算出距離和速度,類似警用雷達(dá)。目前車載LiDAR多采用ToF,部分系統(tǒng)在試驗FMCW以獲取更強(qiáng)抗干擾性及直接測速度的能力。
按掃描方式劃分:機(jī)械旋轉(zhuǎn)式vs 半固態(tài) vs 全固態(tài)
機(jī)械旋轉(zhuǎn)式LiDAR(如Velodyne早期產(chǎn)品)通過電機(jī)帶動裝置旋轉(zhuǎn),可360°掃描周圍,角度覆蓋廣;但體積和重量大、易磨損。半固態(tài)(混合式)LiDAR僅讓部分部件(如微型轉(zhuǎn)鏡或振鏡)移動,既能保持高速掃描又大幅減小體積和成本。全固態(tài)LiDAR沒有任何運動部件,通常采用MEMS微鏡、光學(xué)相控陣(OPA)或Flash一次性發(fā)射整個場景的方式。OPA在單芯片上通過調(diào)節(jié)多個激光發(fā)射元件的相位來變換光束方向;Flash LiDAR則像給整個區(qū)域打一次“閃光燈”,一次性捕捉環(huán)境信息。嚴(yán)格意義上只有OPA、Flash及其改進(jìn)版(二維可尋址閃光)才屬于全固態(tài)LiDAR。
按應(yīng)用場景劃分:短距/中距/長距LiDAR
短距LiDAR通常指探測距離幾十米、視場角寬廣,用于覆蓋車輛近距離盲區(qū);中距LiDAR探測百米級,用于城市環(huán)境感知;長距LiDAR探測數(shù)百米甚至更遠(yuǎn),常見于高速場景。不同設(shè)計通過激光功率、接收器靈敏度和鏡頭大小等因素來權(quán)衡探測距離和視場。隨著激光器和探測芯片進(jìn)步,這些分類在同一產(chǎn)品線中可以兼顧實現(xiàn),如一套LiDAR可通過多層垂直激光源同時實現(xiàn)中長距探測需求。
性能參數(shù)
探測距離
與激光功率和目標(biāo)反射率相關(guān),現(xiàn)代汽車級LiDAR在理想條件下的遠(yuǎn)距可超過300米。955nm波長LiDAR常見于ADAS,成本低但距離有限;1550nm波長則能在雨霧中穿透更好、最長測距可達(dá)300米以上,但成本更高。
視場角(FOV)
旋轉(zhuǎn)LiDAR可實現(xiàn)360°水平視角,垂直視角通常在30°~60°,視具體設(shè)計而定。全固態(tài)LiDAR由于無機(jī)械旋轉(zhuǎn),水平視角可設(shè)計為不連續(xù)的狹窄角度,多數(shù)覆蓋正前方較寬的范圍,用于前向感知。
角度分辨率與線數(shù)
水平角度分辨率受掃描頻率影響,可以達(dá)到0.01°級;垂直分辨率取決于激光線數(shù),常見16、32、64、128、192甚至更多線。線數(shù)越多,豎直方向的點云密度越高,能夠采集更細(xì)膩的三維細(xì)節(jié)。
點云率
指單位時間內(nèi)采集的點數(shù)量,現(xiàn)代LiDAR點云輸出可達(dá)千萬級點/秒。這一指標(biāo)綜合了線數(shù)、旋轉(zhuǎn)速率等,直接關(guān)系到掃描更新率和環(huán)境重建精度。最新一代LiDAR分辨率高就可以達(dá)2,400萬點/秒,極大提升了車輛對移動物體和復(fù)雜環(huán)境的感知能力。
測距精度
典型汽車LiDAR的距離精度可達(dá)厘米級(誤差幾厘米),這遠(yuǎn)優(yōu)于視覺攝像頭,滿足安全預(yù)警所需。精度主要受激光脈沖寬度和時鐘分辨率影響。
其它參數(shù)
包括激光安全等級(多為Class1級別,完全對人體安全)、功耗、壽命等。機(jī)械式LiDAR壽命通常數(shù)千小時,而固態(tài)LiDAR可達(dá)上萬甚至十萬小時。
激光雷達(dá)在自動駕駛與具身智能領(lǐng)域的應(yīng)用
激光雷達(dá)在自動駕駛和智能機(jī)器人領(lǐng)域具有不可替代的價值。它可生成高精度的3D點云,用來識別障礙物、行人、道路標(biāo)志等,并為路徑規(guī)劃提供基礎(chǔ)數(shù)據(jù)。在高級駕駛輔助(ADAS)系統(tǒng)中,LiDAR常用于自動緊急制動(AEB)、前向碰撞預(yù)警(FCW)、自適應(yīng)巡航(ACC)等功能,實現(xiàn)精準(zhǔn)的距離監(jiān)測和緩速減速。自2018年以來全球已有約120款量產(chǎn)車型搭載了LiDAR。特別是近年來中國廠商擴(kuò)大了LiDAR在乘用車市場的應(yīng)用范圍,帶動2024年ADAS領(lǐng)域LiDAR出貨量同比增長68%。
在完全自動駕駛(Robotaxi)中,LiDAR更是核心傳感器之一。由于其不受光照條件限制(夜間性能不變)且能實時提供高分辨率的立體場景,許多自動駕駛公司(如Waymo、百度Apollo)都在自動駕駛測試車上配備了多個LiDAR。業(yè)內(nèi)普遍認(rèn)為,要實現(xiàn)在城市復(fù)雜路況下的高階自動駕駛,車輛往往需要布置多部LiDAR來覆蓋全方位環(huán)境。
自動駕駛測試車配備了旋轉(zhuǎn)激光雷達(dá)(頂部白色圓柱形)和攝像頭。LiDAR生成的高密度點云幫助車輛“看”清前方和周圍障礙物,實現(xiàn)全局環(huán)境感知
具身智能技術(shù)的快速發(fā)展,則讓激光雷達(dá)需求更為火熱。許多服務(wù)機(jī)器人、物流搬運機(jī)器人、清潔機(jī)器人(如掃地機(jī)器人)都采用LiDAR進(jìn)行環(huán)境掃描和定位(SLAM),確保安全高效導(dǎo)航。速騰聚創(chuàng)指出,其產(chǎn)品已服務(wù)2800多家機(jī)器人客戶,用在無人機(jī)航測、自動倉儲、安防巡檢等場景。隨著成本持續(xù)下降和批量產(chǎn)能提升,LiDAR正從豪華車選裝品向大眾市場邁進(jìn)。未來,LiDAR將與攝像頭和毫米波雷達(dá)一起構(gòu)建多傳感器融合系統(tǒng),通過數(shù)據(jù)深度學(xué)習(xí)提升感知能力,并擴(kuò)展到更多應(yīng)用場景如智慧城市、無人機(jī)測繪、自動化農(nóng)業(yè)等。
中國主要激光雷達(dá)廠商發(fā)展概況
禾賽科技(Hesai)
成立于2014年,總部上海,是國內(nèi)最早一批進(jìn)入車載LiDAR領(lǐng)域的企業(yè)。2023年2月,禾賽在美國納斯達(dá)克上市,成為“中國激光雷達(dá)第一股” 。公司產(chǎn)品線覆蓋短中長距離LiDAR,廣泛應(yīng)用于ADAS和自動駕駛汽車。根據(jù)招股書數(shù)據(jù)顯示,禾賽2019-2021年LiDAR出貨分別為0.29萬、0.42萬和1.4萬臺;2022年其推出半固態(tài)AT128和補(bǔ)盲F系列后,全年銷量猛增到8.04萬臺。2024年12月,禾賽單月交付量再次破10萬臺,成為全球首個月交付超過10萬臺的車載LiDAR公司。禾賽與20多家國內(nèi)外整車廠深度合作(包括比亞迪、理想等),產(chǎn)品已定點數(shù)十款智能車型。值得一提的是,禾賽積極拓展海外市場,與奔馳、寶馬等國際車廠也有合作。
速騰聚創(chuàng)(RoboSense)
2014年成立于深圳,以激光雷達(dá)和機(jī)器人感知技術(shù)為核心。公司官網(wǎng)稱,速騰聚創(chuàng)已成為全球LiDAR市場占有率第一的企業(yè),累計為2800多家機(jī)器人及相關(guān)產(chǎn)業(yè)客戶和310多家整車廠提供傳感器和解決方案。2024年1月5日,速騰聚創(chuàng)在香港交易所主板成功上市,股票代碼2498.HK。速騰聚創(chuàng)產(chǎn)品覆蓋短距到長距,如機(jī)械旋轉(zhuǎn)型M系列(M1/M2/MX等)和全固態(tài)E系列(E1/E2等)。公司2023年下半年業(yè)務(wù)爆發(fā):2023年10月單月銷量首次突破3萬臺,第四季度累銷超過15萬臺,全年銷量近25萬臺。速騰聚創(chuàng)還自研了車規(guī)級LiDAR專用SoC芯片和大面陣探測芯片,用于其全固態(tài)產(chǎn)品線,代表國產(chǎn)進(jìn)步。
總的來看,中國廠商在激光雷達(dá)領(lǐng)域迅速崛起,已占據(jù)全球龍頭地位。據(jù)市場分析,截至2024年,速騰聚創(chuàng)、華為、禾賽科技、圖達(dá)通等四家中國廠商合計控制了約88%的全球車載LiDAR市場。隨著量產(chǎn)規(guī)模擴(kuò)大、成本下降,中國LiDAR企業(yè)的優(yōu)勢將愈發(fā)明顯。未來幾年,預(yù)計智能汽車將標(biāo)配LiDAR,行業(yè)進(jìn)入“批量生產(chǎn)時代”,相關(guān)技術(shù)也將不斷優(yōu)化升級,為自動駕駛和智能機(jī)器人開辟更廣闊的應(yīng)用前景。