激光雷達車型助力實現更全面的智能駕駛

隨著城市輔助駕駛大規模落地，激光雷達車型由于能實現更全面的智能駕駛而備受關注。比如，理想汽車前不久宣布在北京和上海開啟「城市 NOA」內測，下半年將開放全國都可用的「通勤 NOA」，媒體和用戶試駕已啟動。

使用這兩項 NOA 導航輔助駕駛有一個共同的要求，就是需購買搭載激光雷達的 MAX 版本車型。這枚來自禾賽的超高清遠距激光雷達 AT128，內部集成 128 個激光器，實時為車輛感知每秒 153 萬點的 3D 空間數據，全局分辨率高達 1200 x 128，可實時探測 200 米遠處的障礙物。

理想汽車 MAX 版配備了禾賽 AT128 超高清遠距激光雷達

更安全更智能

激光雷達加持下的城市 NOA 表現搶眼

在理想汽車開放媒體試駕期間，搭載激光雷達的 MAX 版車型面對北京望京“地獄級路況”，依然游刃有余，儼然一名高分“AI 司機”。多家媒體給出了“車輛對安全的邊界把控非常好”、“城市 & 通勤 NOA 讓消費者對高配車型接受度大大提高”的評價。

從 42 號車庫公開實測視頻1來看，理想城市 NOA 在以下場景表現尤為優異：

01

黑暗隧道中的行人

即使是在黑暗的隧道中身穿黑色上衣的行人，車輛都能精準識別，成功實現了避讓。

02

超遠距感知靜止作業車

在超遠距離下對靜止作業車做出了識別，為車輛留出了足夠的處理時間，從容地進行了提前變道避讓。

總之，城市交通的復雜性確實對車輛的感知能力提出了更高要求，因此為了覆蓋更廣泛的行車場景，不同傳感器相互融合補充的必要性顯得尤為重要。

理想汽車 AD MAX 采用了多傳感器融合感知2

事實上，理想汽車采用的增強版動態 BEV 大模型融合算法，在傳統純視覺 BEV 的基礎上，進一步融合了激光雷達數據，將安全提升了一個數量級。具體而言，就是“視力”更好，暗光、強光環境下，駕駛更安全；“反應”更快，跟車更精準，操作更平穩。

理想汽車自研的動態 BEV 模型融合了圖像和激光雷達點云3

很多人疑惑，為什么目前只有帶激光雷達的高配車型才能使用城市導航輔助駕駛功能，激光雷達到底可以為智能駕駛帶來哪些功能，如何保障行車安全、提升智駕體驗，這些都成為了大家非常關心的問題。

今天，我們就來聊一聊激光雷達在城市輔助駕駛中的作用。

挑戰“地獄級”路況

感知必須「更精準更立體」

城市導航輔助駕駛，雖然各廠商叫法不同，但本質都是讓車輛在路況復雜的城區中，實現“點到點”的輔助駕駛。汽車將在駕駛員的“監督”下，像人一樣依照地圖導航的路線行駛，實時感知城區的車道線、障礙物、信號燈，實現自主行駛、剎車、變道、轉彎、繞行避讓等動作，最終到達目的地，可以說是相當智能的一名“AI 司機”。

城市路況行駛最大的挑戰在于其復雜性和不確定性，比如人車不分流、車道不清晰、紅綠燈種類繁雜、無保護左轉、遇前方事故、鬼探頭、遇違停占道等等。而在夜晚，還要面臨光線不足帶來的能見度降低，高頻出現的車燈眩光。因此，“AI 司機”如何才能穩定地“看清”周圍路況，成為了首先要解決的難題。

理想汽車媒體內測試駕城市路況4

暗光、強光、異形障礙物

激光雷達全不在話下

夜間行駛燈光不足視野差、對面車開遠光燈，白天進出隧道光線強度突變等情況，都會對攝像頭帶來挑戰。但對于主動發光的激光雷達來說，外界光線無論怎么變，都不會影響其感知成像，能幫助城市導航輔助駕駛、AEB 等主動安全功能做出更穩定的決策。

激光雷達在夜間逆光時仍然穩定感知路況，

遠處行人清晰可見5

激光雷達在暗光下的感知效果

還有一種情況是「異形障礙物」，在算法里也被歸為「一般障礙物」，指事先未經算法訓練過的物體，往往是道路上不常見的交通參與者，比如一輛橫著側翻的大貨車、某種不常見的動物、形狀特別的異型車、異形施工道路等等?！府愋握系K物」的檢測跟蹤對于 AEB 主動安全、城市導航輔助駕駛的避障非常重要。

有了激光雷達，只要有障礙物，就能形成點云數據，并不依賴對物體的歸類，也就是說只要前方障礙物形成點云，即使不屬于任何已知類別的物體，車輛也可以及時感知從而停下或避開。

由此，所有障礙物「占用」的物理空間就都能被確定，算法通過排除被占用的不可行駛區域，從而推斷出「可行駛區域」，讓車輛在執行層面得以安全行駛。

激光雷達能穩定感知算法未見過的異形障礙物

算法實測

激光雷達對安全性提升巨大

感知算法的一個重要任務是進行「語義目標檢測跟蹤」，即「檢測」到各類目標準確的三維位置、尺寸和姿態，并進行「跟蹤」。算法會把障礙物提前分為不同的類別，根據先驗知識預測它們的行駛路徑和意圖。例如一輛車和一個人的速度區間顯然不同。

做好語義目標檢測跟蹤，對于城市 NOA，以及AEB、AES、FCW 主動安全功能非常重要。

評價「目標檢測」有一個重要指標是「平均精準度」 mAP （mean Average Precison），用來評估感知算法對目標位置、尺寸、姿態的檢測水平。

行業權威數據集 Nuscenes 感知算法評測6顯示，使用激光雷達的算法，mAP 數值相比純視覺有明顯提升。其中激光雷達+攝像頭的組合方案分數相比純視覺算法的數值平均從 57% 提升至 73%，表現最好的達到了 77%。

nuScenes 數據集 2023 年以來公開挑戰賽成績6

同樣，基于「目標跟蹤」任務的「平均多目標跟蹤精度」AMOTA (Average Multi Object Tracking Accuracy) 評價數值，在加入激光雷達之后，算法的平均跟蹤精度也從 56% 提升到了 75%。

nuScenes 數據集 2023 年以來公開挑戰賽成績6

從數據集實測結果來看，無論是目標檢測，還是目標跟蹤，激光雷達和攝像頭組合方案的精度都是最佳的，其次是純激光雷達方案，以及純攝像頭方案。

激光雷達感知算法具有非常好的目標檢測跟蹤效果

看準「地面」

激光雷達的拿手好戲

對于汽車而言，世界可以分為地面和物體兩大類，地面用來行駛，物體按照離地高度采取避開或通行的決策。例如，遇到高高懸空的物體可以安全通行，如紅綠燈、指示牌等。因此算法需要準確檢測地面，才能獲取物體相對地面的高度，判斷需要避開障礙物，還是可以繼續通行。能否精準進行「地面檢測」，對于 AEB （自動緊急剎車）、ACC（自適應巡航）、全場景導航輔助駕駛都非常重要。

對于地面的檢測，其他傳感器主要存在的問題有：檢測精度差，能檢測到的地面距離太近，或者根本無法區分地面和高空中物體，這可能會導致不必要剎車，影響行車舒適性，如果導致高速上剎車則更是增加危險。更不用說在上下坡道路、大曲率彎道這些本來地面檢測難度就極大的路況了。

作為自動駕駛汽車中用于感知位置最精確的傳感器，激光雷達基于三維坐標，能精確到厘米級別為算法提供地面和物體的相對位置，哪些是障礙物，哪些是不會影響行駛的物體，在激光雷達的世界里一目了然。

基于激光雷達進行精準的「地面檢測」

與此同時，地面上的各種凹陷和凸起，如果車速過快，會非常影響乘車體驗舒適性，甚至有安全隱患。激光雷達可基于探測到的地面高度落差，在車輛快要經過這些凹凸不平，幫助避開或盡早減速，幫助汽車獲得更好的駕乘體驗。

識別「車道線」「路沿」

激光雷達讓算法更得心應手

對于 LKA 車道保持、ALW 自動變道等功能，汽車需要對于車道線進行正確的識別，從而遵守道路規范行駛在“正確的道路結構”中。但在上下坡、大曲率彎道處，基于單一傳感器進行車道線的擬合難度較大，檢測結果容易變形、閃爍。

除了坐標，激光雷達還能輸出反射率，涂有反光涂層的車道線反射率會更高，算法可以提取特征把車道線識別出來，從而為車輛提供更精準的「語義地圖」。

基于激光雷達的感知算法在上坡、彎道場景

依然穩定識別車道線

路沿也是「語義地圖」的重要組成，高出地面的路沿往往只有十幾厘米高，對于精度不高的傳感器非常困難，有了精度 ±2 cm 激光雷達，準確的高度信息能讓路沿檢測更加高效。

越來越「香」的激光雷達車型

作為一個可以幫你開車的“機器人”，智能汽車做任何決策需要建立在「精準感知」的基礎上，激光雷達憑借「真三維」「高精度」的優勢，成為增強感知的利器，幫助車輛擁有復雜路況與密集交通下更快更穩的主動應變能力。

從落地應用的 ADAS 功能來看，無論是 AEB（自動緊急剎車）、AES（自動緊急轉向）、FCW（前向碰撞預警）這樣的主動安全功能，還是開始大規模落地的 ACC（自適應巡航）、LKA（車道保持）、ALC（自動變道）、全場景導航輔助駕駛，激光雷達在感知算法中的參與度越來越高，汽車也因此獲得了更好的智能駕駛體驗。

可以預見，隨著高階輔助駕駛的不斷升級，配備激光雷達版本的高配車型也將越來越“香”。