其他品牌在堆料，為什么就特斯拉喜歡減配？

靠8個攝像頭，特斯拉憑什么搞自動駕駛？

馬斯克炮轟的激光雷達到底什么角色？

有這樣的疑問是出于最近的一條新聞：“特斯拉宣布從10月開始歐洲、北美、中東地區(qū)交付的Model 3、Model Y，將取消超聲波雷達，隨后將推及到全球范圍，Model S和Model X也將在2023年一并取消超聲波雷達?！?/p>

要知道特斯拉的自動駕駛方案在最初還使用著1顆攝像頭+1顆毫米波雷達+12顆超聲波雷達的組合，隨著特斯拉AI算法和自研的FSD芯片不斷精進后。..。..

馬斯克覺得他行了。

他炮轟激光雷達，用“闌尾”形容激光雷達在車上的作用，用“foolish”形容那些使用激光雷達的人們，包括與小鵬汽車創(chuàng)始人何小鵬在推特上互嗆。他對雷達家族的深惡痛絕，仿佛有種“錯的不是我，而是這個世界”的感覺。

之所以有這樣的感覺，是因為特斯拉這幾年的動作完全“不合群”。別的車企，特別是那些造車新勢力瘋狂“上價值”，恨不得車上塞滿傳感器。而特斯拉在給汽車“減負”，去年5月特斯拉宣布砍掉毫米波雷達，現(xiàn)在又把超聲波雷達砍了，至于激光雷達，如果從量產(chǎn)車層面上看，它沒出現(xiàn)過，而在測試車輛上，它也就曇花一現(xiàn)。

在自動駕駛方案上，從此有了向左向右的問題，特斯拉一路向北，離開了有雷達的季節(jié)。..。..

此時壓力來到了那8顆攝像頭上。..。..

別人眼里的激光雷達

首先了解下激光雷達的工作原理，它本質(zhì)是向目標發(fā)射激光束，然后激光束碰到目標物后會反彈或是散射，返回的光波會進入激光雷達的接收器中，因為光脈沖是以光速傳播，所以速度是已知的，繼而可以將光波發(fā)射的一個來回的時間換算成距離。

這只是測距。當然一個激光束是沒有用的，就像我們在漆黑一片的環(huán)境中行走，肯定會需要一個手電筒吧，太小不頂用，太大拿不動。

激光雷達也是這樣，激光束發(fā)射的頻率可以從每秒幾個脈沖到每秒幾萬個脈沖，不斷地掃描物體，就可以得到物體上所有目標點的數(shù)據(jù)，經(jīng)過數(shù)據(jù)處理后，就可以得到精準的3D圖像。

那么問題來了，開車上路，上下前后左右都會有突發(fā)狀況或是障礙物，激光束只會朝一個方向射出，怎么一下子識別四周呢？

跟你拿手電筒左右來回照一個做法，那就是讓激光雷達轉(zhuǎn)圈圈~ 你可以想象成一個渾身插滿燈泡的陀螺。

就像這樣。..。..

這就是機械式激光雷達，靠電機帶動旋轉(zhuǎn)使激光束可以360度全方位掃描。目前市面上的雷達類型多按掃描方式進行區(qū)分，按照掃描方式有無機械轉(zhuǎn)動部件可分為機械旋轉(zhuǎn)、混合固態(tài)、純固態(tài)三種。整體發(fā)展趨勢從機械式向純固態(tài)演變。

但是如果只靠單線束激光，再怎么旋轉(zhuǎn)也只能掃一個平面，不能測量物體的高度，所以并不適用開車這么復雜的應(yīng)用場景。因此除了掃描方式外，線束的多少也決定了成像的精細度。所謂單線雷達就是只有一個激光發(fā)射器和接收器，多線雷達就是在垂直方向上有多套收發(fā)裝置，目前市面上多見的多線雷達有32線、64線、96線、128線等。

這樣一堆光波打在不同物體的表面后所形成的畫面如下：

是不是有一種看素描畫的感覺？雖然成像不太好看，但是給自動駕駛提供了一個立體的世界，可以幫助算法更好地識別周遭的環(huán)境。

沒有對比就沒有傷害，要清楚認識到激光雷達的重要性，還要對比下毫米波和超聲波雷達。

毫米波雷達的探測距離短，受到頻段損耗的影響，也無法感知行人，而且對障礙物無法精準建模，特別是高處物體和小型物體，但勝在穿透性和抗干擾能力強，因此主要用于防撞。

超聲波雷達相當于毫米波雷達再減配，探測距離很短，方向性差，還受制于聲波傳輸速度，優(yōu)點可能就是便宜，所以你看那些車企一用就是十幾顆，它主要應(yīng)用在低速泊車等短距離場景。

由此看來，完整的一套多傳感器融合的自動駕駛感知方案，就是激光雷達構(gòu)建3D世界，然后攝像頭豐富色彩、輪廓、紋理等細節(jié)信息，其余那兩顆雷達幫忙打下手，所以激光雷達是必不可少的C位角色。

特斯拉眼里的激光雷達

特斯拉所恪守的信條，其中之一肯定有成本，從特斯拉的供應(yīng)鏈策略里就能看出端倪。

簡單來說，特斯拉的供應(yīng)鏈策略就是一手抓（一體化）和就地取材（本土化）。以電池供應(yīng)為例，特斯拉在上游原材料領(lǐng)域持續(xù)發(fā)光發(fā)熱，與各地企業(yè)簽署了供應(yīng)協(xié)議。又以特斯拉上海工廠為例，在特斯拉上海廠運營一段時間后，寧德時代成為特斯拉上海的獨家供應(yīng)商，其他諸如結(jié)構(gòu)件、座椅支架、連接件等已經(jīng)國產(chǎn)化。

特斯拉上海廠支撐了很大一部分產(chǎn)能，同時也為特斯拉降低了一大筆成本。上海廠生產(chǎn)Model 3車型的單位成本較美國工廠下降65%。

特斯拉這樣做都是為了降低運輸成本，提高生產(chǎn)效率。除了供應(yīng)鏈策略外，特斯拉還采用新技術(shù)來降低成本。例如，特斯拉在2020年推出的4680電池，在電池組層面每千瓦時成本降低14%。2021年，特斯拉展示了一體式底盤電池包，這種一體化壓鑄車身，減重10%，減少370個車身零部件。

在毫米波雷達和超聲波雷達由于性能上的薄弱，已經(jīng)開始拖后腿時，特斯拉自然可以以成本為由，把它們給炒了。根據(jù) Munro Live 在油管上的一則視頻分析，特斯拉通過移除超聲波傳感器，估計每輛車可節(jié)省成本114美元（約817元人民幣）。

而激光雷達早期多用于軍事、工業(yè)領(lǐng)域，轉(zhuǎn)用民用領(lǐng)域，首先面臨的問題就是成本?，F(xiàn)在，一顆高性能的激光雷達的價格可至上萬元，而Velodyne的64線激光雷達售價高達數(shù)萬美元，但一顆高清攝像頭的價格就幾百元。

這么高昂的成本是摳摳搜搜的特斯拉所不能接受的，但成本也僅能作為一個通用理由。

將雷達家族除名，是特斯拉所遵循的“第一性原理”在自動駕駛方案上的寫照。第一性原理指的是回歸事物最基本的條件將其拆分成各要素，進行結(jié)構(gòu)分析，從而找到實現(xiàn)目標最優(yōu)路徑的方法。

在自動駕駛方面，馬斯克認為人可以靠視覺來駕駛汽車，那么車僅依靠攝像頭也可以。唯一需要做的，就是找到如何提取攝像頭所獲取的信息，并利用這部分信息來訓練算法模型。

馬斯克這個耿直boy認為可以，它就一定是可以。就像當年馬斯克堅持走自動化生產(chǎn)工廠，差點讓Model 3難產(chǎn)至死，從“生產(chǎn)地獄”爬出來后，馬斯克選擇了妥協(xié)。

而這一次，馬斯克不需要妥協(xié)，因為特斯拉的算法和軟件功力。

特斯拉的底氣是硬件嗎？

很顯然是。因為8顆攝像頭背后是特斯拉自研的FSD自動駕駛芯片和DOJO超算。

2019年，特斯拉推出了自研的自動駕駛芯片F(xiàn)SD，在此之前特斯拉使用過MobileEye和英偉達的計算平臺。相較于上一代自動駕駛平臺，F(xiàn)SD芯片將算力提升至144TOPS，可以每秒處理10億像素的圖像信息。

2021年，特斯拉再度推出自研的AI芯片D1，用來訓練超算DOJO。DOJO可以利用特斯拉海量的視頻數(shù)據(jù)，來做無人標注和訓練，能夠自動學習和識別標記道路上的一切要素。今年AI Day上，特斯拉宣布，由D1芯片組成的高達1.1E算力的超算系統(tǒng)EXA POD將于明年一季度正式量產(chǎn)，屆時DOJO相比英偉達A100，可以達到最高4.4倍的單芯片訓練速度，而訓練延遲相比同等規(guī)模的GPU，最低可至1/50。

簡單來說，特斯拉給AI提供了學習課本還不說，連自習室都準備好了，而且這學習資料和自習室的規(guī)模和裝修程度愈發(fā)豪華，剩下的就交給AI自己了。

但特斯拉的底氣也不只是硬件。有了硬件的支撐，特斯拉擁有的海量數(shù)據(jù)和AI算法、模型，才是與其他車企拉開身位的地方。

特斯拉從2016年10月開始推出FSD（Full-Self Driving）自動駕駛套件，其選裝價格已經(jīng)一路上漲至1萬美元。今年AI Day上，特斯拉宣布過去一年，有2000輛車參與了FSD Beta的測試，而目前這個數(shù)量已來到16萬。特斯拉介紹，得益于DOJO超算，特斯拉去年訓練了7.5萬個神經(jīng)網(wǎng)絡(luò)模型，相當于8分鐘訓練一個，推送了35個更新，現(xiàn)階段，F(xiàn)SD Beta已經(jīng)可以在一定程度上實現(xiàn)完全自動駕駛。

每天在路上飛馳的特斯拉，已經(jīng)提供了超14.4億幀的視頻數(shù)據(jù)，視頻緩存達30PB，需要超過10萬個GPU訓練小時。

有了海量的數(shù)據(jù)，問題來到了算法和模型。

特斯拉在今年CVPR上發(fā)布了全新的算法，名為Occupancy Networks，用來改進AI模型HydraNets。

這個算法也是為了彌補缺少激光雷達所帶來的問題。

我們知道計算機視覺提供的是2D圖像，而現(xiàn)實世界是3D的，這就造就了很多識別上的問題。比如如何看到被遮擋的物體？計算機視覺中的模型都是以規(guī)整矩形來輸出，但很多物體形狀不規(guī)則，碰上那些奇形怪狀的物體該如何識別？沒有在數(shù)據(jù)庫中出現(xiàn)的物體突然出現(xiàn)在眼前又該如何識別？

以上這些問題，引入激光雷達是正解，因為它能構(gòu)建3D傳感，來彌補2D感知上的失效，至少這是行業(yè)大部分企業(yè)所認同的。

那Occupancy Networks是如何解決的呢？

它把檢測識別這個概念變成了“占用”，簡單來說這個算法把世界切成了無數(shù)個小方格。

就像“我的世界”這款游戲一樣，如下圖：

它判斷這些小方格里面有沒有東西，有就代表占用，沒有就是空白，這樣先解決了那些不規(guī)則輪廓的識別問題。

這些小方格共同構(gòu)建了一個3D體積，也形成了一張3D的鳥瞰圖。

然后特斯拉將這些3D體積通過訓練出來的3D重建場景進行比對，最終還原了攝像頭所看到的現(xiàn)實世界，如下圖：

看著是不是和激光雷達掃出來的世界差不多？

當然特斯拉的絕活還不止這些，什么自動標注工具，車道線網(wǎng)絡(luò)等等都是為了讓純視覺自動駕駛成真而努力。

毫米波和超聲波雷達本身的作用是測距和測速，現(xiàn)在特斯拉的算法和模型已經(jīng)直指激光雷達的作用了，雷達家族被砍也就不足為奇了。

向左向右？

激光雷達的先鋒，LBEO申請破產(chǎn)，推崇固態(tài)激光雷達的Ouster股價跌破一美元，馬斯克對激光雷達的評論說對了？

那也未必，特斯拉與其他車企最大的區(qū)別還是其AI算法和軟件研發(fā)能力。對于特斯拉而言，如果軟件buff足夠強大，數(shù)據(jù)足夠多，那么硬件上就可以做到足夠的cost down，何樂而不為呢？

而其他算法能力還沒那么強的公司，現(xiàn)階段除了激光雷達外沒有其他選擇。多傳感器融合是能極大提升感知的精確性，也就提升了安全性。車是與生命安全強相關(guān)的產(chǎn)品，而安全是要做加法的，在安全面前，解決哪怕0.1個百分點的錯誤也比討論價值更有意義。

無論是多傳感器融合還是單兵作戰(zhàn)，作為環(huán)境感知，傳感器的功能無外乎相當于人的視覺。但人類在駕駛途中，依靠的可不僅僅是視覺，或者說視覺只是基礎(chǔ)。

隨著傳感器的技術(shù)發(fā)展，它們可以從識別一個靜態(tài)物體到一個紅綠燈，也可以從一個動態(tài)物體到一個行人甚至是背著包或者扛著物品行走的人。

但是遇到一輛高速行駛的車突然變道，原本在路邊等待的行人突然沖向你車前，而你旁邊正好也有一輛車，這時是該選擇緊急剎車與后車相撞，還是緊急變道與旁邊的車相撞以此避免撞到行人？這兩種緊急避險的辦法哪種損失又更??？

等等這些突發(fā)狀況都是在讀秒間，傳感器只能告訴你發(fā)生了什么，但無法告訴你該怎么做，而真正要做到自動駕駛，最關(guān)鍵的問題，最要解決的問題，往往是決策層面。

連人都會慌了神，失了措，那擺在一堆數(shù)據(jù)面前的路還很長。從這一點看，提升軟件能力，AI算法能力是所有自動駕駛企業(yè)最終的目標。

向左還是向右，向北還是向南，殊途同歸罷了。

審核編輯 ：李倩