情报内容无法这里发布，但每天都有大量精选内容发布在朋友圈，有兴趣的可以加一下，XV：itouzi8888
1、激光雷达融合算法
主流融合方式：当前行业内采用激光雷达的公司策略不一，主流是以后融合为主，即各传感器生成目标后再做目标层面融合。因其难度小、对预控算力要求低。但最终会发展为全融合，前融合直接处理传感器原始数据，理论效果更好，但对传感器时间同步、稳定性要求高，且需高算力支持。
融合策略：不同传感器适用场景不同，可能出现场景冲突。如视觉在暗光、逆光下图像质量下降，激光雷达在雨天易误报。融合策略由模型通过采集大量数据自动学习得出，非人为设定规则，模型能自动判断在不同场景下采信哪个传感器的数据。
2、纯视觉方案分析
视觉传感器的地位：视觉传感器是自动驾驶中最基础的传感器，包含自动驾驶所需的所有信息，如能识别红绿灯信息。但它存在短板，在逆光、暗光、雨雾天气下性能会下降。
纯视觉方案的优劣：小鹏和特斯拉采用的纯视觉方案在多数场景下可正常工作，但在视觉弱势场景下性能受影响较大。增加毫米波雷达、激光雷达等传感器，可补充视觉传感器不足，扩大自动驾驶可用范围，提升驾驶体验。对于追求极致性能的中高端车，增加传感器尤为重要。
3、激光雷达成本
成本现状与降本原因：激光雷达成本近两年下降迅速，已降至三位数水平。主要得益于供应链端集成化芯片工作，将探测器、信号处理等集成到芯片中；同时需求端国内车企对激光雷达的旺盛需求，形成规模效应，进一步降低成本。未来仍有一定降本空间，但幅度不大。
成本构成：激光雷达最主要成本在电子物料，约占一半，包括探测器端、信号处理、发射端、电源管理等各类芯片及PCB板。剩下一半成本中，结构件和光学件各占四分之一，制造成本约占总成本10%。
4、激光雷达竞争格局
头部厂商优势：目前销量前三的厂商为禾赛科技、速腾聚创和华为。华为依托合作车企的良好销量带动自身激光雷达销售，另两家头部供应商入局早，获得客户量产订单多，出货量大，地位相对稳固。汽车行业规模效应明显，价高零部件领域易形成行业集中，后来者若无大的后发优势，难以进入市场。
车企供应商选择：车企激光雷达供应商的选择取决于自身销量。销量大的车企为保障供应链安全，会引入多家供应商；销量不够多的车企，考虑管理成本和研发支出，前期可能先选一家供应商。
5、主机厂选择激光雷达考量因素
主要考量因素：国内主机厂选择激光雷达时，成本是首要考量因素，行业成本压力大，激光雷达成本下降才能应用于中低端车型。其次是性能，新势力车企可根据自研智驾系统需求提出性能要求，传统车企需求多来源于解决方案公司。再者是可靠性，满足车规及相关可靠性要求是上车的基本条件。
其他考量因素：不同车企还有其他考量，如激光雷达功能配合度、支持力度，与供应商的合作基础，可减少重新适配成本。销量大的车企还会基于供应链安全考虑，选择多家供应商。
6、自研激光雷达难点
技术门槛与先发优势：激光雷达门槛因集成化芯片发展而降低，但先发者已量产上车且出货量大，后来者若使用相同方案且无先发优势，很难从先发者手中获取市场份额，除非是车企体系内供应商，基于供应链安全可获一定市场份额。
7、国外车企激光雷达选型
欧洲车企：起初倾向选择国外激光雷达供应商，因对国内发展预估不足及本土优势等因素。但国内激光雷达发展迅速，性能好、成本低、质量优，随着国内企业开拓国外市场，欧洲车企逐渐转变策略，开始优先考虑国内激光雷达公司，但可能存在政治等不确定因素。
美国车企：目前美国上激光雷达的车较少，特斯拉不用激光雷达，传统车企智驾发展相对缓慢，基本未上激光雷达的车。
日本车企：因与国内车企有合作，且体验到国内自主品牌智驾车的良好表现，倾向于沿用国内智驾方案，使用国内激光雷达公司产品，对国内激光雷达行业是利好。
8、不同自动驾驶方案对比
成本差异：不上激光雷达与上激光雷达的方案成本有差别，激光雷达成本约1000元。
性能差异：硬件传感器决定性能上限，多传感器相互弥补短板，理论性能更强。但实际性能还取决于软件水平，软件好能充分发挥硬件性能，否则可能出现硬件配置高但性能不佳的情况。早期特斯拉纯视觉方案性能可能优于国内上激光雷达的车，但随着国内不断发展，部分车企在某些场景体验已超越纯视觉方案。
9、激光雷达技术路线
技术路线收敛方向：激光雷达技术路线在逐步收敛，主流方案有MEMS和转镜方案，后续都会趋向于一维半径加SPAD单光子探测器SOC的方向，此方案点云规整度较好。对于算法而言，只要激光雷达点云性能好，能真实反映物理世界状态，算法就能有较好效果。
固态激光雷达发展趋势：激光雷达终极形态是纯固态，但短期内仍是混合固态方案，因其可兼顾成本和性能。纯固态方案目前性能存在问题，难以兼顾视场角、测距分辨率。短期内车上至少会上一颗混合固态主雷达，未来5 - 10年纯固态雷达可能先在补盲雷达或机器人领域上车，高端车可能会上两颗纯固态补盲雷达。
10、机器人与车载激光雷达差异
性能差异：车载激光雷达对测距要求高，一般需看到200米左右，机器人测距三四十米即可；汽车主雷达视场角主流为120度朝前，机器人多用360度视场角激光雷达，因其需用于定位和建图等功能。
可靠性与成本差异：汽车有车规要求，对激光雷达可靠性要求高，机器人工作环境相对不恶劣，对可靠性要求没那么苛刻。目前汽车行业激光雷达量较大，成本约1000元，机器人行业量刚起，售价较高，但未来若量能与汽车相当，成本可能比汽车更低。
11、自动驾驶等级对激光雷达要求
L3与L2要求差异：法规未规定L3级别自动驾驶必须上激光雷达，但车企基于安全性考虑，会要求配备且性能要强。与L2级别相比，L3级别激光雷达主要提升点在分辨率，L2级别分辨率约0.2度，L3级别需提升到0.05度，以在较远距离看清小目标，便于车辆做出刹车或变道动作。
12、激光雷达弱势场景解决办法
恶劣天气解决办法：激光雷达在下雨时会出现爆点，可通过在预控端部署去噪算法解决；窗口脏污会影响性能，可通过报警提示驾驶员擦拭或抑制车辆进入更高级别辅助驾驶解决。同时，毫米波雷达可弥补激光雷达在雨天的短板，但毫米波雷达单独难以实现高级别自动驾驶。
与视觉弱势场景对比：视觉在暗光线下存在不足，其硬件层面通过提升芯片像素填充率、感光度等解决部分问题。各传感器自身性能不断提升，再通过综合传感器融合相互补足，可扩大智驾场景范围，提升智驾体验。车企会在发布车前测试场景边界，并将弱势场景写在用户手册中。
13、激光雷达成本与寿命关系
寿命不受成本影响：汽车行业对零部件可靠性和寿命有严格要求，国家法规也有相关规定，车企不希望零部件寿命缩短影响口碑和后续销售，因此激光雷达成本下降不会以牺牲寿命和可靠性为代价，而是从系统方案层面优化，如提高芯片集成度等。
Q&A
Q：目前主流的激光雷达端到端是采用前融合还是后融合？针对不同场景下激光雷达采用不同融合算法，对最终的效果是否会有一定的影响？
A：目前行业来看，还是以后融合为主，即各个传感器都生成目标，然后生成目标之后，再去做目标层面的融合，这是因为当前行业发展规律是先从后融合做起。后融合相对难度小一些，对预控的算力要求也低一些。最终的状态会变成全融合，前融合是直接把传感器最原始的数据去做融合，没有任何损耗，理论上效果更好，但对传感器和预控有一些要求。一是传感器层面需要做好时间同步，若时间同步做不好，前融合效果可能不如后融合；二是各个传感器的稳定性有要求，前融合直接输入原始信息，若一个传感器出问题，原始信息缺失，系统工作可能受影响，而后融合在一个传感器坏了的情况下，其他传感器输出目标，智驾系统仍可工作；三是全融合原始数据量特别大，对预控的算力要求比较高，若预控算力低，可能运行不了前融合算法。目前也有偏中融合，即特征层面的融合，从不同传感器选取目标的一些属性信息。当前受限于各种原因，还未达到全融合状态。
Q：如果目前主要以后融合为主，是否会存在激光雷达和摄像头视觉识别上存在某些场景冲突或者矛盾的情况？这种情况一般发生在哪些场景下？遇到这种情况怎么处理？
A：会存在冲突或矛盾情况。不同传感器适用场景特性不完全一样，在某些场景下，可能一个传感器看到而另一个没看到。例如，在暗光和逆光情况下，视觉传感器图像质量下降，感知效果打折扣，此时激光雷达效果较好，会更多采信激光雷达的输出；在下雨时，激光雷达容易出现误报，此时会更多采信毫米波雷达和相机的信息，若激光雷达出现误报，而相机和毫米波雷达都没看到目标信息，会倾向于把激光雷达的目标抑制掉。整个融合策略是模型自动学出来的，通过数据驱动的方法，采集各种场景大量数据，用真值训练模型，让模型自动学到在不同场景下应采信哪个传感器更多的融合策略。
Q：怎么看特斯拉和小鹏采用的纯视觉方案？
A：视觉是所有传感器中最基础的，包含了自驾所需的所有信息，如红绿灯信息只有视觉传感器能看到，所以视觉传感器必不可少。但视觉传感器有短板，在逆光、暗光、雨雾天气等情况下性能会下降。小鹏和特斯拉用纯视觉方案在大多数情况下可正常工作，但在视觉弱势场景下，性能会受很大影响。若希望有更好的自驾体验，就需要额外增加毫米波雷达、激光雷达等传感器来补充视觉传感器在这些场景下的不足，让自驾系统表现更好，增加辅助驾驶的动态场景（ODD）范围，提升自驾可用性和体验。纯视觉方案可能达到85分的水平，对于中低端或成本敏感的车来说已不错，但对于定位中高端、追求极致性能的车，需要增加激光雷达、毫米波雷达传感器来拉开与中低端车的档次，实现更连续、舒适度更高的自驾体验。
