[首發(fā)于智駕最前沿微信公眾號]對于自動駕駛激光雷達(dá)的分類，有一個非常關(guān)鍵的參數(shù)，那就是“線”，之前和大家聊過自動駕駛激光雷達(dá)“線”的含義，對于激光雷達(dá)的線，“128線”“256線”之類的參數(shù)屢見不鮮，線數(shù)越高就意味著更強大的感知能力。那在自動駕駛中，搭載“線”越多的激光雷達(dá)就代表越好嗎？

先說結(jié)論，其實線數(shù)不過是激光雷達(dá)性能指標(biāo)體系中的一個維度，它與測距精度、掃描架構(gòu)、算法設(shè)計、電氣與熱管理、整車成本乃至法規(guī)合規(guī)性緊密耦合，遠(yuǎn)非簡單的“多即好”。

所謂“線”，指的是激光雷達(dá)在垂直方向上排布的離散激光束數(shù)量。以機械旋轉(zhuǎn)激光雷達(dá)為例，發(fā)射模塊將若干束窄脈沖激光按照固定俯仰角打向外界，再借助旋轉(zhuǎn)機構(gòu)在水平方向做360°掃描，于是每條束便在一圈內(nèi)形成一條螺旋掃描軌跡。線數(shù)越多，意味著俯仰方向的離散角度越密集，點云在豎直方向的分辨率越高，俯仰視場（VerticalFieldofView，VFOV）通常也會隨之?dāng)U大。對于MEMS或棱鏡擺動式的固態(tài)激光雷達(dá)，雖然沒有機械旋轉(zhuǎn)機構(gòu)，俯仰方向仍通過內(nèi)部光學(xué)陣列排布固定角度的多束激光，線數(shù)概念同樣成立。因而，無論機械旋轉(zhuǎn)還是固態(tài)，線數(shù)的本質(zhì)都是垂直角度抽樣密度，它決定了一幀點云中在豎直方向可捕獲的輪廓細(xì)節(jié)量級。

在感知算法層面，線數(shù)增加首先帶來的是單幀點云密度提升。點云密度直接影響障礙物形態(tài)還原能力，尤其對截面狹小或遠(yuǎn)距離目標(biāo)，點云密度的提升代表著可以探測到更多的細(xì)節(jié)。當(dāng)俯仰離散角度縮小后，低矮路緣、倒地行人與散落雜物等原本位于“空洞”中的像素會被新激光束覆蓋，使卷積或Transformer網(wǎng)絡(luò)無需過度插值便能獲得連貫幾何信息。其次，VFOV擴(kuò)展意味著同一時間窗內(nèi)，傳感器能夠同時感知道路表面與高位結(jié)構(gòu)，如匝道、立交橋底部或路口高懸的標(biāo)志牌都可以感知到，從而減少盲區(qū)與漏檢風(fēng)險。對于如城市NOA、Robotaxi運營平臺及高精地圖實時重定位場景中等高等級自動駕駛功能，高線數(shù)所帶來的細(xì)節(jié)不僅提升障礙物檢測精度，也降低空間語義分割誤差，進(jìn)而增強整車在復(fù)雜三維環(huán)境中的縱橫向決策魯棒性。

對于感知系統(tǒng)來說，激光雷達(dá)線束的提升可以有效提升感知效果，但從整車系統(tǒng)視角審視，線數(shù)提升會牽一發(fā)而動全身。首先是硬件成本。無論采用分立管腳方案還是光子芯片集成，線數(shù)翻倍意味著發(fā)射陣列、接收器件、放大及解調(diào)電路同步擴(kuò)容；高線數(shù)固態(tài)方案雖在尺寸上占優(yōu)，卻需多模小型化封裝與復(fù)雜的光纖配向工藝，良率與一致性要求更嚴(yán)苛，因此在量產(chǎn)階段價格攀升顯著。其次是功耗與熱管理文同。更多激光束意味著更高脈沖重復(fù)頻率和峰值電流，器件發(fā)熱量隨之倍增，需要更大面積的散熱器或主動風(fēng)扇；對于48?V前裝供電網(wǎng)絡(luò)而言，多顆高線數(shù)雷達(dá)同時工作或?qū)⒈平?a target="_blank">保險絲上限，觸發(fā)整車功耗調(diào)度問題。再者，數(shù)據(jù)帶寬也成瓶頸。當(dāng)點云數(shù)量從每秒二十余萬飆升至百萬級，千兆以太網(wǎng)、車內(nèi)PCIe總線、SoCI/O通道以及DDR帶寬皆可能淤塞；可見，不經(jīng)篩選地把所有點云交給算法端處理，往往迫使主控計算平臺升級，從而進(jìn)一步抬高整車BOM。

更隱性的代價發(fā)生在算法側(cè)。3D目標(biāo)檢測與語義分割多采用稀疏卷積、體素投影抑或基于鄰域聚類的Transformer結(jié)構(gòu)，其時間復(fù)雜度呈近線性增長；當(dāng)輸入點數(shù)翻倍，推理時延與顯存開銷亦水漲船高。為了維持量產(chǎn)車普遍要求的100?ms級閉環(huán)延遲，工程師往往被迫在算法前端下采樣或隨機丟點，這無異于用軟件手段把硬件增加的線數(shù)“抵消”掉一部分，收益出現(xiàn)趨緩。

此外，多線數(shù)也會提高電磁與光學(xué)串?dāng)_風(fēng)險。激光雷達(dá)通常工作在905?nm或1550?nm波段，當(dāng)車隊中存在多臺同型號高線數(shù)雷達(dá)同時發(fā)射脈沖時，不同車輛之間的時間片沖突概率上升，若沒有隨機時分復(fù)用、頻分編碼或調(diào)制多樣化方案，感知結(jié)果易被誤觸發(fā)。角度分辨率亦非只由線數(shù)決定，水平掃描速度、脈沖發(fā)散角與探測距離耦合度同樣重要。若在豎直方向密采樣而忽視水平軸精度，高速場景中的遠(yuǎn)距目標(biāo)依舊可能出現(xiàn)點云稀疏。

將視角拉回功能需求，不同級別自動駕駛系統(tǒng)對線數(shù)的敏感度并不一致。對于側(cè)重橫向維度保持與縱向跟馳的高速L2場景，目標(biāo)物以車輛、護(hù)欄為主，相對高度差小，32?線或64?線即可覆蓋±10°-15°的俯仰視場；此時進(jìn)一步增加線數(shù)的經(jīng)濟(jì)收益有限，系統(tǒng)工程團(tuán)隊更關(guān)注功耗與成本。城市L3功能面對交通標(biāo)志桿、行人、多層立交與低速動態(tài)目標(biāo)組合，128?線及以上帶來的高密度點云能明顯降低漏檢率，然而如果攝像頭與毫米波雷達(dá)在融合架構(gòu)中承擔(dān)了部分縱向與速度維度的感知責(zé)任，則可以用中高線數(shù)加多傳感器融合的方式平衡預(yù)算。至于Robotaxi及末端配送車型，因為其商業(yè)模型依賴長時段運營和遠(yuǎn)程監(jiān)管，對感知冗余與安全邊際要求極高，頂置兩到三顆128?線以上雷達(dá)在成本賬本里仍然合理。但同樣的方案一旦平移到私家車市場，消費者對售價及后期維護(hù)的敏感度會讓車企重新思考“堆料”的合理性。

針對稀疏到稠密的點云梯度，不同算法策略對輸入規(guī)模的容忍度差異巨大。基于體素化的稀疏卷積網(wǎng)絡(luò)通常在低密度區(qū)間就能達(dá)到瓶頸精度，往上加點云收益迅速遞減；而基于原始點云的完全圖網(wǎng)絡(luò)雖然對密度更敏感，但在工程實踐中往往因為顯存消耗與實時性約束被限速。近期流行的BEV（Bird’s?EyeView）投影方法把點云按高度層投影到二維平面，分辨率閾值約在每像素十余點。超過此閾，增加線數(shù)帶來的新特征大概率落入已有像素格，信息增量趨近零。這意味著在給定算力預(yù)算下，如何通過動態(tài)體素尺寸、自適應(yīng)采樣與特定ROI精化策略把有限線數(shù)用在關(guān)鍵區(qū)域，比無差別堆砌線數(shù)來得劃算。

從產(chǎn)品生命周期看，線數(shù)提升也擴(kuò)大了標(biāo)定難度與維護(hù)成本。多通道系統(tǒng)需要更精細(xì)的外參標(biāo)定，機械磨損或熱脹冷縮導(dǎo)致的微小位姿偏移會讓多線束之間產(chǎn)生內(nèi)部錯位，需要更高頻次的在位自校。光學(xué)窗口污損、透鏡鍍膜衰減對高線數(shù)雷達(dá)尤為敏感，因為每束的發(fā)射功率相對低，為了保持同等信噪比，硬件常用提高脈沖重復(fù)率的方法彌補能量，進(jìn)一步加劇熱設(shè)計壓力。高線數(shù)更意味著單位時間內(nèi)激光脈沖次數(shù)增加，需要嚴(yán)格滿足IEC?60825眼安全標(biāo)準(zhǔn)；當(dāng)同車多雷達(dá)工作時，累計輻射值的疊加也必須進(jìn)入OEM的危險源評估清單。對于追求全球市場的車型，還要面對歐盟、北美與東亞不同的激光輻射限值與申報流程。

正因線數(shù)升級存在邊際收益遞減與系統(tǒng)代價飆升，行業(yè)開始轉(zhuǎn)向其他維度優(yōu)化。波長升級是主流路線之一，1550?nm波段在眼安全閾值下能輸出更高峰值功率，于是在同等線數(shù)條件下達(dá)到更遠(yuǎn)探測距離；同時1550?nm光束對大氣散射衰減更低，在雨霧環(huán)境下保持點云密度。另一條思路是采用頻率調(diào)制連續(xù)波（FMCW）架構(gòu)，在單束中直接測得多普勒速度信息，使得中等線數(shù)雷達(dá)亦能通過聯(lián)合距離?速度特征過濾虛警。再有面陣Flash方案，以二維SPAD陣列一次曝光、一次采集完成整幅深度圖，用像素級并行取代線陣旋轉(zhuǎn)，避免了復(fù)雜的機械與散熱架構(gòu)；目前點數(shù)雖不及高線機械雷達(dá)，但在低速泊車到城市L3區(qū)間已展現(xiàn)成本優(yōu)勢。所有這些創(chuàng)新的共同目標(biāo)，是在硬件投入、系統(tǒng)算力與感知精度之間尋找“最優(yōu)亞穩(wěn)態(tài)”，而不是簡單堆疊線數(shù)。

對于一款計劃三到五年生命周期的量產(chǎn)車型，如何確定合適的線數(shù)，需要一個從需求工程到成本工廠的閉環(huán)評估。第一步是功能拆解，明確高速巡航、城市NOA、自動泊車乃至L4短時無人駕駛等目標(biāo)功能的優(yōu)先級與安全等級。第二步評估整車算力與電子電氣架構(gòu)，判斷現(xiàn)有ECU帶寬、功率儲備是否承接更高密度點云的傳輸與推理。第三步結(jié)合車體安裝位置與造型約束，頂置可360°環(huán)視，但對風(fēng)阻與整車高度影響顯著；翼子板嵌入或前格柵隱藏則需更寬VFOV抵消遮擋。第四步做供應(yīng)鏈與量產(chǎn)可行性分析，高線數(shù)固態(tài)方案往往處于爬坡階段，交付良率、備件成本與售后服務(wù)能力都需驗證。最后，以總擁有成本（TotalCostofOwnership）為基準(zhǔn)，把硬件價格、軟件開發(fā)、標(biāo)定調(diào)試、長期維護(hù)及云端數(shù)據(jù)存儲綜合折算，確保選定線數(shù)在商業(yè)模式中具備正向收益空間。

線數(shù)無疑是激光雷達(dá)最直觀、也最容易被市場營銷放大的參數(shù)。它確實能在感知上帶來更豐富的垂直信息，幫助算法捕捉微小目標(biāo)與復(fù)雜結(jié)構(gòu)。然而，在自動駕駛越來越走向量產(chǎn)落地的當(dāng)下，必須把“點云精度”放進(jìn)龐大的系統(tǒng)權(quán)衡矩陣：硬件成本、功率與熱設(shè)計、數(shù)據(jù)鏈路、算法時延、法規(guī)合規(guī)、維護(hù)運維乃至消費者支付意愿，沒有哪個因素可以被忽視。超過特定閾值之后，線數(shù)的邊際效益迅速下降，甚至可能引發(fā)功耗過載、算力瓶頸與法規(guī)風(fēng)險等連鎖問題。

與其盲目堆料，不如把資源投入更高功率、更長波長、更智能的抗干擾調(diào)制，以及在算法側(cè)做自適應(yīng)采樣和多傳感器深度融合。只有當(dāng)硬件線數(shù)、系統(tǒng)算力與軟件算法達(dá)到動態(tài)平衡，激光雷達(dá)才能真正成為“自動駕駛第三只眼”而非昂貴負(fù)擔(dān)；也只有在這樣的平衡中，每一束激光才能物盡其用，讓車輛在真實道路上更安全、更高效地運行。

審核編輯 黃宇