2022年开年，1月3日，美股激光雷达概念股维视图像(MVIS.US)涨8.38%，Luminar(LAZR.US)涨超5%，Velodyne(VLDR.US)涨4.95%。

国金证券在《放量在即，激光雷达开启前装元年》报告中预测，激光雷达有望通过规模量产+技术进步快速降价，2030年超230亿美元，2021-2030 年复合增速近90%，总体前装渗透率达45%。

2020年开启激光雷达上市潮，产业龙头企业Velodyne、Luminar等相继上市，已宣布的2022年计划量产激光雷达车型达15款，小鹏、蔚来、上汽、奔驰等车企都相继对激光雷达新品车型作了预告。

整车厂已宣布搭载激光雷达量产车型价格区间、产量预测（台）来源：国金证券研究所全球市场研究与战略咨询公司Yole Development也在《2021年汽车与工业领域激光雷达应用报告》预测，ADAS（Advanced Driver Assistance Systems，高级驾驶辅助系统）和机器人车辆将推动雷达市场从2020年的18亿美元增长到2026年的57亿美元。“放眼全球，所有激光雷达厂商都还处于攀升阶段。预计大概2035年左右，整车的激光雷达市场将会达到130亿到135亿美元的区间，”近日，Velodyne首席商务官Sinclair Vass接受澎湃新闻（www.thepaper.cn）采访时表示。

当下，激光雷达还没有到大规模量产阶段，众多技术路线仍在探索中，处于百花齐放的状态。目前激光雷达的技术发展有哪些趋势？在自动驾驶感知层面上分野的“视觉派”与“激光雷达派”未来会如发展？

激光雷达的不同技术路线：机械式与固态化

激光雷达最早发明于1960年代，早期主要用于太空探测、地形勘测、武器制导等，在1971年激光雷达曾跟随阿波罗15号完成了月面测绘。此后的2005年，Velodyne在美国 DARPA挑战赛上首次给自动驾驶车辆搭载激光雷达，2007年Velodyne生产出首台商用3D动态扫描激光雷达，由此激光雷达的商业化落地进程开始了。目前，激光雷达广泛应用于自动驾驶、物流运输、高精地图、智慧交通、机器人、工业自动化、无人机、测绘等领域。

来源：汽车人参考，国金证券研究所激光雷达利用可见光和近红外光发射一个信号，经目标反射后被接收系统收集，通过测量反射光的运行时间而确定目标的距离。据国金证券《放量在即，激光雷达开启前装元年》报告，较短波长及主动激光技术赋能激光雷达测量分辨率高、探测距离远、探测角度大、夜间工作能力强、抗干扰能力强等优势，可直接获取距离、角度、反射强度、速度等信息。

激光雷达主要显性参数 来源：禾赛科技招股书激光雷达常以线数区分，线数指激光发射的光源数，如128线产品有128个光源。按扫描方式划分，激光雷达扫描方式有无机械转动部件可以分为机械式、半固态、固态。混合固态分为 MEMS、转镜，纯固态分为相控阵 OPA、Flash。激光雷达在测距原理、激光发射、激光接收、光束操纵及信息处理等五个方面均存在不同技术路线。

来源：国金证券研究所“不同的架构，如机械、MEMS和固态，对于不同的应用有不同的优势和劣势。然而，实际上极其重要的是所实现的特定光学设计性能、生产的质量和大规模可行性以及实现有吸引力的价格点的能力。此外，将激光雷达硬件与高性能感知软件（例如Vella平台）相结合的能力是一个主要的差异化因素。”Sinclair Vass说道。目前在激光雷达领域已经有一个明显趋势，技术成熟、探测性能优秀但高成本、低寿命、大体积的机械式激光雷达向固态激光雷达的方向演进。

据《2021年汽车与工业领域激光雷达应用报告》称，2020年后，机械式（包括旋转式、转镜式等）激光雷达技术路线将逐渐式微，由于上游元器件的成熟度和成本优势，MEMS和Flash技术路线将逐渐趋于主流。

机械式指在垂直方向上排布多束激光器、通过电机带动光电结构360°旋转，从而化点为线形成三维点云方案。其线数与分辨率成正比，具有高分辨率、高测距的特点，是目前最成熟的方案，产量也最高。但其成本高昂，同时为实现高频准确转动，其机械结构复杂，平均失效时间仅1000-3000小时，与车规要求的最低13000小时差距明显，难以实现前装量产。

激光雷达定价 来源：产业调研，国金证券研究所固态指指无任何机械运动部件的激光雷达类型，可细分为 OPA、Flash、电子扫描等形式，目前技术成熟度较低。以OPA（光学相控阵技术）举例，OPA利用电压调节制造发射阵列间的相位差实现光束偏转，兼具扫描快、精度高、体积小及强可控、强抗振等优势，技术突破后成本较低、量产标准化程度高，被部分业界专家认为是激光雷达最终的主流形态。“虽然ADAS（高级驾驶辅助系统）市场需要更长的时间才能实现大规模部署，我相信固态激光雷达将用于许多拥有ADAS应用的高容量市场。”Velodyne首席商务官Sinclair Vass表示。

Velodyne于1983年成立于美国硅谷，最早以音响业务起家，随后业务拓展至激光雷达等领域，以高线数机械式激光雷达闻名。超半数获加州DMV自动驾驶路测牌照公司为其客户。

2007年，Velodyne发布第一款可商用的激光雷达并在地图行业大量商业应用，这也是激光雷达行业的起点。Velodyne业务涉及工业机器人、智慧城市及ADAS等领域，合作方如百度、阿里巴巴、图森、小马智行等。2020 年10月，Velodyne于纳斯达克SPAC上市，成为激光雷达第一股。

“我们不想具体评论未来几年的市场价格趋势，但在Velodyne，我们认识到这点，一个有吸引力的激光雷达价格将有效促使对其大量应用的快速兴起。我们的目标是通过具有吸引力的价格路线图，使许多终端市场都能用到激光雷达，同时我们强调为客户提供完整的解决方案，包括感知软件。”Sinclair Vass说道。

据国金证券研究所报告，短期内，激光雷达将往混合固态发展；长期来看，FMCW、OPA、Flash均有可能成为主导路线。激光雷达上车存在成本及车规两大阻碍，可通过技术进步、建设流水线解决。

自动驾驶的感知层：“视觉派”与“激光雷达派”

《2021年汽车与工业领域激光雷达应用报告》认为，到2026年，汽车与工业领域应用的激光雷达市场规模预计将达57亿美元，在2020年至2026年间的年复合增长率将达到21%。值得注意的是，ADAS（高级驾驶辅助系统）领域在2026年的市场占比率预计将达到41%，成为激光雷达最大的细分市场，而这一数据在2020年仅为1.5%。

自动驾驶基本的三要素是感知-决策-控制。对周围环境的周密感知是所有决策的基础，也是自动驾驶汽车的安全保障。在了解周围环境中物体的位置、速度和方向、路面的性质、路缘石的位置、信号（交通、道路标志）等之后，自动驾驶系统则要开始做计划和控制：首先是其他移动物体在接下来的短时间会做什么，然后是根据整体计划（比如规划的通向目的地路线）计划自己要做什么，最后就是告诉汽车要做什么。

目前用于感知的传感器主要包括：激光雷达、摄像头、毫米波雷达、超声波雷达等。毫米波雷达存在无法探测行人、静止物体等弱点，车载摄像头则存在过度依赖光线环境、训练样本等弱点。在智能驾驶系统的感知层中，激光雷达可增强感知系统的冗余性，补充毫米波雷达、摄像头缺失的场景，与高精地图配合发挥定位作用。

不同传感器对比 来源：汽车人参考，中汽中心在高阶自动驾驶方案中，激光雷达的点位还可通过和高精地图数据匹配来实时定位车辆信息。但是，同时存在成本较高、受恶劣天气影响较大、工作寿命较短等问题，有望通过技术进步、规模量产解决。

随着自动驾驶级别提高，激光雷达配备数量需求增加。来源：麦姆斯咨询，国金证券研究所在自动驾驶感知层有一个明确的分野，“视觉派”与“激光雷达派”。这个分野如此被广为知晓主要因为特斯拉CEO伊隆·马斯克（Elon Mask）曾在采访中多次表达“傻瓜才用激光雷达”，并长期坚持利用人工智能和深度学习来构建神经网络的“纯视觉”技术路线，甚至弃用激光雷达。特斯拉是最先实现自动驾驶车辆量产的公司，在当时一辆七万美元左右的特斯拉几乎与激光雷达价格差不多。目前特斯拉Model 3的自动驾驶摄像头成本只需65美元左右。

纯视觉派认为单纯依靠摄像头就可以完成自动驾驶所需要的周围环境感知，青睐纯视觉感知方案的如特斯拉、极氪、百度。激光雷达派则以激光雷达为主导，配合毫米波雷达、超声波传感器、摄像头多传感器融合完成周围环境感知，商汤AR小巴、文远知行等使用激光雷达方案。

“‘视觉’能不能实现自动驾驶，我认为是可以的。但是，需要考虑的是实现了自动驾驶以后，对于乘客和道路行人的安全保护到底能够达到什么程度？对道路行人的安全性到能提升到什么程度？对于乘客来说，是否可以在车内非常舒适地乘坐，且可以同时做其他事情？”Sinclair Vass提出了这样的思考角度。

Sinclair Vass认为，如果要达到乘客拥有非常好的舒适程度，并且保证道路行人的安全性，那么，车辆能看得更远、看得更全面，就变成了一个很重要的要求。单纯视觉毕竟有局限性，比如说雨雪天气，光线和不同角度。激光雷达因为其实时性和全方位360度扫描的透视能力，可以让车看得更远，看得更全面。

“以视觉为主的自动驾驶技术，无论是硬件还是算法都比较成熟，优缺点以及技术瓶颈都比较了解。总结起来就是技术门槛比较低，价格便宜，但也面临比较大的瓶颈，想做高级别L3以上自动驾驶的难度会比较高。”Sinclair Vass总结道。

对于自动驾驶的纯视觉路线和激光雷达路线问题，商汤智能驾驶研发总监李怡康曾对澎湃新闻（www.thepaper.cn）表示，“无论是纯视觉方案还是多传感器融合的方案最终都是有可能实现L4或L5级别的自动驾驶的，区别在于，引入激光雷达实际上是把问题变简单了，因为我们引入了很多额外的信息，而且这些信息跟视觉很互补，有些信息，比如深度，它可以估算得很准确。假如最后两条路径都能实现L5级自动驾驶，那我相信多传感器融合这条路线可能会更快一些。当然，感知只是决定自动驾驶是否实现的因素之一。”