本文约 9,900 字,建议收藏阅读
作者 | 鲁大师
前言
2025 年的中国车市,智能驾驶的竞争早已从 「 有无 」 转向 「 优劣 」 ,而城市 NOA (导航辅助驾驶)作为高阶智驾的核心战场,正上演着一场激烈的技术路线博弈。在深圳的早晚高峰车流中,搭载三颗激光雷达的华为问界 M9 能精准预判加塞车辆并平稳避让;而在上海的老城区街巷,未配备激光雷达的特斯拉 Model Y 焕新版也能灵活穿梭于狭窄道路。一边是 「 激光雷达 = 安全冗余 」 的行业共识,一边是 「 纯视觉 = 成本优势 」 的市场实践,两种方案的同台竞技,让 「 激光雷达是不是城市 NOA 必备 」 这个问题,成为所有车企、工程师和消费者共同关注的焦点。
城市 NOA 与高速 NOA 的核心差异,决定了其对感知系统的极致要求。高速场景下,道路结构化程度高、交通参与者行为相对规范,摄像头与毫米波雷达的组合基本能满足需求;但城市道路中,无保护左转、行人 「 鬼探头 」 、施工占道、非标准交通标识等 「 长尾场景 」 层出不穷,单一传感器难以实现全场景覆盖。正是这种场景复杂性,催生了技术路线的分化 ,也给曾经一度要被大家放弃的激光雷达留出了一条 「活路」 。 今天我们试着聊一聊,智驾的 「城市 N OA 时代 「」激光雷达到底是不是必须品?
激光雷达走红
激光雷达并非新鲜事物,但在城市 NOA 领域的爆发式应用,本质上是技术需求与硬件成熟度共振的结果。当车企将 「 零接管 」 作为城市 NOA 的核心目标时,激光雷达凭借其独特的感知原理,成为填补传统传感器短板的关键力量。从华为 ADS 3.0 到理想 AD Max 3.0 ,主流高阶智驾系统纷纷将激光雷达作为标配,背后是对城市复杂场景的深刻认知。
1. 核心引入逻辑
城市 NOA 对感知系统的要求可以概括为 「 全、准、快 」—— 全场景覆盖、精准识别目标、快速响应变化。而摄像头与毫米波雷达的组合,在城市复杂环境中存在难以规避的 「 感知死穴 」 ,这正是激光雷达被广泛引入的核心原因。
摄像头作为视觉感知的核心,依赖于环境光照和算法训练,在极端天气和非标准目标识别上存在天然局限。例如在暴雨天气中,雨水会附着在镜头表面形成折射,导致图像模糊,摄像头可能将积水路面误判为干燥路面,或将路边的锥桶漏判为普通障碍物;夜间会车时,对向车辆的强光会造成 「 逆光盲区 」 ,摄像头无法清晰识别前方行人。更重要的是,摄像头输出的是二维图像,需要通过算法进行三维重构,在距离测算上存在误差,面对 「 鬼探头 」 等突发场景时,可能因测距不准导致决策延迟。
毫米波雷达通过电磁波反射实现测距,不受光照影响,但对非金属目标的反射率较低,难以识别塑料锥桶、纸箱等物品,且分辨率有限,无法区分行人与自行车。在城市拥堵路段,毫米波雷达容易将相邻车道的车辆 「 混叠 」 为同一目标,导致变道决策失误。
激光雷达的出现恰好解决了这些问题。其基于激光脉冲测距的原理,通过发射数百万个激光点扫描周围环境,生成高密度的三维点云数据,能够直接获取目标的距离、轮廓、位置等信息,无需依赖光照和算法重构。这种 「 物理感知 」 的特性,使其在复杂城市场景中具备不可替代的优势。东吴证券 2025 年第二季度的深圳路测数据显示,搭载激光雷达的车型在复杂路口的接管率平均仅为 0.3 次 / 百公里,远低于纯视觉方案的 0.5 次 / 百公里,其中在暴雨、夜间等极端场景下,差距更是扩大至 3 倍以上。
2. 激光雷达到底带来哪些 性能 提升?
激光雷达对城市 NOA 系统性能的提升,并非单一维度的优化,而是 对整个系统场景适应性的提升 。这种提升不仅体现在常规场景的流畅度上,更关键的是在极端场景中的安全保障能力,具体可从以下五大维度展开:
( 1 )非规则障碍物识别
城市道路中的 「 长尾障碍物 」—— 如掉落的纸箱、破损的井盖、施工用的锥桶、横穿马路的宠物等,是自动驾驶系统最头疼的问题。这类目标形状不规则、外观差异大,摄像头需要通过海量数据训练才能识别,而毫米波雷达对非金属目标的探测能力薄弱,容易出现 「 视而不见 」 的情况。
激光雷达则通过三维点云直接还原目标的物理轮廓,无论目标是否经过算法训练,都能被精准捕捉。华为 ADS 3.0 系统搭载 3 颗激光雷达,其中前向主雷达采用 1550nm 波长的禾赛 AT128 ,点云密度达到 153.6 万点 / 秒,能够清晰识别直径仅 10cm 的锥桶,识别距离超过 200 米。在深圳前海片区的施工路段测试中,该系统能提前 50 米识别临时占道的锥桶群,并自动规划绕行路线,而纯视觉方案在此场景下的漏判率高达 35% 。
更重要的是,激光雷达能够区分目标的材质和形态差异。例如在路口,它可以精准区分 「 静止的石墩 」 和 「 等待通行的行人 」 ,避免纯视觉方案因外形相似而产生的误判。百度 Apollo RT6 系统的实测数据显示,激光雷达对非规则障碍物的识别准确率达到 99.2% ,相比纯视觉方案提升了 40 个百分点。
( 2 )厘米级测距与动态轨迹预判
城市道路的突发场景,如加塞、 「 鬼探头 」 、行人横穿马路等,对系统的响应速度要求极高,而精准的距离测算和轨迹预判是快速响应的前提。激光雷达 ±3cm 的测距精度,能够实时捕捉目标的位置变化,为决策系统提供精确的输入数据。
以无保护左转场景为例,传统纯视觉方案通过摄像头识别对向车辆的速度和距离,误差通常在 1-2 米,决策系统为避免碰撞,往往会选择 「 保守等待 」 ,导致通行效率低下;而搭载激光雷达的理想 L9 ,能够实时测算对向车辆的速度(误差 ±0.5km/h )和距离(误差 ±5cm ),通过轨迹预判算法,精准判断是否有足够的安全距离完成左转,通行效率提升了 60% 。
在 「 鬼探头 」 场景中,激光雷达的优势更为明显。当行人突然从公交车后方穿出时,激光雷达能在 0.05 秒内捕捉到目标,并测算出其移动速度和方向,决策系统可立即触发减速或制动。小米 SU7 Max 版的实测显示,在 40km/h 的车速下,激光雷达方案的刹停距离比纯视觉方案缩短了 2.3 米,这一差距在城市道路中足以避免事故发生。
( 3 )全天候环境适应性
城市 NOA 需要应对各种天气和光照条件,而摄像头和毫米波雷达在极端环境下的性能会显著下降。激光雷达不依赖环境光照,且激光脉冲具有较强的穿透性,在暴雨、大雾、夜间强光等场景下表现稳定,这是纯视觉方案难以企及的。
行业测试数据显示,在中到大雨场景下( 1 小时降雨量 15-30mm ),纯视觉方案的交通灯识别准确率从晴天的 99% 下降至 50% ,而激光雷达方案仍能保持 97% 的准确率;在大雾天气(能见度 50 米)中,纯视觉方案基本失效,激光雷达通过点云数据仍能识别前方 100 米内的车辆和行人;夜间会车时,强光导致摄像头出现 「 白屏 」 现象,激光雷达则不受影响,可正常探测对向车辆的位置和速度。
华为 ADS 团队在重庆的暴雨路测中,搭载激光雷达的问界 M7 完成了连续 20 公里的城市道路行驶,未出现一次人工接管;而同期测试的纯视觉车型,因无法识别被雨水覆盖的车道线,累计接管次数达到 8 次。这种全天候的稳定性,是城市 NOA 实现 「 全场景覆盖 」 的核心保障。
( 4 )无图化落地的核心支撑
高精地图曾被视为城市 NOA 的 「 标配 」 ,但高昂的制作和更新成本,以及在施工路段、临时管制区域的 「 滞后性 」 ,使其难以实现大规模覆盖。激光雷达的出现,推动城市 NOA 向 「 无图化 」 方向演进,通过实时构建环境模型,摆脱对预存地图的依赖。
无图城市 NOA 的核心是 「 实时感知 + 定位 」 ,而激光雷达生成的三维点云数据,能够实时还原道路的路沿、标线、交通设施等静态元素,结合 IMU (惯性测量单元)和 GPS 数据,实现厘米级定位。百度 Apollo 的 「 无图方案 」 通过激光雷达实时扫描周边环境,构建局部动态地图,定位精度达到 ±10cm ,即使在高精地图未覆盖的区域,也能实现稳定的 NOA 功能。
华为 ADS 3.0 更是实现了 「 全国都能开 」 的无图覆盖,其核心技术就是激光雷达与视觉的融合感知。在未更新高精地图的施工路段,激光雷达能实时识别临时改道路线和锥桶位置,通过点云匹配实现定位,而纯视觉方案在此场景下,因缺乏地图参考,容易出现定位漂移,导致路线规划错误。
( 5 )多传感器冗余
高阶自动驾驶的核心安全原则是 「 单一传感器失效不影响系统安全 」 ,激光雷达与摄像头、毫米波雷达的感知原理互补,形成三重冗余,为城市 NOA 构建了 「 失效安全 」 的最后防线。三种传感器的感知特性差异明显,某一传感器失效时,其他传感器可立即补位,确保系统不中断运行。
例如在隧道入口场景中,强光逆光会导致摄像头感知失效,此时毫米波雷达可提供目标距离信息,激光雷达则负责精准识别车道线和道路轮廓,三者融合确保系统正常行驶;当激光雷达因故障暂时停止工作时,摄像头和毫米波雷达的组合可维持基本的感知功能,系统会提示驾驶员接管,避免突发风险。
特斯拉早期纯视觉方案因缺乏激光雷达冗余,曾出现多起 「 无法识别静止障碍物 」 的事故;而搭载激光雷达的车型,在类似场景下,激光雷达可独立识别静止目标,避免事故发生。这一差异充分说明,多传感器冗余是城市 NOA 实现高安全性的必要条件。

激光雷达不是完美的
激光雷达的技术优势有目共睹,但成本问题始终是其普及的 「 拦路虎 」 。对于主打性价比的中低端车型而言,搭载激光雷达意味着整车成本的显著上升,而这部分成本最终会转嫁到消费者身上,影响产品竞争力。在此背景下,以特斯拉、小鹏为代表的企业,选择 「 算法补硬件 」 的路线,通过纯视觉或 「 视觉 + 毫米波雷达 」 的低成本方案,实现城市 NOA 功能落地,为行业提供了另一种可能性。
1. 激光雷达的成本困境
激光雷达的成本并非仅指硬件本身,还包括配套的芯片、算法开发、校准测试等全链路成本,这对车企的成本控制能力提出了极高要求。尽管近年来激光雷达价格大幅下降,但仍处于较高水平。
从硬件成本来看, 2025 年主流车规级激光雷达的单价在 1500-3000 元之间,禾赛的 AT128 激光雷达通过芯片化设计,将价格降至 200 美元以下(约 1400 元),这是目前的行业低价水平;速腾聚创的 M1 系列激光雷达单价约 2000 元,而华为的 96 线激光雷达单价仍在 2500 元左右。若搭载 3 颗激光雷达(前向 + 左右侧向),仅硬件成本就达到 4500-9000 元,占整车 BOM 成本的 2%-3% 。
除了硬件成本,激光雷达还会增加系统的开发和测试成本。多传感器融合需要复杂的标定算法,确保激光雷达、摄像头、毫米波雷达的感知数据在同一坐标系下对齐,这一过程需要大量的测试和数据积累;同时,激光雷达生成的海量点云数据,对车载芯片的算力提出了更高要求,需要搭载更高规格的智驾芯片,进一步增加了成本。例如,搭载激光雷达的车型通常需要双 Orin X 芯片(算力 200TOPS 以上),而纯视觉方案搭载单 Orin 芯片(算力 84TOPS )即可满足需求,芯片成本相差近万元。
对于售价在 15-20 万元的主流车型而言,每增加 1 万元成本,都会显著影响产品的市场竞争力。因此,在成本敏感度较高的细分市场,激光雷达并非最优选择,纯视觉方案成为车企的务实之举。
2. 主流低成本方案
目前市场上的低成本城市 NOA 方案主要分为两类:纯视觉方案和 「 视觉 + 毫米波雷达 」 方案。这些方案通过算法优化和数据积累,在不搭载激光雷达的情况下,实现了城市 NOA 的核心功能,成为中低端车型的主流选择。
( 1 )纯视觉方案:以特斯拉 FSD 和小鹏 XNGP 为代表
纯视觉方案的核心逻辑是 「 用数据和算法弥补硬件短板 」 ,通过高分辨率摄像头、大算力芯片和端到端算法,实现环境感知和决策控制。特斯拉和小鹏是这一路线的坚定践行者,其技术方案已实现大规模量产落地。
特斯拉的 FSD 中国版是纯视觉方案的标杆,其硬件配置包括 8 颗高清摄像头(含 4 颗环视摄像头、 3 颗前视摄像头、 1 颗后视摄像头)和 1 颗 FSD 芯片(算力 144TOPS )。核心技术是端到端的神经网络模型,直接从摄像头数据输出控制指令,无需经过传统的 「 感知 - 定位 - 预测 - 规划 - 控制 」 模块化流程,减少了信息损失。特斯拉通过海量的真实路测数据(累计超 100 亿公里)训练模型,使其在常规城市场景中具备较高的可靠性。例如, FSD 中国版能精准识别中国特有的 「 电驴 」 和行人,在拥堵路段的跟车距离控制和加塞应对上表现流畅。
小鹏 XNGP 纯视觉版则采用 「 多目摄像头 +Orin 芯片 」 的配置,搭载 12 颗摄像头和 1 颗 Orin X 芯片,通过 BEV (鸟瞰图) +Occupancy 网络技术,实现三维环境建模。与特斯拉不同,小鹏保留了模块化架构,但通过算法优化提升了视觉感知的精度。例如,其 Occupancy 网络能通过视觉数据识别目标的占用空间,即使是未训练过的非规则障碍物,也能通过轮廓判断其位置和大小,一定程度上弥补了纯视觉的短板。小鹏 G6 纯视觉版已在全国 200 多个城市开放城市 NOA 功能,常规场景的接管率达到 0.4 次 / 百公里,接近激光雷达方案的水平。
( 2 ) 「 视觉 + 毫米波雷达 」 方案:以比亚迪 DiPilot 和商汤绝影为代表
为了进一步提升纯视觉方案的可靠性,部分车企选择在摄像头基础上增加毫米波雷达,形成 「 视觉 + 毫米波雷达 」 的组合,通过两种传感器的互补,提升测距精度和动态目标识别能力,同时成本仍低于激光雷达方案。
比亚迪的 DiPilot 300 C 方案是该路线的代表,硬件配置包括 6 颗摄像头和 5 颗毫米波雷达,搭载自研的 DM4.0 芯片(算力 120TOPS )。核心技术是 「 视觉感知 + 毫米波雷达测距 」 的融合算法,摄像头负责识别目标类型和轮廓,毫米波雷达负责提供精准的距离和速度信息,两者数据融合后提升感知可靠性。该方案主打入门级城市 NOA 功能,支持常规道路的车道保持、自动跟车、红绿灯识别等核心功能,价格仅为 5000 元,大幅降低了用户的使用门槛。比亚迪汉 EV 的实测数据显示,该方案在晴天的城市主干道场景中,接管率为 0.6 次 / 百公里,能满足日常通勤需求。
商汤绝影 J6M 方案则采用 「7V 纯视觉 + 地平线征程 6M 芯片 」 的配置,通过 7 颗摄像头和大算力芯片,实现低成本城市 NOA 。其核心技术是强化学习和世界模型,通过模拟真实世界的物理规则,让算法在虚拟场景中进行大量训练,提升对突发场景的应对能力。该方案已搭载于广汽传祺向往 S7 车型, BOM 成本控制在 3000 元以下,支持 AI 通勤记忆行车功能,能自动学习用户的日常通勤路线,优化路线规划和场景应对策略。
没有激光雷达也可以
纯视觉方案凭借成本优势实现了城市 NOA 的普及,但 「 算法补硬件 」 的逻辑并非完美无缺。在带来成本下降和快速迭代优势的同时,纯视觉方案也面临着极端场景可靠性不足、数据依赖度高、长期迭代成本上升等弊端。这种双面性,决定了纯视觉方案在城市 NOA 中的适用边界。
1. 纯视觉方案的核心优势
纯视觉方案之所以能在市场上占据一席之地,核心在于其在成本控制、技术迭代和规模化普及上的独特优势,这些优势与中低端车型的市场需求高度契合。
( 1 ) 较低的成本
成本优势是纯视觉方案最核心的竞争力。如前文所述,激光雷达方案仅硬件成本就比纯视觉方案高出 5000-10000 元,这部分成本差异直接体现在整车售价上。以同级别车型为例,搭载激光雷达的小鹏 G9 Max 版售价 34.99 万元,而纯视觉版售价 29.99 万元,差价达到 5 万元;特斯拉 Model Y 焕新版纯视觉方案售价 26.39 万元,若选装激光雷达(海外版可选),售价将突破 30 万元。
对消费者而言,纯视觉方案不仅降低了购车门槛,还减少了后续的维护成本。激光雷达作为精密光学设备,容易受到碰撞和灰尘影响,维修成本较高,单颗激光雷达的更换费用通常在 2000-5000 元;而摄像头和毫米波雷达结构相对简单,维修成本仅为激光雷达的 1/5-1/10 。此外,纯视觉方案的智驾功能订阅费用也更低,特斯拉 FSD 中国版的年订阅费为 2.18 万元,而华为 ADS 3.0 的年订阅费为 3.68 万元,长期使用成本差异显著。
( 2 )快速的迭代
纯视觉方案基于数据驱动的迭代模式,具备 「 越用越聪明 」 的特性。摄像头采集的图像数据体积小、传输效率高,便于大规模回传和标注,形成 「 数据 - 训练 -OTA 升级 」 的闭环迭代。特斯拉凭借全球超 200 万辆搭载 FSD 的车型,每天能采集数千万公里的路测数据,这些数据通过影子模式(系统在人类驾驶时同步运行并验证决策)不断优化模型,迭代周期缩短至 2 周一次。
这种快速迭代能力,使得纯视觉方案能快速适应新的交通场景和政策。例如,当某城市新增 「 公交专用道限时开放 」 政策时,纯视觉方案可通过采集该区域的图像数据,快速训练模型识别相关标识,通过 OTA 推送给用户;而激光雷达方案因涉及多传感器融合,迭代周期相对较长,通常需要 1-2 个月才能完成适配。
( 3 )规模化 的 普及
城市 NOA 的终极目标是 「 全民普及 」 ,而纯视觉方案的成本优势,推动了高阶智驾从高端车型向中低端车型下沉。 2025 年,搭载纯视觉城市 NOA 的车型售价已下探至 15 万元区间,如比亚迪秦 PLUS EV 智驾版、广汽传祺影豹智驾版等,让更多消费者能够体验到高阶智驾的便利。
这种规模化普及不仅惠及消费者,还能反哺技术迭代。更多的车辆意味着更多的数据采集,进一步提升算法的泛化能力;同时,规模化生产也降低了摄像头、芯片等硬件的成本,形成 「 成本下降 - 销量提升 - 数据增加 - 算法优化 」 的良性循环。小鹏汽车的数据显示,随着纯视觉车型销量的提升,其城市 NOA 的接管率每半年下降 20% ,算法可靠性持续提升。
2. 纯视觉方案的固有弊端
尽管纯视觉方案在常规场景中表现出色,但受限于感知原理,其在极端场景和技术瓶颈上的弊端难以通过算法完全弥补,这些弊端直接关系到城市 NOA 的安全边界。
( 1 )极端天气与光照条件下的感知失效风险
纯视觉方案依赖环境光照和图像识别,在暴雨、大雾、暴雪、夜间强光等极端条件下,感知性能会急剧下降,这是其最核心的弊端。行业测试数据显示,在暴雨场景下,纯视觉方案的交通灯识别准确率从晴天的 99% 下降至 50% ,车辆识别距离从 150 米缩短至 50 米;在大雾天气(能见度 50 米)中,纯视觉方案基本无法识别前方行人,而激光雷达方案仍能保持 100 米的识别距离。
2024 年发生的一起特斯拉 Model Y 纯视觉版事故,就暴露了这一问题。该车辆在暴雨天气中行驶时,因摄像头被雨水遮挡,未能识别前方静止的工程车,最终发生碰撞。事后调查显示,当时车辆的 FSD 系统处于开启状态,但因感知失效未触发制动。类似的事故在纯视觉车型中并非个例,极端天气已成为纯视觉城市 NOA 的 「 安全盲区 」 。
( 2 )非规则障碍物识别的 「 长尾困境 」
纯视觉方案依赖算法训练识别目标,对于未经过训练的 「 长尾障碍物 」 ,如掉落的树枝、破损的井盖、临时摆放的纸箱等,识别准确率较低,容易出现漏判或误判。尽管小鹏等企业通过 Occupancy 网络技术提升了对未知目标的识别能力,但仍无法与激光雷达的物理感知相媲美。
第三方测试机构在深圳的路测中,在道路上放置了一个未标注的塑料锥桶,结果显示:搭载激光雷达的问界 M7 在 100 米外就识别到锥桶并减速绕行;而特斯拉 Model Y 焕新版在 50 米处才识别到目标,且误判为 「 可碾压的小障碍物 」 ,未采取减速措施,直到距离锥桶 20 米时才触发紧急制动。这种 「 长尾困境 」 是纯视觉方案的固有缺陷,即使有海量数据训练,也难以覆盖所有可能的场景。
( 3 )无图化落地的技术瓶颈
纯视觉方案在无图化城市 NOA 的落地中,面临着定位精度和环境建模的瓶颈。无图化需要实时构建环境模型并实现精准定位,而纯视觉方案通过视觉 SLAM (同步定位与地图构建)技术实现这一目标,容易受到环境变化的影响。
例如在隧道内,由于缺乏特征点,纯视觉方案的定位误差会从厘米级扩大至米级,导致路线规划错误;在城市施工路段,道路标线被覆盖,纯视觉方案难以识别临时改道路线,容易偏离车道。而激光雷达通过点云数据实时扫描周边环境,定位精度受环境变化的影响较小,能更好地支撑无图化落地。小鹏 G6 纯视觉版在无图区域的接管率达到 1.2 次 / 百公里,远高于激光雷达车型的 0.3 次 / 百公里,充分暴露了纯视觉方案在无图化场景中的短板。
( 4 )长期迭代成本的 「 隐性上升 」
纯视觉方案看似成本较低,但长期的算法迭代和数据标注成本呈上升趋势。为了覆盖更多的 「 长尾场景 」 ,需要采集海量的特殊场景数据,如极端天气、特殊交通标识、罕见障碍物等,这些数据的采集和标注成本极高。特斯拉为了优化中国市场的算法,在中国建立了超千人的数据标注团队,每年的研发投入超过 100 亿元。
此外,随着纯视觉方案向更高阶的自动驾驶演进,对芯片算力的需求呈指数级增长。特斯拉 FSD 芯片的算力已从最初的 40TOPS 提升至 144TOPS ,下一代芯片的算力预计将突破 500TOPS ,芯片成本也随之上升。这种 「 算法迭代 - 算力需求增加 - 成本上升 」 的循环,可能会逐渐削弱纯视觉方案的成本优势。

到底如何选择?
回到文章开头的核心问题:激光雷达是不是城市 NOA 必备?通过 前面的一些 分析可以看出,这个问题没有绝对的答案。激光雷达和纯视觉方案并非对立关系,而是分别对应不同的市场需求和产品定位,车企的选型决策应基于自身的技术积累、成本预算和用户画像,选择最适合的方案。
1. 激光雷达方案:高端车型的 「 安全标配 」
对于主打高端市场、追求极致安全和全场景覆盖的车型而言,激光雷达是 「 必需品 」 。这类车型的用户群体对价格敏感度较低,更关注智驾系统的可靠性和安全性,愿意为更高的安全冗余支付溢价。激光雷达方案的全场景适应性、极端天气稳定性和多传感器冗余,恰好契合了高端用户的核心需求。
华为问界 M9 、理想 L9 、小米 SU7 Max 版等高端车型,均将激光雷达作为智驾系统的核心配置。以问界 M9 为例,其搭载 3 颗激光雷达和双 Orin X 芯片,实现了 「 全国都能开 」 的无图城市 NOA 功能,在暴雨、夜间等极端场景下的接管率低于 0.2 次 / 百公里,构建了强大的技术护城河。这些车型的市场表现也证明了激光雷达的价值,问界 M9 上市首月销量突破 1.5 万辆,其中 80% 的用户选择了搭载激光雷达的智驾版。
此外,在 Robotaxi (无人驾驶出租车)领域,激光雷达方案也是绝对主流。 Robotaxi 需要在复杂的城市道路中实现 「 零人工接管 」 ,对安全性的要求远高于消费级车型,激光雷达的高精度感知和安全冗余是其实现商业化落地的核心保障。百度 Apollo RT6 、 Waymo Driver 等 Robotaxi 车型,均搭载了 4-6 颗激光雷达,确保全场景的感知可靠性。
2. 纯视觉方案:中低端车型的 「 务实之选 」
对于聚焦中端市场、以性价比为核心竞争力的车型而言,纯视觉方案是 「 务实之选 」 。这类车型的目标用户群体以年轻消费者为主,购车预算有限,但希望体验高阶智驾的便利,日常通勤场景以城市主干道为主,极端场景的需求相对较低。纯视觉方案的成本优势,能够让更多用户触达高阶智驾,实现 「 用得起、够好用 」 的目标。
特斯拉 Model Y 焕新版、小鹏 G6 纯视觉版、比亚迪汉 EV 智驾版等车型,通过纯视觉或 「 视觉 + 毫米波雷达 」 方案,将城市 NOA 功能的入门价格下探至 20 万元区间,推动了高阶智驾的规模化普及。特斯拉 Model Y 焕新版 2025 年 1-10 月累计销量突破 30 万辆,其中 60% 的用户选择了搭载 FSD 的智驾版,证明了纯视觉方案在中端市场的强大竞争力。
纯视觉方案的另一个优势是快速迭代能力,通过 OTA 升级不断优化算法,提升系统性能。特斯拉 FSD 中国版每月都会推送一次 OTA 更新,持续优化中国特有的交通场景;小鹏 XNGP 纯视觉版通过海量数据训练,每季度的接管率都会下降 20% ,逐步缩小与激光雷达方案的差距。这种 「 持续进化 」 的特性,也增强了纯视觉车型的市场吸引力。
3. 未来趋势:成本下降与技术融合
随着激光雷达成本的持续下降和纯视觉算法的不断优化,两种技术路线的边界正在逐渐模糊。激光雷达的 「 摩尔定律 」 已显现,禾赛、速腾聚创等头部厂商通过芯片化设计,将激光雷达的单价从 2020 年的 1 万元以上降至 2025 年的 1500 元左右,预计到 2027 年,激光雷达的单价将降至 500 元以内,进入 「 百元时代 」 。届时,激光雷达在中低端车型的渗透率将大幅提升,成为智驾系统的标配。
同时,纯视觉方案的算法也在持续突破, VLA (视觉 - 语言 - 动作模型)、世界模型等新技术的应用,将进一步提升纯视觉方案的感知精度和泛化能力。 VLA 模型通过结合视觉感知、语言理解和动作控制,模拟人类驾驶员的认知过程,能够更好地应对复杂场景的语义理解;世界模型则通过学习物理规则,实现对未来场景的预测,提升系统的决策能力。这些技术的应用,将逐步弥补纯视觉方案的固有短板。
长期来看,激光雷达与纯视觉方案将实现 「 融合共生 」 。激光雷达的成本下降后,将成为纯视觉方案的 「 安全冗余 」 ,在极端场景中补位视觉感知的不足;而纯视觉方案的算法优势,将提升激光雷达数据的利用效率,降低系统的算力需求。这种 「 激光雷达 + 纯视觉 」 的融合方案,将兼顾安全性和成本优势,成为未来城市 NOA 的主流技术路线。
结 语
技术路线服务于用户需求 , 激光雷达与纯视觉的路线之争,本质上是技术理想与商业现实的平衡。没有绝对 「 最优 」 的技术路线,只有 「 最适合 」 的产品方案。激光雷达的价值在于提供更高的安全冗余和全场景适应性,纯视觉的意义在于以更低的成本推动技术普及,两者都是城市 NOA 技术发展的重要组成部分。
对车企而言,选型决策应摒弃 「 非此即彼 」 的思维,基于自身的产品定位和用户需求制定技术策略:高端车型应坚持激光雷达方案,以技术优势构建品牌壁垒;中低端车型可采用纯视觉方案,以性价比抢占市场份额;未来则应布局融合方案,兼顾安全与成本。
对消费者而言,选择智驾方案时应结合自身的使用场景:如果经常在暴雨、大雾等极端天气下行驶,或频繁穿梭于复杂的老城区道路,激光雷达方案是更安全的选择;如果日常通勤以城市主干道为主,且预算有限,纯视觉方案完全能够满足需求。
自动驾驶的终极目标是 「 更安全、更便捷的出行 」 ,无论是激光雷达还是纯视觉,都是实现这一目标的技术路径。随着技术的持续进步和成本的不断下降,未来的城市 NOA 系统将兼具激光雷达的安全性和纯视觉的性价比,让每一位消费者都能享受到高阶智驾带来的便利。而这场路线之争,最终将以技术融合的方式落幕,推动自动驾驶行业迈向新的发展阶段。






