在自動駕駛技術路線選擇的關鍵節點，自動駕駛產品高級總監袁婷婷近日公開對激光雷達方案提出質疑，直言“激光雷達看得遠是個偽命題”。這一觀點引發行業對傳感器技術路線的深度討論，也折射出小鵬汽車從激光雷達到純視覺方案的戰略轉向背后的技術邏輯。

圖片來源：小鵬汽車

袁婷婷從物理特性、環境適應性及信息處理效率三個維度，系統性拆解了激光雷達在遠距探測中的技術短板。

1. 能量衰減與點云密度瓶頸：激光雷達依賴發射近紅外光并計算反射回波時間（ToF）來定位障礙物，但這一原理導致其能量密度隨距離呈平方反比衰減。以行業領先的192線激光雷達為例，在200米外探測時，其回波信號強度和點云密度僅為近距離探測的千分之一，導致對輕質物體（如塑料袋）與危險目標（如橫穿電瓶車）的區分能力大幅下降。相比之下，800萬像素攝像頭在相同距離下仍能捕捉到豐富的紋理、顏色等語義信息，為算法決策提供更可靠的依據。

2. 多徑效應與低幀率加劇誤判風險：激光雷達在復雜場景中易發生多次反射，導致回波信號混疊。例如，城市立交橋結構曾引發某車型將橋墩陰影誤判為靜止車輛，導致十余次非必要急剎。此外，主流激光雷達的10Hz刷新率僅為攝像頭幀率的五分之一，在120公里/小時車速下，200米外的移動目標物會在兩次掃描間隔中位移超3米，進一步降低動態目標識別精度。

3. 極端天氣下的“致盲”困境：激光雷達對雨霧等天氣高度敏感。實測數據顯示，暴雨環境下其有效探測距離驟降至30米以內，且近場噪點增加五倍。而毫米波雷達憑借其長波長特性，在穿透能力上展現出獨特優勢。今年廣東汛期路測中，純視覺方案車輛在能見度50米工況下的識別準確率反而比融合感知方案高出12%，凸顯了單一激光雷達方案的局限性。

袁婷婷強調，小鵬汽車轉向純視覺方案并非“技術降級”，而是基于數據積累與算法突破的必然選擇。

1. 高分辨率攝像頭的信息密度優勢：在200米外探測場景中，攝像頭憑借800萬像素分辨率與紋理識別能力，可精準捕捉目標物的形態特征。例如，在區分塑料袋與電瓶車時，攝像頭能通過紋理特征快速判斷物體屬性，而激光雷達僅能提供稀疏的點云數據，難以支撐復雜場景下的決策。

2. 端到端模型打破傳感器依賴：小鵬汽車通過全量信息點收集與端到端算法迭代，實現了對傳感器硬件的“解耦”。袁婷婷指出，視覺與激光雷達版本的能力一致性，本質取決于模型對多模態數據的融合處理能力，而非單一傳感器的性能。例如，小鵬P7+搭載的AI鷹眼視覺方案，通過海量真實場景數據訓練，已能實現與激光雷達版本相近的復雜場景應對能力。

3. 成本與工程化的現實考量：從商業層面看，單顆激光雷達采購成本約占BOM總成本的2%，而8攝像頭方案硬件成本可降低37%。更輕量化的傳感器布局還使車型續航提升5.2%，為消費者帶來直接收益。這種“降本增效”的平衡，正是小鵬汽車推動技術路線轉向的核心驅動力。

盡管袁婷婷的質疑直指激光雷達痛點，但行業對傳感器融合的共識并未動搖。激光雷達在夜間探測、低矮障礙物識別（如井蓋、石塊）及異形目標檢測（如馬車）中的優勢仍不可替代。例如，Waymo測試顯示，激光雷達在識別異形障礙物時比純視覺方案快0.3秒，顯著降低城市道路誤剎車率。

業內專家指出，自動駕駛的終極方案并非“非此即彼”，而是需要構建“攝像頭為主、多傳感器冗余”的感知體系。例如，毫米波雷達可彌補激光雷達在雨霧天氣的短板，而攝像頭則負責提供語義信息。這種“揚長避短”的融合策略，才是技術演進的正確方向。

袁婷婷的質疑，本質上是對自動駕駛技術本質的回歸：傳感器只是“眼睛”，而算法才是“大腦”。在數據與算力驅動的智能時代，如何讓“大腦”更高效地處理信息，或許才是行業需要思考的核心命題。