原创 周彦武 汽车之心

再有就是毫米波雷达，目前量产车的毫米波雷达角分辨率太低，对金属物体又过于敏感，为避免误动作，所有的毫米波雷达都会将静态目标过滤掉。
此外，毫米波雷达安装的角度也很低，遇上底盘比较高的大货车，可能会检测不到。
即将上市的宝马 iX 安装的大陆 ARS540 4D 毫米波雷达角分辨率高，且是目前唯一能真正测高度的毫米波雷达，不过滤静态目标。
即便毫米波雷达不过滤静态目标，以辅助驾驶的设计原则，宁漏检不误检，恐怕也不会启动 AEB。

特斯拉撞的静止消防车和警车不胜枚举，立体双目就不会出现这种情况，它无需识别也可以探测障碍物 3D 信息，还可以预测其行动轨迹。
 
 图片来自丰田工业大学、电装、SOKEN 的双目研发成绩汇报
激光雷达的缺点是其点云比较稀疏，即便是最强的 Luminar 激光雷达也难以和 100 万像素的摄像头比。
再有就是不同物体激光反射率差别极大，同样距离下，可能一辆白色车能探测到，一辆黑色车就探测不到。
再比如交通指示牌，激光雷达对其反射回来的高强度回波非常敏感，容易在点云中形成「鬼影」和「膨胀」。这样的点云是不可用的。
还有空洞，「空洞」描述的是激光雷达对于近场低矮障碍物的探测在从远到近过程中「时有时无」的丢失现象。
障碍物原始点云「时有时无」会让感知算法难以连续跟踪，这容易导致智能驾驶的急刹车或频繁「减速加速」顿挫。
除了空洞，还有激光雷达行业内部的术语「吸点」，这就是在近距离跟车时，车牌是强反射目标，与车体的低反射目标容易混淆，测距不准，形成盲区，称之为「吸点」。
激光雷达数据的稀疏性与非结构化，导致传统算法无法适应，深度学习这种测不准的黑盒子算法将激光雷达深度信息的高精度造成了衰减。
摄像头的缺点是必须有足够的纹理特征，比如颜色完全一致的大货车侧面，平整的水泥路面等没有纹理特征的目标，单目摄像头会完全失效，等于盲人，就像看到了天空一样，目中无人。
立体双目虽然此时仍可以探测到目标，但深度信息准确度会下降。
立体双目某种意义上也可看做一个激光雷达，其提供准确的深度信息，视差图可以转换为点云。
因此立体双目与激光雷达融合的效果最好，远比其他种类的传感器要好，单目通过深度学习可以估算深度，但准确度远不能和测量模式的立体双目比，两者有天壤之别。
当然，单目能做到的，双目也都能。
那为什么特斯拉不用立体双目？宝马用了立体双目为什么又退出了？
——原因是太难用了。