（报告出品方/作者：中信证券，杨泽原、丁奇）

1自动驾驶技术路径：激光雷达是否具有必要性？

当前在单车智能驾驶方案内部，对于自动驾驶传感器的选择，市场上存在着两种不同路径：一种是由摄像头主导、配合毫米波雷达等低成本元件组成，构成纯视觉计算，典型代表为特斯拉、Mobileye和国内唯一自动驾驶纯视觉城市道路闭环解决方案——百度ApolloLite（ApolloLite不再使用激光雷达，使用了纯视觉方案）；另一种是由激光雷达主导，配合摄像头、毫米波雷达等元器件进行融合感知，典型代表为谷歌Waymo、国内的华为、百度Apollo（除ApolloLite）、小马智行、文远知行等头部自动驾驶厂商。

从年开始，随着国内乘用车开始布局高阶自动驾驶解决方案，我们看到基本所有高阶ADAS乘用车都选择了包含了激光雷达的混合感知解决方案。虽然成本仍然是这套高阶解决方案的主要痛点，但车企仍选择依靠提升单车售价的方式来推广自身的智能化解决方案，反映出了车企对依靠自动驾驶能力吸引消费者，构筑品牌影响力的信心。

视觉算法：单目相较双目/三目更成熟，纯视觉算法应对特定场景存在弊端

摄像头是最早的自动驾驶传感器之一，Mobileye是业内最早与实力最强的研发者。Mobileye是诞生于以色列的单目视觉公司，现已被Intel收购，有着在汽车高级辅助驾驶系统领域12年的研发经验，提供芯片和计算机视觉算法运行辅助驾驶功能。在Mobileye研发下，单目摄像头已经可以较完善的实现包括车道偏离警告(LDW)、基于雷达视觉融合的车辆探测、前部碰撞警告(FCW)、车距监测(HMW)、行人探测、智能前灯控制(IHC)、交通标志识别(TSR)、仅视觉自适应巡航控制(ACC)等功能；根据Mobileye于年统计的数据测算，Mobileye的产品占据全球L2及以下市场超过70%的份额。

继承自Mobileye，特斯拉是摄像头算法的另一大拥护者。自年7月Mobileye不再为特斯拉Autopilot提供技术支持后，特斯拉的全自助驾驶FSD（原称Autopilot）沿用了与Mobileye合作时发展的视觉算法体系，以摄像头作为主要感知器，特斯拉的视觉算法的感知配件包括8个摄像头——后方的一个倒车摄像头，前方的一个三目总成件，两侧的两个环绕摄像头，此外还包含一个毫米波雷达。

随着单目摄像头的发展，业内也发现了其对于特殊场景处理困难的劣势，并且Mobileye的垄断地位也使得新入局玩家希望通过其他技术路径实现弯道超车，双目摄像头、多目摄像头等技术在近年快速发展。而限制各种技术路径发展的当前主要难题是处理摄像头数据的芯片。Mobileye用了十年才制造出了满足汽车电子规范要求的芯片，难度极大。双目、多目摄像头当前仍然只能使用定制化的FPGA，因此单目摄像头是业内最成熟的技术路径。

特斯拉应用了三目摄像头，但算法后置到FSD芯片上的Autopilot。年以前，Tesla的ModelS采用的是Mobileye的EyeQ3芯片与单目摄像头，此后特斯拉转为自研。Model3Tesla的三目摄像头是纯OEM硬件，摄像头采集完数据后发给Autopilot控制器。三个摄像头分别对应60m、m、m覆盖范围。特斯拉的摄像头模块将所有CMOS传感器嵌入到PCB中，而将图像处理交给Autopilot的控制器完成。与特斯拉不同的是，其他车企采用的三目摄像头多来自采埃孚这一Tier1供应商，采埃孚的三目摄像头搭载的是Mobileye的算法能力。

但是在L4级自动驾驶传感器选型上，纯视觉方案会存在精度、稳定性和视野等方面的局限性，无法满足高级自动驾驶对于传感器的性能要求。特斯拉的几次重大安全事故频繁发生在白色大型货车相关的场景中，主要原因在于单目或三目摄像头无法像双目摄像头一样通过视觉差判断距离，纯靠AI算法穷举会在新场景上遇到Cornercase，很有可能对距离判断失误。与此同时，静止不动的物体会在算法上被毫米波雷达忽视。摄像头和毫米波双双可能遇到失效的场景，使得特斯拉频繁出现与白色静止货车相撞的事故。

总结来看，纯视觉方案存在部分问题难以通过单纯的算法提升而弥补。包括如测距精度有限，对于强光场景处理难度大，视野范围有限，摄像头机械稳定性差等。这些问题使得使用包括激光雷达、摄像头、毫米波在内的多传感器融合的方案更有优势。

当前较为成熟的算法方案，即使选用了多传感器融合，也大多以摄像头输入数据作为主要建模数据，其他传感器起到补盲的作用。因此激光雷达等传感器与摄像头并不是排他关系，激光雷达的使用，恰恰是为了解决摄像头方案难以解决的cornercase问题。不过我们需要强调的是，自动驾驶算法的首要考虑是安全，因此遇到摄像头处理不了的问题虽然是小概率事件，但在保护整车安全的角度来看，激光雷达的重要性十分显著。

马斯克坚持拥护视觉算法而排斥激光雷达技术的原因主要可能有以下几点：一是商业成本的考量，在特斯拉决定开发FSD纯视觉方案时，彼时市场上的激光雷达主要以Velodyne的机械式激光雷达为主，解决方案价格昂贵且难以进行大规模量产，视觉算法的硬件价格远低于激光雷达解决方案价格。即使到了年，上车的激光雷达售价仍普遍在-美元左右，比纯视觉方案要贵不少。二是快速响应的因素，特斯拉的自动驾驶利用影子模式等技术实现小步快跑，需要大量装车来获取更多数据进行迭代，如果要加装激光雷达，对于激光雷达的规模发货能力是一个很大的考验，激光雷达在年刚开始规模交付，显然很难满足特斯拉大批量装车的需求。

激光雷达技术：直接提供距离信息克服视觉算法弊端，L3以上必备传感器

与雷达工作原理类似，激光雷达通过测量激光信号的时间差或相位差来确定距离，其最大优势在于能够利用测距来创建出目标清晰的3D图像。激光雷达通过发射和接收激光束，分析激光遇到目标对象后的折返时间，计算出到目标对象的相对距离，并利用此过程中收集到的目标对象表面大量密集的点的三维坐标、反射率和纹理等信息，快速得到出被测目标的三维模型以及线、面、体等各种相关数据，建立三维点云图，绘制出环境地图，以达到环境感知的目的。为了看清楚前方障碍物的情况，我们希望激光雷达产生的点云图越密越好，对于传统的机械式激光雷达来说，激光雷达线束（激光发射-接收器对数）越多，点云越密，车辆行驶的安全性越高。

相比于可见光、红外线等传统被动成像技术，激光雷达技术具有如下显著特点：一方面，它颠覆传统的二维投影成像模式，可采集目标表面深度信息，得到目标相对完整的空间信息，经数据处理重构目标三维表面，获得更能反映目标几何外形的三维图形，同时还能获取目标表面反射特性、运动速度等丰富的特征信息，为目标探测、识别、跟踪等数据处理提供充分的信息支持，降低算法难度；另一方面，主动激光技术的应用，使得其具有测量分辨率高，抗干扰能力强、抗隐身能力强、穿透能力强和全天候工作的特点。

激光雷达主要包括激光发射、扫描系统、激光接收和信息处理四大系统。首先由激光发射系统中的激光光源周期性地驱动激光器，发射激光脉冲；扫描系统（可以是轴承、转镜、MEMS振镜等多种形式）通过稳定的转速进行旋转实现光线的分散发射；激光接收系统中光电探测器接受目标物体反射回来的激光，收到回馈的接收光信号；信息处理系统中接收信号经过放大处理和数模转换，经由信息处理模块计算，获取目标表面形态、物理属性等特性，最终建立物体模型。

由于特斯拉至今没有采用激光雷达，因此业界对于L3以上自动驾驶是否需要激光雷达仍存在争议。但从众多车厂实际量产情况来看，激光雷达将会成为主流的L3级及以上自动驾驶必备传感器。相比毫米波雷达和摄像头，激光雷达在目标轮廓测量、角度测量、光照稳定性、通用障碍物检出等方面都具有极佳的能力。因此在一些难点场景下，例如城区非规范行人、非规范道路，甚至是非规范驾驶的行为，激光雷达相比其它传感器可以更容易进行判断。可以说激光雷达是解决连续自动驾驶体验的关键传感器，可以带来更好的驾驶体验，也使得当前大部分整车厂与Tier1供应商选择了激光雷达为L3以上的必备传感器。激光雷达是当前传感器中最为昂贵的一种，但其价格也在技术改进和规模量产下大幅下降。

激光雷达是解决各种驾驶CornerCase的一种重要手段。我们认为，未来主流自动驾驶解决方案将会融合摄像头、激光雷达、毫米波、超声波等多种传感器，激光雷达的融合将会更好的应对各种突发情况。

远距小障碍物场景：毫米波雷达的角分辨率不够，摄像头对远端的通用障碍物识别不够，而这种场景下激光雷达就可能及时识别。

近距离加塞场景：毫米波雷达的角分辨率不够，摄像头通常来说需累计多帧，需要几百毫秒才可以确认加塞，而激光雷达由于精确的角度测量能力和轮廓测量能力，可以2-3帧确认加塞，百毫秒内做出判断。

近端突出物场景：激光雷达相较于毫米波雷达和摄像头可以做出快速判断。

隧道场景：摄像头在光线亮度发生突然变换的场景有致盲情况发生，而毫米波雷达一般不识别静止物体，如果隧道口刚好有一个静止车辆，这时就需要激光雷达的准确识别能力。

十字路口无保护左拐场景：需要激光雷达的大角度全视场测量能力，同时满足大视场和远距测量能力。

地库场景：毫米波雷达由于多径反射性能不佳，而光线强弱变化又会影响摄像头的性能，因此激光雷达是最优解决方案。

2市场规模分析：四大应用场景，高速增长赛道

年被市场认为是激光雷达真正的市场元年，市场规模迅速扩张。咨询机构Yole预计，激光雷达应用是目前汽车行业增长最快的行业之一。从出货量来看：Yole数据显示，年全球激光雷达出货量约34万个，预计年全球激光雷达出货量约万个，年全球激光雷达出货量约万个。从销售额来看：年全球激光雷达销售额约12.95亿美元，年全球激光雷达销售额将达到约61.9亿美元，年全球激光雷达销售额将达到约.32亿美元。

未来，随着自动驾驶技术的进一步普及，预计激光雷达市场规模将会进一步扩大，而单车价值量下降将会进一步有利于激光雷达的量产使用，预计年全球激光雷达市场规模将超百亿美金。

根据应用场景，激光雷达下游应用领域可以分为Robo-Taxi(后装)，量产乘用车ADAS（前装）、服务机器人、车联网四个下游应用场景。其中ADAS料将会是长期成长空间最大的方向。

从应用时间上来看，年后激光雷达开始小批量的应用于Robotaxi与ADAS场景中，在工业上亦有小规模应用；但无论规模还是技术成熟度，年都是显著的分水岭。随着大批量的乘用车开始装配激光雷达作为车规级ADAS传感器，激光雷达的生态链条已经成熟，投资开始进入回报周期。

由于应用场景和搭载激光雷达载体有明显差异，其对激光雷达的性能、价格、体积等维度均有不同需求。

Robotaxi后装市场：低价格敏感度高毛利的稳态市场，年空间35亿美金

Robotaxi当前厂商多为算法运营公司：国内的主要厂商如百度Apollo、滴滴、小马智行等对于产品价格及与车身的集成度要求较低，并且对使用时长并没有车规级的要求，但对激光雷达的精密度要求较高。Robotaxi对于自动驾驶等级要求高，且对成本不敏感，是目前激光雷达厂商的主要收入来源。ReportLinker预计，年全球包括运送乘客和货物在内的L4/L5级无人驾驶车辆数目将达53.5万辆。

Robotaxi厂家加速商业化落地，支撑市场空间。年10月，Waymo宣布通过旗下的叫车软件WaymoOne提供完全无人驾驶服务，全球领先。国内百度Apollo、文远知行、图森未来、智加科技等公司也在加速落地商用化，去年百度在北京开放了无人驾驶出租车服务，乘客可免费试乘ApolloGO，文远知行当前在广州的无人驾驶运营及测试车队数量达台。

由于机械式激光雷达下游仅限于Robataxi厂商，该激光雷达本身市场空间、增速发展有限。Robataxi厂商采用机械式激光雷达主要是因为机械式激光雷达点云质量高，能更好的训练算法，长期来看，该种激光雷达的市场空间反而会随自动驾驶算法趋近成熟而减少。因为算法一旦成熟，批量上车的时候就要考虑成本问题，会更多采用其它形态的车规级激光雷达。

机械式激光雷达是当前最为成熟的激光雷达样式，满足Robotaxi场景需求。机械式激光雷达作为技术成熟，最早量产出货。由于Robotaxi厂商需求的激光雷达主要架设于车辆顶部，且对光路质量要求较高，机械式激光雷达最为合适。

此外，机械式激光雷达的缺点在Robotaxi厂商可以接纳的范围之内。机械式主要问题在于价格昂贵，且可用时间仅2-3年。而对于后装形式，列装激光雷达的Robotaxi厂商是可以接受的。、稳定性这些方面没有太多要求，应对的场景就是测试这样一个环境。

年前，Robotaxi的激光雷达市场处于Velodyne一家垄断的局面。垄断性市场地位加之产业链不成熟带来的较高成本，使得Velodyne的产品定价极为高昂，64线激光雷达价格最高时接近70万元。但随着国产厂商迅速在Robotaxi市场开疆拓土，机械式激光雷达价格出现大幅下降。国内厂商禾赛科技与速腾聚创分别从高端64线和低端16线激光雷达展开产品研发，产业链上下游也迅速成熟，众多厂商开始选择与国内厂商合作。如百度Apollo选择与激光雷达公司禾赛科技达成合作，将与禾赛共同研发新一代激光雷达产品，搭载于其第五代Robotaxi中。（报告来源：未来智库）

ADAS：量产车前装贡献未来亿美金以上庞大市场

车载激光雷达前装与后装的需求差异较大：以Robo-Taxi为代表的后装需求，直接应用于L4~L5完全自动驾驶开发，其在全球需求量级有限，且价格普遍较高，一般都选用高性能的机械式激光雷达；以ADAS乘用车为代表的前装需求，应用于乘用车L2+/L3(ADAS高级辅助驾驶/AD自动驾驶)的车规激光雷达，对尺寸、价格、生产制造性、稳定性有严格要求，性能方面则是在满足了车规级的基础上逐步迭代升级。由于其直接面向消费者，且作为未来自动驾驶汽车渗透率最高的零部件，市场空间最为广阔。

激光雷达最早应用于年乘用车，但彼时法律与技术仍不成熟。年，奥迪A8搭载法雷奥Scala激光雷达，虽然只有4线，但帮助奥迪A8实现了TrafficJamPilot的L3级别功能。但由于过于超前，全球对于L3级别汽车的上路政策仍然不完备，奥迪A8面临各种法律问题，市场推广不及预期，使得此后三年内全球车企均未装配激光雷达。

激光雷达料将在年进入全面爆发期。在CES展会上，大部分激光雷达供应商新推出的激光雷达价格都已降至美元以下，标志着激光雷达价位进入乘用车量产时代。而在整个年中，大量车企公布了搭载激光雷达的自动驾驶车型，其中大部分计划将在年正式量产，整个行业迅速走向成熟期。

由于激光雷达的重要性，部分车企开始通过共同研发乃至直接入股的方式，与激光雷达企业达成深度合作关系。如蔚来与图达通实现了股份的强绑定，并为其提供了十万级别的订单，驱动图达通迅速成熟。由于激光雷达本身技术仍处于不成熟期，站在激光雷达厂商角度，同样也希望与头部智能化车企合作开发，帮助自身技术快速走向车规级落地。

当前单车主流的激光雷达配置数量在1-3个左右。全车方案中最核心的激光雷达为前向主激光雷达，承担了主要的前向驾驶信号感知的工作，车企会选用线束高能力强的激光雷达，当前这一主激光雷达的价格仍然高达-美金。进入L4自动驾驶等级后，部分车企方案中加设了1-2个侧向的激光雷达，目的为了覆盖前向激光雷达的死角，侧向激光雷达的探测距离只需要在m左右，主要用于处理侧向死角的变道车辆，因此价格会下降到美金左右，是主激光雷达的一半。从长城的沙龙机甲龙来看，还有可能在尾部加设1-2个激光雷达，单价预计与侧向激光雷达近似或略低，但是当前主流解决方案中并没有采取这一设计。

市场空间估算：长期来看，根据IHS的数据，年全球汽车销量为0.91亿辆，全球乘用车市场空间相对已经稳定。假设智能汽车覆盖率高度成熟，渗透率达到70%，激光雷达方案达到80%市占率，每辆汽车平均搭载2.5个激光雷达，按照激光雷达单价长期下降至美元/个计算，对应的市场空间约亿美元。

中期来看，预计至年全球乘用车新车市场L3级自动驾驶的渗透率将达约6%，即每年将近万辆新车将搭载激光雷达。

Yole预计Robotaxi无人驾驶与ADAS将会在未来三年内迅速成为激光雷达主要应用方向，在年工业领域应用83%，而到年，车载激光雷达将会占到70%以上。

机器人与车联网市场：空间相对有限，性价比成为主要考量因素

服务机器人场景复杂度低，对性能要求适中但对价格敏感。服务型机器人主要应用范围包括无人配送、无人清扫、无人仓储、无人巡检等，越来越多的电商、消费服务业巨头及初创公司投入该领域。当前，服务机器人落地应用主要集中在校园、社区和工业园区等相对封闭场景。年12月，美国自动驾驶送货科技公司Nuro与零售巨头Kroger(酷乐客)合作，在休斯顿为顾客提供无人送货服务；年7月，京东物流无人配送车正式上线；年10月，美团正式发布智慧门店MAIShop，集成了无人微仓与无人配送服务；在年CES展厅中，国内初创企业擎朗智能等亦展示了应用了激光雷达技术的送餐、酒店、广告引领和消毒机器人等商用服务机器人产品。

随着全球服务型机器人出货量快速增长，以及激光雷达在服务型机器人领域渗透持续提升，IDC预计年激光雷达在该领域的市场规模将达到7亿美元，-年的CAGR达57.9%。

除车侧装配激光雷达外，在交通设施装配支持车路协同应用的激光雷达，可以实现城市交通动态精准感知与智能向导，为驾驶者和政府交管部门提供更多数据支撑。欧司朗称智慧交通可使车辆安全事故率降低20%以上，交通堵塞减少约60%，短途运输效率提高近70%，现有道路网的通行能力提高2-3倍。V2X激光雷达数据也可以支撑车辆的自动驾驶，为驾驶员提供全面的出行信息服务等应用。

车辆网场景的激光雷达厂商多需具备优秀算法能力：车联网应用对车规化和集成度要求较低，但路端应用需要基于激光雷达点云实现目标物聚类和跟踪，因而对激光雷达供应商配套感知算法能力要求较高。

由于单车智能水平与探测距离始终受限，使用单车智能叠加V2X信号后的混合感知算法，有望成为L4+级别的自动驾驶技术的落地方向。年2月国家发改委、工信部、科技部等11部委联合印发的《智能汽车创新发展战略》，要求到年车用无线通信网络LTE-V2X实现区域覆盖，新一代车用无线通信网络5G-V2X在部分城市、高速公路逐步开展应用。激光雷达结合智能算法，能够提供高精度的位置、形状、姿态等信息，对车路协同V2X的实现至关重要。

市场空间：随着智能城市、智能交通项目的逐步落地，该市场对激光雷达的需求将呈现稳定增长态势。IDC预测到年，全球激光雷达在路测激光雷达的市场规模将超45亿美金，-年CAGR达48.5%。但由于不同国家和地区的通信与自动驾驶路径差异，可能会出现不同市场渗透率差距非常大的情况。受限于疫情影响及各国经济状况等因素，我们认为未来三到五年，单车智能化水平提升仍将是自动驾驶实现的主要路径。

于国内在基础设施建设以及V2X推进方面领先全球，我们认为路测激光雷达的主要市场可能会在中国率先发力。根据国内“十四五”规划，我们假定年V2X能够实现国内核心路段和核心城市覆盖，其中需要进行改造的AB级路口及部分C级路口智慧路口共有25万个，单个路口需要至少两个激光雷达覆盖，路测激光雷达成本相对较低，假设为元单个，则市场空间有望达到20亿元人民币。

3从技术路径看估值差异：应用场景与技术积累

不同激光雷达技术路径不尽相同，且当前并不存在明确的最优解路径。激光雷达的各个环节几乎都有不同的执行方式；按照测距原理，可以分为依赖飞行时间的脉冲ToF型，或是不基于时间的连续波FMCW型。我们常见的产品多为脉冲ToF型，依赖于探测激光飞行的时间来确定距离长度，在硬件上由四部分构成，分别是激光的发射器、接收器、扫描器和数据处理芯片。

激光雷达厂商设计与Know-how，以及决定激光雷达外部形态、功能实现的是其扫描系统。由于光发射端与接收端主为光器件产业链，而主控模块部分依赖半导体产业链，均相对成熟，使得扫描系统成为当前激光雷达厂商最主要的分类方向。当前针对激光雷达的特定需求，产业也在向更适合的方向进行研发迭代。

扫描系统：半固态/固态成为ADAS最优选，Flash方案短期内难以实现

ToF激光雷达宏观上可以分为两类，针对是否需要改变光的传播方向，分为需要更改传播方向的beamsteering（光束控制式）与不改变光传播方向的fixedbeam（固态）。其中beamsteering激光雷达通常又可分为机械式激光雷达与半固态激光雷达两种，半固态雷达以转镜式、振镜式（MEMS）、双棱镜式三类为代表；而固态激光雷达包括OPA、Flash等技术方向。总体上，改变光传播方向总会对光带来损耗，因此纯固态在长期来看是激光雷达的最优解；而在进行光传播方向改变时，则是进行物理动作的零部件越少则耗损越慢，且等效线数相同的情况下，需要使用的发射/接收组件对数越少越利于控制成本。但是实际使用上，则要考虑到技术成熟度，成本，算法成熟度，与其他传感器的适配等多个层面因素，才能决定哪种方案是当下的最优解。机械式激光雷达在上文中已经做过阐述，因此本节主要介绍半固态和固态激光雷达。

半固态激光雷达：转镜/MEMS成为当前热门量产技术路径

1)转镜式激光雷达：高成熟度，落地主力

转镜式激光雷达是当前半固态激光雷达中最成熟的一类。原理是保持收发模块不动，让电机在带动转镜运动的过程中将光束反射至空间的一定范围，从而实现扫描探测，其技术创新方面与机械式激光雷达类似。但依靠转镜的表面垂直角度不同，转镜式激光雷达可以将光源发出的光束路径进行倍数级放大，从而大幅减少光学组件的应用数量，达到与机械式激光雷达纯粹依靠堆叠激光/接受器对数近似的图像效果。

转镜式激光雷达技术较为成熟。Ibeo/Valeo的Scala一代与二代使用的就是转镜扫描方式，在年已经应用于AudiL3智能驾驶车型中，并在工业领域亦有应用，是除机械式激光雷达外快速实现量产的选择。华为应用与北汽极狐上的96线激光雷达同样属于这一技术路径，转镜式激光雷达虽然相较于MEMS激光雷达应用激光器数量较多；但是技术路径成熟，量产压力较小，成为华为第一代量产激光雷达的技术选择。

从BOM成本上来看，转镜式激光雷达的成本下降主要得益于产量提升的驱动。根据法雷奥的测算，平均每年一百万台的产出下，单台的BOM成本有望下降至美金（ScalaGEN1是4线激光雷达）。在GEM1当中，BOM成本中当前45%来自主要硬件模块，这一比例在更高线束的激光雷达中会更高，超过50%以上——包括发射-接收组件，FPGA板，主控板与电源模组等。应用成熟上游激光器与接收器的激光雷达厂商在该部分的成本降低空间有限，随着大规模量产预计有20%-30%降幅；而应用nm收发组件的厂商仍有部分降本空间。BOM成本排第二的是光学模块组件——由反射镜、透镜、棱镜、窗口玻璃等构成的光通道，成本占比在25%左右；除此之外的BOM成本包括了结构模块：支撑了硬件模块与光学模块的支架，电机，轴承（这一部分占比在不同类型激光雷达中差距较大）等。

国内的头部厂商之一，禾赛科技的半固态激光雷达AT即为车规级的转镜式激光雷达，具备米

10%的测距能力，而且最远地面线可以达到70米。通过芯片化通道的固态电子扫描，实现了“真线”的结构化扫描，避免了二维高速机械扫描对产品可靠性和寿命带来的影响的同时，实现了点云在水平和垂直方向完整视场角无拼接均匀分布，形同摄像头的结构化数据可以给后期算法带来非常大的便利。当前禾赛的ATB产品已经接到了超过万台的车企定点，预计将在年实现大规模量产交付。除禾赛科技外，华为当前也采用了转镜式的激光雷达，为等效96线产品。

2)MEMS激光雷达：当前落地最多产品，成熟度已满足规模量产

MEMS激光雷达通过MEMS振镜来实现光线偏转，打出光面实现扫描过程，最大程度地减少了例如电机、轴承等可动机械结构带来磨损，同时也消除了光电器件因为机械旋转可能造成故障，可以很好的解决机械式激光雷达面临的物料成本高+量产成本高的问题。

MEMS激光雷达应用MEMS微振镜进行扫描。MEMS激光雷达通过硅基芯片上微振镜以一定谐波频率的振荡，来反射激光器的光线，从而以超高的扫描速度形成高密度的点云图。由此改变单个发射器的发射角度进行扫描，形成较广的扫描角度和较大的扫描范围。其核心光束操纵元件为MEMS微振镜，大大减少了激光雷达的尺寸，减少激光器和探测器数量，极大地降低成本，具有高性能、稳定可靠、易于生产制造等优点，兼顾车规量产与高性能的需求。

MEMS技术优势在于：第一，MEMS微振镜摆脱了笨重的马达、多棱镜等机械运动装置，毫米级尺寸的微振镜大大减少了激光雷达的尺寸，同时也一定程度上提高了使用寿命限制。

第二，MEMS微振镜的引入可以减少激光器和探测器数量，极大地降低成本。对于MEMS激光雷达，发射和接收激光器大幅度减少，即使做到等效上百线，有些只有几个发射，接收可以用单线的SiPM，也可以用阵列，比较灵活。BOM成本大幅度降低，其主要成本集中在MEMS振镜上，大规模量产MEMS振镜可以降低到30-50美元，基于振镜和光源不同，MEMS激光雷达BOM成本目前约-1美元。Innoluce曾发布一款MEMS激光雷达设计方案，采用MEMS微振镜，并将各种分立芯片集成设计到激光雷达控制芯片组，将激光雷达的成本控制在美元以内。从国内当前厂商来看，速腾聚创的最新产品基于MEMS振镜的M1激光雷达的售价在0元左右。

第三，MEMS在投影显示领域商用化应用多年，技术较为成熟。车规级的MEMS芯片对抗振动、工作温度、尺寸等都有要求，需要针对车规级需求的定制化研发。但是MEMES仍有缺点：其光路较复杂，微振镜结构较为脆薄，影响整个激光雷达的寿命；激光扫描范围受微振镜面积限制，视野相对较窄。针对这些缺点，振镜厂商正在做出进一步的改良，电磁式MEMS振镜相较静电式，体积大，悬臂强度高，可以做到G以上的抗冲击，远超车规要求的50G。

国内在MEMS技术当中最领先的玩家是速腾聚创，这也使得它成为了当前最受自主品牌欢迎的国内激光雷达厂商。速腾聚创在年即开始布局MEMS技术，在年CES推出MEMS雷达M1的早期版本，年3月宣布落成国内首条车规级固态激光雷达产线。除了落地进度领先外，速腾聚创在MEMS技术基础上，研发了基于MEMS二维扫描芯片技术的可智能变焦的“凝视”功能，使得M1可以任意改变横向和纵向的扫描速度从而改变扫描形态，且在收到指令后的下一帧即可完成切换，帮助车辆聚焦于重点感知区域，提升自动驾驶性能。这一特性使得速腾聚创产品在一般的MEMS产品外更具备自身特色。除国内的速腾聚创外，应用MEMS技术的头部厂家包括了海外的Luminar、Innoviz。

3)双棱镜式激光雷达：成本最优，优劣势均突出

除了转镜式和振镜式，较为独特的双棱镜式激光雷达主要应用者为大疆Livox。扫描系统采取两个棱镜来改变光路，光电发射组件不进行旋转，因此归为混合固态激光雷达。技术路径的优势在于其易过车规（旋转部件较少，不易损）、性价比高（实现等效线数需要的激光/接收组件比MEMS式更少）。Horizon等效为64线激光雷达，Tele-15等效为线以上的激光雷达。大疆揽沃的优势使其成为所有问世的激光雷达当中价格最为低廉的，最早的MID系列即以元售价出售，新款产品价格与此类似，也使其成为最早在国内上车上路的激光雷达产品之一。（装配于小鹏的P5系列当中）

双棱镜式的缺点同样较为明显。一是非重复扫描的帧率较低，点云密度需要较长的扫描时间，对于注重反应时间的ADAS场景来说存在较大缺陷；二是双棱镜下点云会呈现出与其他方式均不同的“万花筒”式结构，使用神经网络等AI技术的自动驾驶公司若想使用该类激光雷达，需要使用新的算法，并与其他传感器数据进行匹配。

固态激光雷达：或为长期趋势，但短期内落地难度大

在激光雷达技术演技路线层面，基于转镜和MEMS方式的固态激光雷达是最有希望快速落地的成熟方案，OPA与Flash则是明日之星，但落地进度持续不及此前业内的期望，发展进度缓慢。基于OPA的固态激光雷达主要利用光的干涉原理，通过改变不同缝中入射光线的相位差即可改变光栅衍射后中央明纹的位置，尽管有着扫描速度快、精度高、可控性好的优点，但其生产难度较高。

OPA激光雷达：这种固态激光雷达有着扫描速度快、精度高、可控性好、抗振性能好、体积小、量产一致性高、成本更低等优点。但仍有易形成旁瓣效应、光信号覆盖有限、环境光干扰、测距较短等问题，而且加工难度较高。

Flash激光雷达也被称为深度相机。其原理是通过短时间直接发射出一大片覆盖探测区域的激光，再以高度灵敏的接收器完成对环境周围图像的绘制。Flash雷达虽然稳定性和成本不错，但由于其功率密度太低，导致有效距离一般难以超过50米。要改善其性能，需要使用功率更大的激光器，或更先进的激光发射阵列，让发光单元按一定模式导通点亮，以取得扫描器的效果。

Flash长期优势显而易见，受到厂商追捧，包括：最容易通过严格车规、体积最小、安装位置最灵活、全芯片化、成本最低（单价可轻松做到美元以下）、性能挖掘潜力最大（深度相机不仅可以用于车载领域，也可以用于其他固态3D感测领域，还有AR/VR）。

发射端（VCSEL）和接收端（SPAD）设备都已经做成了芯片级部件，再加上一个驱动器和主板即可做成雷达本体，因为内部没有了精密的旋转部件，且收发端实现了芯片级设计，所以又解决了过车规以及成本的问题。

在这些原因推动下，全球科技巨头纷纷选择了直接投入这个可能是激光雷达“终局”的赛道，全球科技界在全局Flash领域的研发投入远远高于其他类型的激光雷达：包括博通（特斯拉的合作伙伴，在年11月EPIC在线会议上推出车载Flash激光雷达用SPAD或SiPM阵列芯片）、苹果（iPhone12Pro的超广角镜头的上下两部分构成了激光雷达的VCSEL+SPAD设计）、索尼、三星、意法半导体、英飞凌、AMS、Lumentum、东芝、松下、佳能、滨松、安森美、电装以及丰田都在开发Flash车载激光雷达。

较为成熟的固态激光雷达厂商包括Quanergy、ibeo等。其中Quanergy的新产品S3自称为全球首款全固态LiDAR，可广泛应用于无人机、智能机器人、安防、智能家居及工业自动化应用。Ibeo在与法雷奥合作的机械式激光雷达产品SCALA系列大获成功后，于年被ZF收购40%股份，开始着力研发固态激光雷达产品，Ibeo预计于年实现成熟的固态激光雷达量产。传统的以机械式为主要路径的厂商均开始尝试发力固态雷达，以小型化、低成本、可靠性高作为未来发展方向。

Flash激光雷达的最大痛点是短期内难以顺利落地量产。核心原因在于Flash技术需要的VCSEL芯片功率难以顺利提升。作为这一赛道的头部厂商，Quanergy的产品推进进度持续不及预期，一定程度上降低了市场对于纯固态激光雷达快速投入使用的期望。

总结来看，机械式激光雷达虽然是当前主流且技术成熟，但预计不会成为未来车厂OEM的量产产品；转镜式以及MEMS振镜成本较低，技术也相对成熟，较适合大规模应用；Flash激光雷达不再需要扫描设备，避过了各类扫描设备的所有缺点，但由于当前技术受到激光器功率限制，未来随着激光器技术演进可能是主流技术。当前量产下，转镜和MEMS量产较多。

在车规量产和高性能需求下，固态激光雷达技术快速发展。目前，激光雷达正从机械旋转式到混合固态，再到纯固态方向演进。但由于纯固态受限于上游材料学因素，当前市场主流选择为混合固态的激光雷达。

虽然当前ADAS领域，混合固态占主导，长期来看，固态更有优势：Yole预计固态激光雷达和Flash激光雷达出货量将从年起逐渐增多，到年，固态/Flash出货量约为50万个，机械式约万个，比例为1：5.8；从年开始，固态/Flash出货量将超过机械式激光雷达，到年，固态/Flash出货量约为1万个，机械式约万个，比例为1.64：1。

在RoboticCars领域，机械式占主导，前期以机械式激光雷达为主，Yole预计固态激光雷达和Flash激光雷达出货量在年起逐渐增多：年，固态/Flash出货量约为5万个，机械式约万个，比例为1：24；到年，固态/Flash出货量约为54万个，机械式约万个，比例为1：7.4；从销售额的角度，年固态/Flash约为7万美元，机械式约45.82亿美元；到年，固态/Flash销售额约为6.46亿美元，机械式约58.94亿美元。

总的来看，根据Yole预测，固态激光雷达的销售额占比将会从年的4.78%增加到年的37.25%，销量占比将会从年的11.83%增加到年的52.6%。

激光器划分差异：nm安全性优于nm，EEL开始向VCSEL过渡

VCSEL（垂直腔面发射激光器）芯片的消费者级生产线已经非常完备。自从年苹果将VCSEL应用在前置结构光方案实现人脸识别功能之后，VCSEL开始在消费电子领域得到广泛的

转载请注明:http://www.aideyishus.com/lkzp/4516.html