马斯克说雷达很坑，但特斯拉却要重启雷达，到底谁被打脸？

　　马斯克重启雷达被很多人嘲笑。
　　这是因为他在几种雷达问题上反复横跳，而且还数次惨遭打脸。
　　不过在早期时，马斯克其实还是认可雷达作用的。
　　2014年，特斯拉首次推出自动驾驶系统，当时配置了1个摄像头、1个毫米波雷达和12个超声波雷达。
　　在很长一段时间内，特斯拉自动驾驶用雷达的比重超过了摄像头。
　　但是到了2019年，马斯克对雷达的态度就变了。
　　当时激光雷达突然火爆，但是马斯克却瞧不上激光雷达，公开向它开炮，说＂傻子才用激光雷达，谁用谁完蛋＂，还嫌弃激光雷达的价格太贵，像阑尾炎一样，是一个没用的附属品。
　　结果2020年后，华为等中国企业将激光雷达的价格给打了下来，而且越做越便宜，从最高价的数万美元下探到几百美元。
　　越来越多的车企开始布局激光雷达。
　　但是马斯克是个例外，他虽然不再提激光雷达无用论，但是特斯拉不仅没有跟进激光雷达，反而将其他雷达也拿来开刀。
　　2021年4月时，马斯克在社交媒体上表示：特斯拉新一代的自动驾驶系统（FSD），将是纯视觉方案，他在结尾还特地强调了一句：没有雷达。
　　在马斯克的规划中，特斯拉将完全抛弃掉雷达，最终只用摄像头就能完成L5级别的自动驾驶，并且他还预测将在2020年实现特斯拉的无人出租车。
　　这个决定震惊很多业内人士，他们给出各种各样的数据和案例来证明，只有摄像头是没有用的。
　　但是马斯克不为所动，反而一直在强调纯视觉的好处，然后一步步推动特斯拉去雷达化。
　　2021年5月，特斯拉就正式宣布北美地区的model 3和model Y车型将取消毫米波雷达，而Model S和Model X也将在2022年年初取消毫米波雷达。
　　2022年10月，特斯拉再次对雷达下手，不过这次是超声波雷达，他们在model 3和model y车型上的超声波雷达也取消掉了。
　　可以看出特斯拉确实动真格的了。
　　马斯克的壮志也培养起一堆的纯视觉自动驾驶的拥护者，他们认为特斯拉的纯视觉系就是自动驾驶的未来。
　　然而尴尬的是，在他们期待特斯拉做出成绩的时候，却突然爆出特斯拉已经在测试雷达的消息，而且为了保密，特斯拉还向美国FCC申请不公开雷达的信息。
　　这下网上就炸开了锅，合着前面马斯克怼了雷达那么久，自己却在背地里暗度陈仓？
　　于是万能的网友深扒了相关材料，将这颗能让马斯克反悔的雷达给查得是一清二楚，根据资料显示，这颗就是2021年被马斯克放弃的毫米波雷达，而且还是比较先进的4D雷达。
　　那么问题来了，马斯克为啥那么讨厌雷达？后来又为啥重启雷达，未来激光雷达还能征服马斯克吗？今天就来聊聊这些事。
　　马斯克为何选择纯视觉，有人说成本问题，因为他曾说过激光雷达的价格太高，也有人说是雷达本身的问题，因为他曾评价雷达波段下，金属之外的东西都是半透明的。
　　但是这么说好像也不太对，因为每种传感器都有它的优势，也有它的局限性，总有一些因素干扰了马斯克的选择，那么它到底是什么呢？
　　我尝试着回顾一下自动驾驶雷达的发展，这才渐渐缕清一些事情，这里面不仅仅有中国和特斯拉押注不同路线的原因，也有路线竞争的残酷性。
　　在最早的时候，车辆的自动驾驶是没有这么多传感器的。
　　尤其2000年以前，自动驾驶只是作为汽车未来方向的一个噱头，属于概念性的产品，但是在2004年时，这种情况发生了改变。
　　当时美国国防高级研究计划局为了减少军人的伤亡，希望研制出无人驾驶汽车来替代常规驾驶员，于是他们制定了自主地面车辆（ALV）计划，但是研究的过程并不顺利，一直没有优秀的产品诞生。
　　于是为了更快地推进无人驾驶，他们在2004年-2007年举办了三届闻名世界的比赛：DARPA无人驾驶挑战赛。
　　它是第一个由美国官方举办的无人驾驶赛事，奖金高达100万美元，场地设置在环境恶劣的沙漠里，可以说挑战与收益都很高，所以吸引了众多的企业和研究团队的注意。
　　这三届比赛几乎确认了自动驾驶未来的路线。
　　其中第一届比赛由于技术不够完善，加上大家准备不充分，没有任何一支队伍完成，但是这届挑战赛依旧让很多人看到了希望。
　　于是在第二届时，很多团队开始突发奇想，设计了很多设备来完成这项挑战，其中就包括激光雷达在内的各种雷达辅助，最终有5支团队完成了150英里的沙漠挑战。
　　但是第二届的冠军并不是激光雷达阵营，而是斯坦福大学Thrun的团队。
　　Thrun是斯坦福大学实验室主任，主要研究人工智能，他们给赛车配备了雷达、摄像头、激光测距仪和计算机系统，车子一边开，科研人员一边在计算机系统上进行调试和控制汽车的方向。
　　由于沙漠地区非常的开阔，障碍物都比较小，雷达识别有时会出错，而摄像头就可以非常清楚地识别到小型障碍物和路线。
　　所以斯坦福大学的团队虽然配置了众多的传感器，但是摄像头和先进计算机系统相当于人的眼睛和大脑，由它们组成的＂驾驶员＂让汽车艰难地完成了任务。
　　而摄像头+计算机系统就是早期视觉路线。
　　到了第三届比赛时，场地换到了城市，场景一下子变得复杂起来，有非常多的障碍物、高楼大厦，视觉传感器因此被减弱，但激光雷达，站了出来，在总共有6支参赛队伍中，有5支队伍配置了常规雷达和激光雷达。
　　而这就是激光雷达路线首次的运用。
　　当然这两种路线都不是最纯粹的，视觉路线还需要雷达的配合，而激光雷达当时还是单线程的，技术并未成熟，所以更多就是辅助的功能。
　　但不管怎么说，大赛后自动驾驶已经被公认是可行的，缺的只是以何种方式去实现它。
　　2009年，谷歌X实验室秘密成立了无人驾驶项目，这个项目奠定了后来自动驾驶公司Waymo，自此越来越多的科技企业入驻无人驾驶，特斯拉也不例外。
　　2013年，马斯克开始频繁讨论自动驾驶，并且在次年，特斯拉就推出自动驾驶系统Autopilot ，马斯克对于它定位是增加汽车的智能性，比如自动紧急制动、自动巡航、自动泊车等功能，作为特斯拉汽车的卖点。
　　严格意义上来说，它只是L2级别的辅助自动驾驶，
　　当时Autopilot 选择的方案是主流的摄像头+毫米波雷达+超声波雷达的路线。
　　为啥不用激光雷达？
　　因为当时的激光雷达特别坑，覆盖范围小，价格还高达数万美元，根本没办法装在商用车上，这与马斯克的定位不符合，也符合他的第一性原理。
　　2016年，激光雷达市场突然发生巨变，以禾赛、速腾为代表的中国企业强势进军该领域，同年速腾、北科天绘、镭神科技相继发布 16 线激光雷达。
　　次年，中国禾赛推出了40线的激光雷达Pandar 40，售价为4万美元，它的价格只有国际巨头Velodyne的一半。
　　中国企业用杀穿国外巨头的方式，将激光雷达的价格越做越低，激光雷达迎来了商业化的元年，这里的故事其实也很精彩，我们有机会再做一期。
　　总的来说，激光雷达的商业化，让传感器终于丰富了起来，有摄像头、毫米波和超声波等传统雷达以及新型的激光雷达。
　　它们各有各的优势，摄像头和人眼一样，可以非常清晰看到路况，它技术成熟、成本低，是车企的第一选择。
　　但是它也有缺点，就是缺乏测试距离的能力，遇到强光、雾霾、雪地等环境时，也影响摄像头的观测。
　　激光雷达则是向前方发射激光束，可以精准判断障碍的距离等信息，并且在各种极端环境中使用也可以使用，缺点就是不能独立成像，一般是作为摄像头的补充来使用。
　　而传统雷达的优缺点和激光雷达的比较类似，不过它发射的是无线电波，而且无法测出大小和形状，优势是价格很低。
　　可以看到它们的优缺点都很明显，而且不是简单的谁替代谁的关系，所以这个时候的车企为了安全性以及更快实现自动驾驶，尝试的还是多种传感器组合。
　　特斯拉也是如此。
　　2016年，他们向用户开放完全自动驾驶系统FSD，采用的就是视觉为主，传统雷达为辅的路线，当然FSD依旧延续了马斯克实用性的原则，所以并没有搭载价格更贵的激光雷达。
　　而有些车企则押注激光雷达路线，希望用更多的雷达来弥补摄像头缺点。
　　于是市场上开始出现两种路线，一种是视觉为主，传感器为辅路线，一种是以激光雷达为主的多传感器方案。
　　然而这两种方案都有问题。
　　企业尝试诸多传感器方案后则发现了一个共同致命的问题，这些传感器将信息汇总在一起的时候竟然会彼此＂打架＂
　　一般来说自动驾驶分为三个环节分别是：感知、决策和控制，他们就像一个驾驶员的眼睛、大脑和手脚，感知就是指多种传感器，他们负责搜集的路况信息，而决策就是指芯片和算法，负责处理路况信息，然后反馈给车子。
　　车企们在尝试过后发现，传感器越多，的确可以收集到的信息越多，芯片决策和处理就越准确。
　　但问题是，人类制造的芯片能力确实有限，一旦数据超过芯片的处理上限，就会像手机一样出现卡顿或者做出错误的决策，所以要么减少传感器的存在，要么增加算法的软硬件能力。
　　于是为了解决这个问题，车企们又开始用出了不同的方案。
　　比如特斯拉，他们一直在自研芯片和算法，甚至搭建神经网络模型来，希望通过强大软硬件来弥补决策不足。
　　然后他们向特斯拉用户开放FSD，让全球数量庞大的车主都成为特斯拉的测试员，不断抓取道路的信息，希望来培训算法。
　　为了处理这些数据，特斯拉还准备自己研发超级计算机DOJO，希望借助它来处理这些庞大的数据。
　　当然这么死磕算法的企业并不多，因为这需要大量的时间、成本，所以部分企业则另辟蹊径依靠的是后融合算法，来减轻负担。
　　传统的算法是将各个传感器的信息收集在一起，汇总之后再给芯片处理，这样的确会增加芯片的负担；而后融合算法则不一样，它先是给每一个传感器都安装上芯片，让激光雷达、摄像头、传统雷达自己先进行初步的数据筛选，把一些没有用的数据去掉，得出初步的结果后，再交给芯片去处理。
　　这样收集起来的数据就变少了，那么芯片在做决策的时候，就不会因为数据量问题，造成决策失误。
　　然而这种算法依旧不是最优的解法。
　　上面每个传感器的优缺点不一样，它们感知也是不一样的，同一个物体，在摄像头、雷达、激光雷达的观测下可能会产生不一样的后果，那么如果有冲突，结果应该以谁为准呢？
　　举个例子，比如路边一个人形广告牌，摄像头可以看出它是一个假人，但是激光雷达却感知它像个人类，那么决策层的芯片应该相信谁呢？
　　所以后融合算法也出现了问题。
　　当然不同的企业依旧有不同的选择，比如有些人选择了全融合算法，就是将传统的算法和后融合算法合并在一起，而这样对于芯片的算法能力要求再次变大。
　　特斯拉就另辟蹊径，干脆做起了减法。
　　2021年5月，特斯拉宣布取消了毫米波雷达，改成＂Tesla Vision＂视觉系统。
　　一个月后，他对此做出解释：说纯视觉方案的安全性反而会高于视觉+雷达方案，因为特斯拉的视觉方案已经够好了，再使用雷达反而可能会干扰判断。
　　所以不管是中国车企的多传感器的融合派，还是特斯拉的纯视觉，其实都是在实践的过程中发现了很多问题，然后被迫被出抉择，至于选择哪个方向，每一家车企都有自己的考量。
　　其实在自动驾驶上，几乎每一个路线都面临巨大的问题。
　　自动驾驶有三种路线，一种是以摄像头为主的单车视觉路线，代表车企是特斯拉。
　　还有一种是以激光雷达和摄像头多种传感器的融合路线，这类企业比较多，中国绝大部分车企选择的都是这个路线。
　　还有一种比较另类，是以道路和汽车共同智能的车路协同，意思就是让城市道路变得也变得智能起来，汽车就可以以较少的硬件达到自动驾驶，中国的某些城市走的就是这个路线。
　　这三种各有各的优势，但也各有各的问题。
　　它们归根到底就是：传感器、算法和芯片的组合，只要是没有解决好三者的冲突，任何一个路线都存在问题。
　　比如多融合传感器上面就说了，第一个需要强大的算法、第二个需要解决传感器的相互干扰，至今没有一家车企完美地解决这个问题。
　　还有车路协同，它成败的关键在于地图的精确绘制，但是高精度的绘制成本太高了，而且道路经常在变化，像基建发达的中国，几乎每一个月都会焕然一新，地图需要随时更新，难度太大了。
　　而特斯拉纯视觉也是如此，在马斯克看来人会犯错，但是机器不会，摄像头完全可以替代人眼，只要算法足够好，那么自动驾驶并不是梦想。
　　然而马斯克只考虑到了机器的严谨，却没有考虑到人性。
　　自动驾驶的诞生是消除事故，而不是只是做到和人类持平，只要这个系统有伤亡的可能，那么它就会被法律，被客户否认。
　　而特斯拉纯视觉路线恰恰没办法完全消除事故，它只能看到眼前的场景，没办法像雷达那样提前预知和规避，只要算法不够，那么它就永远不会是消费者和国家的第一选择。
　　比如特斯拉的几例事故，都是撞上了白色的汽车，这是因为它还无法准确识别静态的车辆，加上白色和远处天空的颜色接近，会误导视觉误差。
　　纯视觉路线存在难以逾越的弊端。
　　所以特斯拉在雷达上非常纠结，从开始的重视到逐步放弃，再到这次重启4D雷达，其实都是理想被现实打败的案例。
　　路线之争是最残酷的，一旦某个路线率先完成任务，那么有可能完全占据市场和舆论的主导，
　　其他路线再想突围，就会变得非常困难。
　　因此特斯拉重启4D雷达并不奇怪，传统的2D雷达只能在二维图像上检测物体的距离，检测不了大小，局限性很大，而4D雷达不仅能检测距离，还能检测大小和物体是否移动，可以完美解决当前所遇到的问题。
　　但是它又会回到以前的该相信谁的问题上。
　　马斯克曾经在推特上说过：雷达只有高精度才有用，而4D雷达正是里面的一种，所以它重启雷达并不奇怪，甚至激光雷达，我也不感到奇怪也是如此。
　　2021年，彭博社曾经报道特斯拉与激光雷达签署一份协议，秘密测试激光雷达的可行性，在之后，就有视听专家拍到特斯拉测试激光雷达的场景。
　　这件事虽然没有得到官方的证实，但是一旦特斯拉的4D雷达+摄像头路线，没能解决现有问题，那么特斯拉在未来很可能走上其他的道路，激光雷达未必不是最佳选择。
　　好了，本期内容就到这边，喜欢的话记得点赞加关注，我们下期见！