机器人入行指南
传感器选型/路线之争

选型 · 路线之争 · 约 30 分钟

激光雷达 vs 视觉:十年之争的选型版答案

「要不要上激光雷达」不是技术问题,是失效模式与成本的权衡问题。这一页把两边物理原理、失效模式、成本曲线摊开,给出分任务的判据——以及为什么行业还在吵。

约 30 分钟高中可直接读2026 市场口径

一句话结论

激光雷达直接测距离、不依赖光照、精度稳定,但怕雨雾尘且贵;视觉便宜、信息稠密、有语义,但深度要靠推、怕黑怕逆光。两者失效模式几乎不重叠——所以「融合派」在安全攸关场景是结构性正确,而「纯视觉派」赢在成本曲线。

物理原理一句话,决定各自的死穴

激光雷达:自己发光(激光),测光飞出去再回来的时间,直接得到距离。所以它在黑夜里照样工作、精度不随场景变化——但雨雾会把光散射掉,镜面和玻璃会把光引到错误的方向。它的死穴是「介质」与「反射特性」,不是光照。

视觉(单目/双目/RGB-D):被动接收环境光。深度要么靠两个视点的视差(双目/RGB-D 的立体部分),要么靠模型猜(单目+神经网络)。所以白天室外强光、低纹理白墙、逆光都能让它失灵——它的死穴是「光的条件」与「场景的纹理」。RGB-D 的结构光/ToF 版本自己发射红外补光,弱光下能工作,但室外阳光会把红外信号淹没。

两边的死穴几乎不重叠:一个怕天气不怕黑,一个怕黑和强光不怕天气。这就是融合的结构性理由——不是「两个比一个好」,是「一个瞎的时候另一个大概率没瞎」。

参数对照(同价位段,2026 口径)

维度激光雷达(千元级国产)RGB-D 相机双目立体

行业为什么吵了十年

成本曲线的分歧。机械式激光雷达曾是数万美元的部件,2019 年后国产固态方案把价格打到千元级人民币并持续下探;而相机本就是百元级。「要不要多花这笔钱买一条独立测距通道」,答案随价格曲线每年都在变——这就是争论持久的经济学原因。

两条路线的真实分歧点。纯视觉派(以特斯拉为公众熟知的代表)的论点:视觉信息最稠密、自带语义、随量产摊薄成本,且人类只靠视觉就能开车——冗余应该靠算法与数据规模补。融合派的论点:安全攸关系统不该赌「算法在每种光照下都可靠」,独立物理原理的测距通道是保险,激光雷达降价后保费越来越便宜。两家都对,分歧在「安全冗余值多少钱」。

2026 年的现实格局。乘用车高阶辅助驾驶多数采用融合方案(激光雷达进入主流车型);低速无人配送、清洁机器人、人形机器人头部产品以融合为主;人形机器人身上激光雷达与深度相机并存(头部一台三维/固态 + 手部深度相机)。对个人开发者,争论的答案更简单:你的预算买得起第二条独立测距通道吗?买得起就上——失效模式不重叠的价值远大于参数表的漂亮。

分任务判据(给开发者的答案)

给初学者的两条硬建议

第一台设备买「能跑通全链路」的最便宜组合,不要买参数最漂亮的。二维激光雷达 + IMU + 相机的几百元组合,能跑通建图→定位→导航→避障全流程,这比任何单件高端硬件都涨能力。

把「失效模式」写进你的测试清单:关灯测一次、拉窗帘测一次、对着镜子测一次、喷点水雾测一次。四测过后你还敢用的传感器组合,才是真的可用。

进站内深水区

拿到点云之后怎么处理:/k/E2/(点云处理)。

多传感器时间戳与坐标系对齐:/k/B1/(tf 树)——融合的第一课不是算法,是 20 ms 的时间戳。

卡尔曼融合的数学:/math/gauss/(两把尺子的反方差加权)。

← 上一篇:传感器选型逻辑总纲  ·  动手层:点云处理