众说 | 特斯拉为何抛弃雷达

来源 | 凡知杂货铺

特斯拉从5月开始取消北美版2021款Model 3和Model Y的雷达传感器，后续扩展至全球。针对特斯拉这一举措，各界纷纷表示担忧，普遍认为去除雷达传感器并采用纯视觉方案（Full Vision）将显著降低FSD安全性。美国公路安全保险协会（IIHS）也暂停了对这些取消了雷达车型的安全背书。

如果真如外界普遍认为的安全性降低，那么特斯拉这一举措背后的动机是什么呢，或者说雷达对于特斯拉乃至无人驾驶的意义又在哪？我更多的从雷达角度来仔细挖一挖，希望大家能对雷达传感器之于无人驾驶有更深的认识。

首先，当前无人驾驶采用何种感知方案本质是技术路线的问题，不管是Full Vision还是传感器融合（Sensor Fusion），只要能work，就没有轻视它的理由。所谓不管黑猫白猫，能抓到耗子的就是好猫，也就是说，不管采用怎么样的技术路线，能经受住实践洗礼就是可选择的技术路线。

▲ AI对特斯拉意义非凡

特斯拉一直秉持All in AI的原则，从感知，决策到控制都有AI的身影，坚信软件和AI算法能make a huge difference, 也就是强烈依赖软件，而感知硬件配置上的策略就是，能用一块钱的硬件就绝不用两块钱的，那么一块钱硬件弱于两块钱硬件的部分靠软件算法弥补，也就是，感知硬件不够，软件AI来凑。而AI算法本身对数据的依赖程度极高。目前，特斯拉在视觉方面的数据积累已经相当庞大。

那雷达呢，我们之前也没听过特斯拉在雷达数据集积累或基于雷达数据集训练AI的工作。为什么呢，故事还从特斯拉配置的雷达说起。

特斯拉配置的是德国大陆公司（Continental AG）4代入门级中距离前向雷达（4th Entry MRR）ARS 4-B，具体型号应该是ARS410。大陆公司是全球毫米波雷达领导者，其4代前向雷达系列不管在技术上还是商业上都相当成功 。但4代雷达系列都属于传统毫米波雷达，而410又是传统毫米波雷达的入门款，性能相当有限。这一点可以从410的天线布局窥见一斑。

▲ ARS410 硬件以及天线布局

如上图所示，410天线配置采用两路发射，3路接收，MIMO体制。一般情况下，角度维度性能表现（包括角度分辨率以及角度精度等）是前向雷达性能的决定性因素之一，而天线配置又很大程度上决定了雷达角度维性能。

410等效天线布局如下图所示，由MIMO原理等效为6路接收。这6路接收中，红色的4路用于near scan，也就是近距离探测，红色4路及黄色的两路配合用于far scan，也就是远距离探测。并且，红色与黄色天线配合也负责远距俯仰角测量。并且大陆在近距离探测还使用了不等间距（NLA）技术进一步扩展其天线孔径，提高测角精度。俯仰角测量方面也通过算法创新提高了检测精度。可以说，大陆公司在有限的天线资源下，最大限度地挖掘了天线潜能，着实让人佩服。

▲ ARS 410 等效天线布局

不过，即使是这样，410由于天线配置数量的局限性，环境感知性能还是薄弱，410具体薄弱在哪呢，

1，方位角角度精度虽然通过不等间距技术得到了改善，但还是不够，比如在±45°位置角度精度只有±2°。

2，没有角度分辨率概念，由于天线配置原因，对于同速度，同距离的两个目标，该雷达无法分辨。

3，虽然能够测俯仰角，但只是作为特征，区别是否为高处或低处目标，一定程度上降低AEB误报率。不是真实的俯仰角测量，也就是无法稳定获得目标高度。

4，该雷达FoV太窄，近距离只有±45°，远距离只有±9°，很多时候满足不了实际场景需求。

▲ 传统毫米波雷达感知

以410为代表的传统毫米波雷达的环境感知效果大致如上图示意，左边是某一帧的雷达感知效果，右图是对应的视频图像，可以看到，由于角度维度性能较低，雷达对于护栏只有着粗略的刻画，对于其中的车辆也是刻画粗糙，一辆小车可能就是一个检测点。基于这样的粗糙感知结果，能获得的环境信息（不管是动态信息，如来往车辆等，还是静态信息，如路沿护栏等）都极其有限，所以雷达能稳定跟踪动态目标就不错了，是没有办法，也没必要建立雷达数据集训练AI，做类似目标识别分类的任务。

基于这样的粗糙的检测结果，传统毫米波雷达不可能作为主传感器，更多时候连护栏这样的静态点也被滤除，只考虑Object级别的动态点，而且也基本只用到了目标的速度，位置信息，辅助视觉判断。

但是即使是这样，传统雷达有时候还是不争气，由于电磁波的各种传播特性，以及雷达硬件参差不齐，雷达波形设计，算法参数调优欠火候等等原因，雷达的输出经常会有各种类型的虚假杂点，或者一些多径传播导致的ghost目标。用马老板的话就是雷达数据流会污染整个信号流。这样还不如不要雷达。

▲ Musk关于雷达部分观点(@elonmusk）

特斯拉对数据的依赖程度非常高，但目前，传统雷达提供的数据质量远达不到要求。

特斯拉在雷达上毕竟也努力过，包括挖来德尔福的雷达负责人调教雷达，解锁更多点云，也曾传出自研雷达的消息。但结果估计不尽如人意，也就是说，放弃传统雷达基本说明在绝大多数场景下，Full Vision方案比Sensor Fusion方案效果更好（更安全）。所以说传统雷达在FSD中的作用极其有限。

基于视觉AI技术上的强大自信，特斯拉目前的策略估计是笃定Full Vision完全覆盖绝大部分使用场景，不再引入其他传感器，而在一些corner case上，包括一些天气的corner case，特斯拉保留传感器融合数据接口，但也不是马上用，特拉斯用视觉配合训练AI先做，积累数据看看效果，如果能处理，也不会用引入其他传感器。如果不能处理呢，也就是某些场景下，视频数据流处于严重性能退化状态（severe Performance Degradation），我觉得特斯拉需要引入新的主导传感器，传统雷达是不可能了，激光雷达又被马老板鄙视成那样，还有谁？

能够达到稳定可靠状态的4D成像雷达。

▲ 传统毫米波雷达与高分辨成像雷达对比

如上图所示，成像雷达可以实现对环境的精致刻画。

可以说，成像雷达将接过传统雷达的大旗，在自动驾驶领域站稳脚跟。

▲ 成像雷达能干好多事

我在 一文中说过，成像雷达能力主要体现在场景理解（Scene Comprehension or Scene Understanding），要做场景理解主要做好3块内容，场景分割（Scene Segmentation），目标检测（Object Detection/Object Tracking），目标分类（Object Classification），基于成像对于环境的精细刻画，雷达数据集的重要性将被凸显，然后与AI结合也就顺理成章了。

成像雷达怎么做到这些的。当然，成像雷达本身技术路线多样，技术复杂，但经典主流的路线还是通过设置大规模阵列，大幅度改善角度维性能。如下图所示，大陆公司5代前向雷达ARS540即为成像雷达，其等效天线布局如下图所示，形成了大规模面阵。环境感知能力相对传统毫米波雷达得到大幅度改善。

▲ 成像雷达天线布局以及感知结果

针对前述传统雷达ARS410的问题，成像雷达ARS540可以做到，

1，±60°下，方位角角度精度低于±0.2°。

2，方位角度分辨率1.2°，对于同速度，同距离的两个目标，该雷达可以很好区分。

3，俯仰角度分辨率2.3°，可以进行真实的俯仰角测量，也就是稳定获得目标高度。

4，该雷达FoV为±60°。

这样的结果依旧可以进一步优化，效果就直逼低线束激光雷达了。基于成像雷达的corner case数据集在配合特斯拉AI，绝了。

综上可以基本确定，特斯拉FSD已经彻底抛弃传统毫米波雷达，并且在绝大部分应用场景（包含部分corner case），FSD只依赖摄像头以及AI，当然，还剩下一部分场景（并且包括很多corner case）, 特斯拉依旧会继续基于视觉数据以及AI不断迭代寻求解决方案，而对于那些视觉数据质量低到无法用AI算法弥补的场景，我觉得特斯拉是会考虑用雷达的，当然，是高分辨4D成像雷达，成像雷达会在那些视觉AI无能为力的场景下，暂时性，局部性成为主导传感器，基于雷达数据集训练完成的AI，基于实时Radar Detection Image(RDI), 通常是精细化的range-doppler map，或者range-angle map等输入，完成场景理解（scene understanding），进而做出合适反馈。

成像雷达在性能，成本等方面已有长足进步，但目前还远未达到胜任FSD主导传感器的作用。所以与其说特斯拉抛弃毫米波雷达，不如说成特斯拉抛弃传统毫米波雷达，且暂时不采用高分辨成像雷达。因为成像雷达做到性能稳定可靠，成本可接受还需时日，不过长期来看大有可为，未来可期，我们拭目以待。

另外，大家也不要为传统毫米波雷达担心，虽然自动驾驶那边被批的一无是处。但在ADAS高级辅助驾驶，工业领域应用，以及智慧城市应用中，传统毫米波雷达依旧可以大放异彩，赋能我们的智慧生活。

▲ 只要用对地方，传统雷达依旧是英雄