1. 从“辅助”到“主导”为什么2028年L3自动驾驶是道坎最近和几个做智驾方案的朋友聊天大家不约而同地都在讨论一个时间点2028年。这个时间点之所以被反复提及是因为业内普遍认为到那时具备条件法规、技术、成本的车型其自动驾驶能力将从目前的L2部分自动化为主流开始向L3有条件自动化进行规模化、实质性的跃迁。这不仅仅是技术路线的演进更是一场涉及传感器、算力、算法和商业模式的系统性变革。而在这场变革中有两个硬件名词被推到了聚光灯下毫米波雷达和激光雷达。它们从过去“可有可无”或“高端选配”的角色正在迅速转变为未来L3及以上级别自动驾驶的“标准配置”和“安全冗余基石”。为什么是2028年这背后是一系列条件逐渐成熟的交汇。首先是法规全球主要汽车市场包括中国、欧洲、北美都在加速完善针对L3级自动驾驶的上路许可和责任界定框架。没有法规的“准生证”技术再先进也只能停留在测试场。其次是成本过去动辄数万甚至十万元的激光雷达随着固态、半固态技术路线的成熟和规模化量产其成本正在以肉眼可见的速度下降预计到2028年高性能车规级激光雷达的BOM成本有望进入千元人民币区间这为“标配”扫清了最大的障碍。最后是技术本身经过过去几年海量数据的喂养和算法迭代感知融合的可靠性和规控决策的拟人化水平已经到了一个需要更高质量、更丰富维度的原始数据来突破瓶颈的阶段。那么为什么毫米波雷达和激光雷达会成为标配这得从L3的核心定义说起。SAE定义的L3级“有条件自动化”意味着在特定设计运行域ODD内车辆可以完成所有动态驾驶任务驾驶员无需监控系统但需要在系统请求时进行接管。这个“无需监控”是质的变化。它要求系统必须具备极高的功能安全和失效可操作性。单一的视觉方案无论算法多么强大在极端天气暴雨、大雾、强逆光、应对静止或异形物体如掉落的路障、静止的故障车时存在物理原理上的感知局限。而毫米波雷达穿透性强、测速测距精准激光雷达能提供高精度的三维几何信息两者与视觉形成互补构建起一个全天候、全场景、可相互校验的感知“铁三角”。这套冗余系统是让主机厂和法规机构敢于将驾驶责任从人部分移交到机器的技术底气所在。所以当我们谈论“2028年自动驾驶将升到3级雷达和激光雷达将成为标配”时我们谈论的不仅仅是一个技术预测更是一个正在发生的产业共识。它意味着智能汽车的传感器架构将从“视觉为主雷达为辅”的1.0时代进入“多传感器深度融合、互为冗余”的2.0时代。接下来的内容我将结合最新的技术动态和工程实践深入拆解这场变革背后的技术逻辑、当前面临的挑战以及我们作为从业者需要关注的核心要点。2. 感知系统的“升维”之战毫米波雷达与激光雷达如何补全视觉短板要实现从L2到L3的跨越感知系统必须完成从“辅助人类判断”到“替代人类判断”的可靠性升级。视觉摄像头模仿人眼优势在于丰富的纹理和语义信息成本低但受物理限制大。而毫米波雷达和激光雷达正是为了补上这些短板而存在的。2.1 毫米波雷达全天候的“透视眼”与速度感知专家毫米波雷达的工作频段通常在24GHz、77GHz乃至更高的79GHz。其核心原理是发射电磁波并接收目标反射的回波通过计算时间差测距、频率变化多普勒效应测速和波束角度测角来感知环境。为什么L3离不开它关键在于其两大不可替代性直接速度测量与全天候工作能力这是摄像头和激光雷达的软肋。基于多普勒效应毫米波雷达可以直接、精确地测量目标的径向速度且几乎不受光照、天气影响。在高速场景下对前方车辆速度的精准感知是进行舒适、安全跟车或变道决策的前提。在大雨、浓雾中视觉和激光雷达的效能会大幅下降而毫米波雷达的电磁波穿透能力更强能保持基本的环境轮廓感知这是系统安全退化的底线。4D成像雷达带来的质变传统雷达角度分辨率差经常被诟病为“幽灵刹车”的元凶之一将高架路牌、井盖误识别为前方障碍物。但新一代的4D成像毫米波雷达正在改变这一局面。它通过在俯仰角和方位角上都增加虚拟通道实现了对目标高度信息的探测点云密度和分辨率大幅提升。简单说它不仅能知道前面有个东西还能大致知道这个东西的轮廓和高度从而有效区分路面上的真实车辆、桥梁还是路牌。目前像大陆、采埃孚、华为、森思泰克等厂商的4D成像雷达产品已经陆续上车其点云质量开始接近低线束激光雷达成本却远低于后者成为了高阶感知系统中性价比极高的“中坚力量”。注意毫米波雷达对金属物体敏感但对非金属物体如行人、塑料锥桶的反射较弱。因此它必须与视觉或激光雷达融合由后者提供物体分类信息前者提供精准的运动状态信息。2.2 激光雷达高精度三维世界的“测绘仪”如果说毫米波雷达擅长“动”的感知那么激光雷达的核心价值在于提供静态和动态环境的高精度“静”态几何结构。它通过发射激光束并测量反射时间ToF飞行时间法来生成周围环境的密集三维点云。激光雷达对于L3的核心价值体现在三个层面精准的三维建模与定位激光雷达点云提供了厘米级精度的环境三维信息。这对于高精地图的创建与实时匹配、车辆在复杂路口或结构化道路如高架匝道的精准定位至关重要。在没有清晰车道线的施工区域或恶劣天气下基于激光雷达的定位能力是系统保持车道、安全通过的关键。异形、静止障碍物的可靠检测这是视觉和毫米波雷达的传统难题。一个掉落在高速路上的轮胎、一个翻倒的卡车厢、一个没有标准外形的施工机械视觉模型可能因训练数据不足而无法准确分类传统毫米波雷达可能因反射信号弱或无法区分高度而漏检。激光雷达提供的精确三维形状信息可以让算法即使不认识这个物体也能根据其占据的物理空间体积判断为“需要避让的障碍物”这是实现高安全等级的关键。为视觉感知提供“真值”与深度约束在深度学习模型训练中激光雷达点云是生成深度图、分割标签的黄金标准数据源。在实时感知中激光雷达提供的深度信息可以作为视觉深度估计网络的强监督或先验知识大幅提升视觉测距的精度和稳定性。目前激光雷达的技术路线正从机械旋转式向固态/半固态如MEMS微振镜、转镜、棱镜快速演进。固态化带来了更小的体积、更高的可靠性和更低的成本。禾赛、速腾聚创、图达通等国内厂商的系列产品已经在多款量产车上搭载其性能、成本和车规可靠性正在快速迭代为2028年的“标配”铺平道路。2.3 融合的艺术1113单独看每个传感器都有短板。视觉怕光、怕天气雷达“眼神”不好激光雷达怕极端天气如浓雾、大雨且成本高。L3系统要求的是在任何一种传感器部分或全部失效时系统仍能保持最低风险状态或安全停车。因此深度融合Fusion而非简单后融合Late Fusion是必由之路。当前主流的融合层级数据级融合早期融合将不同传感器的原始数据如图像像素、雷达点云、激光雷达点云在数据层面进行对齐和融合再输入到一个统一的深度学习网络中进行特征提取和目标识别。这种方式能最大程度保留信息但对数据同步、标定精度和算力要求极高。特征级融合各传感器先独立进行特征提取如视觉提取2D边框和语义雷达提取点云簇和速度再将特征向量进行融合。这是目前量产方案中较为可行的路径平衡了性能与复杂度。决策级融合后融合各传感器独立完成目标识别与跟踪生成各自的目标列表最后用一个融合算法如卡尔曼滤波、匈牙利算法进行关联和决策。这种方式容错性好但容易丢失底层信息性能上限较低。对于L3系统特征级融合正向数据级融合演进是趋势。例如最新的BEV鸟瞰图感知范式可以将多摄像头的图像特征、雷达点云和激光雷达点云统一转换到BEV空间下进行融合和识别实现了真正的时空同步和特征互补极大地提升了感知的鲁棒性和精度。3. 从热词看趋势自动驾驶技术栈的现在与未来围绕“自动驾驶”和“雷达/激光雷达”的网络热词像一张动态的技术地图清晰地揭示了当前研发的热点、痛点与未来方向。我们来解读几个关键热词背后的含义。3.1 数据与算法驱动进化的“燃料”与“引擎”自动驾驶数据集 中国自动驾驶数据集数据是深度学习时代的石油。高质量、大规模、多样化的标注数据集是训练出强健感知模型的基础。“中国自动驾驶数据集”的兴起反映了针对中国特有道路环境如复杂的交通参与者行为、特殊的道路结构、多样的天气条件进行数据积累和算法适配的迫切需求。没有本土化的数据就无法做出真正适应中国路况的L3系统。深度学习与自动驾驶 端到端自动驾驶 端到端 大模型VLA这组热词勾勒出了算法演进的清晰路径。从传统的模块化流水线感知-定位-预测-规划-控制到基于深度学习的感知模块替代再到如今火热的“端到端”范式。端到端模型试图用单个庞大的神经网络直接从传感器输入图像、点云映射到控制输出方向盘、油门刹车。而“大模型VLAVision-Language-Action”更是将视觉、语言导航指令、交通规则和动作生成统一在一个框架内模仿人类的驾驶推理过程。虽然完全端到端量产尚早但其思想正在影响各模块的设计例如BEV感知就是“感知-预测”端到端化的一个成功实践。Apollo EM Planner 曲率这代表了传统规控算法的精华。百度的EMExpectation-Maximization规划器通过分层路径-速度解耦和迭代优化的方式生成平滑、舒适、安全的轨迹。其中“曲率”及其变化率曲率导数是衡量轨迹舒适性的核心指标之一。即便在端到端时代这些经典的规控理论和评价指标仍然是验证和约束网络输出的重要依据。3.2 感知核心雷达与激光雷达的深度应用雷达信号处理流程 雷达多普勒谱图原理 雷达成像原理这些是毫米波雷达的底层核心技术。从原始的ADC数据到距离FFT、多普勒FFT、角度估计DBF、Capon、MUSIC等算法再到CFAR检测、点云聚类、跟踪每一步都影响着最终感知性能。理解这些原理才能更好地设计前端硬件如AWR2243芯片的配置和调试后端算法解决“雷达数据读取”后的实际问题。毫米波雷达目标检测 RADDET雷达目标检测数据集传统雷达检测主要依赖聚类算法。如今基于深度学习的雷达目标检测成为热点。RADDET等专用数据集的出现使得可以直接对雷达Range-Doppler-Angle图像或点云进行目标识别提升了检测精度尤其是对行人、自行车等弱反射目标的检测能力。激光雷达SLAM 点云分割标注 激光雷达标定SLAM同步定位与建图是自动驾驶的基石之一。激光雷达因其高精度几何信息是SLAM的优选传感器。而“点云分割标注”是为点云中每个点赋予语义标签如车辆、行人、道路这是训练感知模型的关键步骤也是数据生产的成本中心。“激光雷达标定”则包括内参激光器与扫描机构和外参激光雷达与车身、与其他传感器标定标定精度直接决定了多传感器融合的效果是量产前必须攻克的质量关卡。雷达/激光雷达与IMU标定惯性测量单元IMU提供高频的自身运动信息与雷达/激光雷达融合可以有效地进行运动畸变校正提升点云质量并为定位提供重要输入。两者之间的时间同步和空间标定误差会直接导致融合结果发散。3.3 控制与仿真闭环验证的关键多旋翼无人机Offboard控制 ROS2雷达这反映了自动驾驶技术向其他机器人领域的溢出和应用验证。无人机是一个理想的低成本、高风险测试平台用于验证视觉/激光雷达如MID360的感知算法和Offboard控制逻辑。ROS2作为机器人中间件其通信机制、节点管理能力在自动驾驶原型开发中广泛应用尤其是对于雷达等传感器数据的接入、处理和发布。欧卡2自动驾驶《欧洲卡车模拟2》等游戏被广泛用于自动驾驶算法的初步验证和演示。它们提供了一个相对安全、可重复的虚拟环境用于测试规控算法、交通流交互等是低成本迭代想法的重要工具。这些热词共同指向一个事实自动驾驶是一个极端复杂的系统工程。从底层的雷达信号处理、传感器标定到中层的深度学习感知算法、多模态融合再到上层的规控决策和仿真验证每一个环节都有深水区。2028年L3的到来依赖于这每一个环节的技术成熟与成本下降。4. 实现L3感知标配的工程化挑战与应对策略技术路线清晰趋势也明朗但真正要把毫米波雷达和激光雷达做成稳定、可靠、低成本的“标配”摆在工程师面前的是一系列棘手的工程化挑战。4.1 成本与车规规模效应与技术创新双轮驱动成本是“标配”最大的拦路虎尤其是激光雷达。应对策略来自两方面技术创新降本从机械式到半固态、纯固态的技术演进本质上就是一场降本运动。MEMS、光学相控阵OPA、Flash等技术路线旨在用半导体工艺替代复杂的机械旋转部件提升可靠性、降低生产成本。芯片化集成将发射、接收、处理模块集成到少数几颗芯片上是另一个关键方向。规模效应摊薄随着蔚来、理想、小鹏、问界等品牌将激光雷达作为高端车型标配市场需求激增带动了整个产业链的成熟和产能爬坡单位成本随之下降。预计到2028年面向L3的前向高性能激光雷达成本有望控制在数百美元级别为主流车型搭载创造条件。车规级认证如AEC-Q100、ISO 26262功能安全是另一道高墙。这要求传感器能在-40°C到105°C的温度范围、高振动、电磁干扰等严苛环境下稳定工作数年。这推动了传感器在材料、封装、散热和电路设计上的全面革新。4.2 感知融合的“硬骨头”数据同步、标定与时空对齐多传感器融合听起来美好做起来困难重重。核心挑战在于如何让不同原理、不同数据速率、不同延迟的传感器“说同一种语言在同一个时空里”。时间同步摄像头曝光、雷达发射周期、激光雷达扫描周期必须通过高精度的时间同步协议如PTP对齐到微秒级。不同步的数据进行融合就像用一张上周的地图配今天的卫星照片毫无意义。空间标定传感器在车身上的安装位置和角度外参必须被极其精确地测量。标定误差会导致融合时目标位置错乱。量产中需要开发自动化、高精度的标定流程和工具链以应对生产线节拍和售后维修的需求。特征表征不一致摄像头输出的是2D图像像素和语义雷达输出的是稀疏的点速度激光雷达输出的是稠密的3D几何点云。如何设计一个统一的特征表达如BEV空间、3D Occupancy网格让这些异构数据能高效融合是算法层面的核心挑战。4.3 极端场景与长尾问题仿真与真实路测的闭环再多的路测里程也难以覆盖所有的“极端场景”或“长尾问题”。一个穿着反光衣的夜间行人、一个形状怪异的抛洒物、一场突如其来的团雾。仿真Simulation的价值凸显基于游戏引擎如Unity、Unreal的高保真仿真可以低成本、高效率地生成海量极端场景和 corner case 数据用于训练和测试感知、规控算法。传感器模型Camera Sim, Lidar Sim, Radar Sim的精度直接决定了仿真的可信度。真实路测不可替代仿真是加速器但最终系统的可靠性必须经过大规模真实路测的验证。这就需要构建庞大的测试车队在多样化的地理和气候条件下收集数据不断发现和修复问题。数据驱动的迭代效率将成为车企的核心竞争力之一。影子模式与数据闭环在量产车上部署“影子模式”让系统在后台持续运行并预测但不实际控制车辆将预测结果与人类驾驶员的实际操作进行对比。当发现不一致即系统判断错误或人类操作更优时自动触发数据上传。这套数据闭环系统是持续优化算法、解决长尾问题的“永动机”。4.4 算力与功耗的平衡更多的传感器、更复杂的融合算法、更大的深度学习模型意味着对车载计算平台算力的需求呈指数级增长。同时功耗和散热又必须控制在车规允许的范围内。域控制器与芯片升级从分布式ECU到集中式域控制器如智驾域控制器再到中央计算平台是电子电气架构演进的必然。英伟达Orin、地平线征程、华为MDC等大算力芯片的推出为复杂算法提供了硬件基础。算法优化与硬件协同在模型层面通过剪枝、量化、知识蒸馏等技术压缩模型在硬件层面设计针对视觉、点云处理等特定任务的专用处理器如NPU、DLA在系统层面优化数据流和任务调度。软硬件协同设计是提升能效比的唯一出路。5. 给从业者与爱好者的实操建议与学习路径面对这样一个快速演进、多学科交叉的领域无论是希望进入行业的工程师还是对此感兴趣的技术爱好者都需要有策略地构建自己的知识体系和实践技能。5.1 夯实基础不可逾越的“数理底子”自动驾驶尤其是感知和融合对数学和物理基础要求很高。线性代数与概率论这是理解传感器模型如相机模型、雷达方程、状态估计卡尔曼滤波、粒子滤波、优化算法SLAM中的图优化的基石。矩阵运算、特征值分解、高斯分布、贝叶斯定理这些概念必须牢固掌握。计算机视觉与图形学基础了解相机模型内参、外参、畸变、多视图几何、图像处理基本操作。这对理解视觉感知和传感器标定至关重要。信号处理特别是对于想深入雷达领域的人傅里叶变换、数字滤波、频谱分析是读懂雷达原理和进行信号处理的基础。5.2 上手实践从开源项目和仿真环境开始理论必须结合实践。对于学生和初学者不建议一开始就追求复杂的实车项目。入门感知与ROS从经典的计算机视觉任务开始如使用YOLO、Mask R-CNN在开源数据集如KITTI、nuScenes上做目标检测和分割。同时学习ROS/ROS2这是机器人领域的“标准中间件”掌握其节点、话题、服务、消息的概念。你可以尝试在Gazebo或CARLA仿真环境中接入一个虚拟的激光雷达或摄像头编写一个简单的节点来订阅点云/图像数据并做可视化。深入传感器数据处理找一些开源的雷达或激光雷达数据集学习使用PCLPoint Cloud Library或Open3D库进行点云的基本操作滤波去噪、下采样、分割、聚类。尝试复现一些经典的激光雷达SLAM算法如LOAM、LeGO-LOAM的简化版理解其前端里程计和后端优化的流程。仿真环境进阶使用CARLA、LGSVL或百度Apollo的仿真平台。这些平台提供了高保真的车辆模型、传感器模型和交通环境。你可以在这里安全地测试自己的感知算法例如将你训练的模型接入仿真摄像头或者尝试编写简单的规控逻辑如PID跟车。这是连接算法与真实应用场景的桥梁。5.3 关注前沿与工具链学习主流框架感知领域PyTorch是目前绝对的主流。规控和仿真可以关注百度Apollo开源平台它提供了一个完整的、模块化的自动驾驶框架供学习参考。虽然量产代码不同但其架构思想和算法实现极具学习价值。理解BEV与Occupancy这是当前感知领域最火热的方向。学习如何将多摄像头图像通过Transformer等网络转换到BEV空间以及如何构建3D Occupancy网格来表征未被语义识别的自由空间和障碍物。相关论文如BEVFormer, SurroundOcc和开源代码是很好的学习材料。了解数据闭环尝试理解从数据采集、标注、模型训练、仿真测试到OTA升级的完整工具链。可以学习一些数据标注工具如LabelBee, CVAT和MLOps的基本概念。自动驾驶的旅程是一场马拉松。2028年L3的节点只是其中一个重要的里程碑。它标志着自动驾驶技术从“玩具”和“期货”真正开始走向大规模商业化应用的“实用品”。这个过程充满了技术挑战和工程艰辛但也正是这些挑战让这个领域充满了无限的魅力和机会。对于身处其中的我们而言保持好奇心深耕一个领域同时抬头看路理解系统全貌或许是在这场浪潮中站稳脚跟的最好方式。