LiDAR vs Radar vs 攝影機：自駕感測器路線之爭到底在爭什麼

三種感測器，回答的是三個不同的問題

自駕車與需要在戶外開放環境運作的機器人，長期以來圍繞著該用哪種感測器組合展開激烈的路線之爭——光達（LiDAR）、毫米波雷達（Radar）、攝影機三者看似都在回答「周圍有什麼」這個問題，但實際上各自擅長回答的子問題並不相同，這也是為什麼多數謹慎看待安全的量產自駕系統選擇三者融合，而非把賭注全部押在單一感測器路線上。

光達：直接、精確的三維量測，但怕惡劣天氣與高成本

光達透過主動發射雷射並量測反射時間，直接取得環境的精確三維點雲座標，不需要像視覺方案那樣透過演算法間接推算深度，這種直接量測的穩定性與精度，是光達長期以來被視為自駕感知核心感測器的關鍵原因，本站在點雲地圖表示法一文中討論過的三維環境表示，多數也是以光達點雲作為主要資料來源。光達的弱項在於惡劣天氣穩健度——雷射波長容易被大雨、濃霧、風雪中的懸浮水滴散射，惡劣天氣下的有效測距與精度都會明顯下降，且光達模組的成本明顯高於攝影機與雷達，是自駕系統整體物料成本裡的大宗支出項目之一。

毫米波雷達：惡劣天氣的可靠備援，且能直接量測速度

毫米波雷達使用的電磁波波長遠長於光達雷射，穿透雨霧的能力明顯更強，是三種感測器裡在惡劣天氣下表現最穩健的方案，這也是為什麼即使雷達的空間解析度明顯低於光達（雷達點雲遠比光達點雲稀疏，難以呈現物體的精確輪廓），多數量產自駕系統仍然選擇搭載雷達作為光達在惡劣天氣下失準時的備援感測器。雷達還有一項光達與攝影機都難以直接提供的能力——透過都卜勒效應直接量測物體的相對速度，不需要像其他兩種感測器那樣依賴連續多幀資料比對才能間接推算速度變化，這種直接速度量測對緊急煞車這類需要極快反應的安全決策有實質價值。

攝影機：資訊最豐富，但深度是間接推算而來

攝影機是三者中成本最低、資訊量卻最豐富的感測器——顏色、紋理、文字（號誌、車牌）這些資訊只有攝影機能直接提供，這也是為什麼交通號誌辨識、車道線偵測這類任務幾乎完全仰賴視覺方案，光達與雷達的點雲資料無法直接提供這類語意資訊。攝影機的弱項是本站在單目、雙目、RGB-D 相機比較一文中討論過的深度估計問題——不論單目或雙目方案，攝影機取得深度資訊都需要透過演算法間接推算，這個推算過程在強逆光、夜間低光等特定條件下容易出錯，且攝影機是被動感測器，完全依賴環境光源，可靠度天生受限於光線條件。

感測器融合：用互補的失效模式換取整體穩健度

三種感測器的失效模式恰好互補——光達怕惡劣天氣、攝影機怕光線不佳、雷達解析度不足難以精確辨識物體形狀與類別。多感測器融合的核心邏輯，正是利用這種互補性：當某一種感測器在特定場景下的可靠度下降，其他感測器的獨立量測仍然能提供備援，整體系統的穩健度因此高於任何單一感測器獨立運作，這也是為什麼即使純視覺路線在成本與資料豐富度上有明顯吸引力，多數以安全為最高優先的量產自駕系統，至今仍然選擇多感測器融合，而非把整套安全策略押注在單一感測器路線的持續演算法優化上。