物理AI与感知融合的行业趋势 - 行业信号表明物理AI的拐点正在临近，体现为人形机器人赛事完赛队伍创新高以及L4级Robotaxi加快铺量 [3] - 感知层面的核心难题在于不同感知维度与器件的融合，自动驾驶领域存在视觉与激光雷达的路线分立，机器人领域则面临多种传感器共用导致的开发成本高和混乱问题 [3] - 解决方向在于传感器融合，即融合更多种传感器或让单一传感器收集多维信息，激光雷达企业正通过技术变革弥合与视觉路线间的鸿沟 [3] 激光雷达技术向“图像化”演进 - 激光雷达与视觉路线的传统分野在于测距精度与视觉感知能力的分离，纯视觉方案依赖算法且存在盲区，而传统激光雷达缺乏图像能力 [5] - 激光雷达厂商正通过技术升级补齐图像能力，推动行业进入“图像化”时代，代表性进展包括：华为乾崑发布双光路图像级激光雷达、禾赛科技推出6D全彩激光雷达超感光芯片SPAD-SoC、速腾聚创发布基于“创世”数字化架构的两款SPAD-SoC芯片 [5] - 技术升级的核心是提高线数以提升成像清晰度，华为新雷达达896线，禾赛新一代芯片支持最高4320线，速腾聚创凤凰芯片为原生单片集成2160线，线数提升通过自研SPAD芯片实现 [6] - 线数提升直接关联像素级别，2000线对应400万像素级别（接近2K高清点云），4000线对应800万像素（达到4K），使得激光雷达三维数据能与摄像头色彩信息深度融合 [6] - 技术演进遵循摩尔定律，当前芯片采用28nm制程，未来像素将继续提升，更高线数（如1万线）将能实现光场，从根本上解决感知难题 [6][7] - 激光雷达图像化将向具备色彩信息发展，速腾聚创计划在明年年底前推出结合几何与色彩信息的RGB-D传感器，以从根本上解决数据源融合难题 [6] 传感器冗杂问题与融合需求 - 在机器人开发中，传感器冗杂与混乱是突出问题，例如服务机器人常需使用2到3颗不同类型的传感器（如超声波、红外、单/多线激光雷达），导致供应商割裂、对接复杂且算法效果打折 [8][9] - 当前机器人感知的核心矛盾在于需要堆砌多种传感器，导致工程复杂、成本高昂且性能存在天花板 [9] - 在自动驾驶领域，L4厂商同时使用摄像头和激光雷达时，存在时空同步方面的天然缺陷 [9] - 业界呼吁传感器融合，理想状态是使用同种架构、不同参数的传感器组合，为算法提供统一的AI原生底座 [10] - 感知任务的理想方式是统一架构，例如参照视觉路线用ViT Transformer等方式处理，推动感知从2D向3D演进，并使AI从空间智能走向决策与认知智能 [10] - 激光雷达厂商在芯片层面解决信息时空同步问题，能帮助下游厂商解决特定场景难题 [10] 激光雷达在具身智能与机器人中的应用演进 - 激光雷达走向三维感知，在具身智能领域主要推动真实数据采集和上半身操作能力迭代 [10] - 世界模型与具身智能训练面临真实三维空间数据稀缺的问题，激光雷达正成为高保真三维重建的关键数据入口 [10] - 在人形机器人领域，激光雷达尚未成为标配，但已能较好地解决下半身运动问题，上半身操作能力是下一个突破口 [11] - 当前3D感知技术（如双目方案）在精度、抗环境干扰（光照、目标物移动）方面不足，导致机器人在现实环境中任务容易失效，激光雷达的RGB-D方案正面向这部分感知需求 [11] - 随着激光雷达能输出具备语义的三维图像信息，并且帧率提升、探测精度缩小至毫米级，其在机器人身上的应用将从下半身运动感知跃迁至上半身操作感知 [12]