以下文章来源于硬氪 ，作者张卓倩 硬氪 . 专注全球化、硬科技报道。36kr旗下官方账号。 已实现机器人、灵巧手、工业应用客户商业化订单。 文 ｜ 张卓倩 编辑 ｜ 袁斯来 来源｜ 硬氪（ID： south_36kr ） 封面来源 ｜ IC photo 36氪获悉，深圳市模量科技有限公司（以下简称 " 模量科技 " ）宣布完成由德宁资本投资的千万级天使轮融资，北深资本担任长 期顾问。本轮融资资金将主要用于产品研发、市场推广以及团队建设。 " 模量科技 " 成立于2024年底，是一家专注于多模态多维力触觉传感技术及触觉模型研发与应用的科技公司，其产品包括机器人 触觉、工业压力分布检测、织物类柔性传感器以及柔性薄膜传感器等。产品广泛应用于机器人触觉、工业检测（新能源、3C制造 业）、消费电子以及医疗健康等领域。 "模量科技"自研技术（图源/企业） 源于消费电子（智能穿戴、VR/AR）、医疗健康（假肢、手术机器人）、工业自动化（灵巧手、智能检测）及新兴人形机器人产 业的爆发，全球触觉传感器与柔性传感器市场正处于快速发展期，技术迭代与下游应用拓展推动需求持续攀升。 在供应链端， " 模量科技 " 已完成从小批量到大批 ...

文 | 张卓倩 编辑 | 袁斯来 36氪获悉，深圳市模量科技有限公司（以下简称「模量科技」）宣布完成由德宁资本投资的千万级天使轮融资，北深资本担任长期顾问。本轮融资资金将主 要用于产品研发、市场推广以及团队建设。 「模量科技」成立于2024年底，是一家专注于多模态多维力触觉传感技术及触觉模型研发与应用的科技公司，其产品包括机器人触觉、工业压力分布检测、 织物类柔性传感器以及柔性薄膜传感器等。产品广泛应用于机器人触觉、工业检测（新能源、3C 制造业）、消费电子以及医疗健康等领域。 「模量科技」自研技术 针对柔性传感行业普遍存在的量程不足、灵敏度受限、温漂干扰大等核心问题，「模量科技」从材料端切入，自主研发高灵敏度敏感材料与微结构工艺，采 用耐高压弹性体+微结构设计，显著提升了传感器的量程、精度和灵敏度。"我们的微结构设计有点像海绵，"官华解释，"它可以有效扩展传感器的灵敏度和 检测范围，增强对不同压力场景的适应性。目前，我们的最大压力量程可以做到20 MPa，线性度达到了99.9%。" 不仅如此，「模量科技」还打通了多维触觉感知链路，围绕三维力、切向力、摩擦力算法，构建了材料识别、姿态判断等触觉模型，赋能机器人 ...

公司简介 - 公司为专注于商用车自动驾驶技术的高科技企业，成立于2017年，总部位于湖南长沙 [1] - 主要产品包括自动驾驶矿卡解决方案（如"元矿山"系统）、V2X车联网技术及高性能智能感知系统（如TAPS） [1] - 产品应用于矿山、港口、物流园区等封闭或半封闭场景 [1] 财务状况 收入 - 2022-2024年收入分别为0.31亿、1.33亿、4.10亿人民币，两年复合增速达268% [4][5] - 自动驾驶矿卡业务收入分别为2799.8万、7441.8万、2.47亿人民币，2024年占比60.1% [4][5] - V2X业务收入分别为305.8万、3681.2万、1.02亿人民币，2024年占比24.8% [4][5] - 客户数量从2022年44名增至2024年131名，单客户贡献收入从70.6万增至312.9万人民币 [5] - 2024年底积压订单总价值8.31亿人民币，较2023年3.45亿显著增长 [5] 利润和毛利 - 2022-2024年净亏损分别为2.63亿、2.55亿、5.81亿人民币 [5] - 研发支出分别为1.11亿、0.9亿、1.93亿人民币 [5] - 销售成本从2022年0.37亿增至2024年3.09亿，占收入比例从119.3%降至75.3% [5] - 行政开支从2022年0.69亿激增至2024年3.01亿 [5] - 综合毛利率逐年改善，分别为19.3%、20.2%、24.7% [6] - 自动驾驶业务毛利率从2022年-25.1%提升至2024年23.1% [6] 偿债能力 - 2024年底现金储备3.06亿人民币，增长30% [7] - 经营性现金流为负（-1.48亿人民币） [7] - 存货周转天数从2023年513.6天改善至2024年121.8天 [7] - 应收账款周转天数147天，占营收33.4% [7] - 流动比率1.8x，低于行业平均水平2.0x-2.3x [7] 公司优势 市场份额与商业化能力 - 中国最大商用车自动驾驶公司，2024年市场份额16.8% [7] - 自动驾驶矿卡市场排名第一，市占率37.7%，预计2025年提升至46% [7] - 2018年实现商业化，中国最早落地自动驾驶矿卡企业之一 [7] - 全球最大混编矿卡车队，效率达人工驾驶的104% [8] 技术壁垒 - 全球少数实现零事故运营的矿区自动驾驶方案 [8] - "多传感器融合感知+车路协同"方案成本3-6万元/车，比激光雷达方案低30%以上 [8] - "元矿山"系统覆盖车端+路端+云端，竞品仅提供单一车辆自动驾驶方案 [8] - 2024年积压订单包括446辆自动驾驶矿卡及230套独立系统，总价值8.31亿人民币 [8] 政府背书与标杆项目 - 与阿联酋、沙特达成合作，中国首批自动驾驶出海企业之一 [8] - 参与中国7个国家级车联网先导区中的5个，V2X业务收入3年增长1103% [8] 资本与创始人优势 - 创始人李泽湘曾孵化大疆科技（估值1250亿）和固高科技（市值116亿） [9] - 股东包括红杉（10.61%）、百度（2.39%）、联想（3.49%）等 [9] - 2024年C+轮融资后估值90亿人民币，较2022年增长9% [9] 财务增长潜力 - 2022-2024年收入年复合增速263%，远超行业平均50% [9] - 积压订单8.31亿人民币可支撑未来1-2年收入 [9] - 毛利率从2022年-19.3%提升至2024年24.7% [9] 行业现状 - 2025年中国矿山智能化改造需求超600亿人民币，自动驾驶矿卡仅占13亿（2%） [12] - 2030年自动驾驶矿卡市场规模预计50亿人民币（CAGR 31%） [12] - 矿卡寿命长（8-15年），更新换代慢 [12] - 矿区改造投资回报周期超3年，客户采购意愿低 [12]

自动驾驶技术路径分歧 - 福特CEO吉姆·法利公开支持Waymo基于激光雷达的多传感器融合方案，认为激光雷达在摄像头失效时仍能提供精确探测能力 [2][4] - Waymo第六代系统配备13个摄像头、4个激光雷达、6个毫米波雷达及音频接收器，特斯拉则仅依赖8个摄像头实现360度视野 [3][5] - 马斯克坚持纯视觉路线，称激光雷达"很蠢"，认为其成本过高且人类驾驶仅需视觉，特斯拉通过优化摄像头与AI简化制造并降低成本 [4][7] 技术路线对比与成本差异 - Waymo系统成本高昂，激光雷达单件成本达数万美元，特斯拉FSD系统因摄像头集成设计使整车售价维持在4万-6万美元区间 [7] - 马斯克估算特斯拉汽车成本仅为Waymo的20%-25%，主要因后者产量低且传感器昂贵 [7] - 激光雷达在暴雨、低光照等极端场景提供冗余安全，纯视觉路线依赖AI模拟人类驾驶但被质疑安全性不足 [4][5] 商业化进展与竞争动态 - Waymo当前运营1500辆无人车，覆盖旧金山等4城，计划2025年扩展至2000辆并新增亚特兰大等3城 [16] - 特斯拉Robotaxi在奥斯汀试点10-20辆Model Y，运行时段为6点至午夜，避开复杂路况，Cybercab预计2026年投入使用 [9][14] - Waymo早期聚焦自动驾驶叫车服务，现与丰田/现代合作进军消费级车型；特斯拉从量产车转向Robotaxi服务，两者路径趋近 [9] 福特战略调整 - 终止Argo AI项目（与大众联合投资10亿美元），放弃自研L4转向外部合作，重点开发BlueCruise系统（支持13万英里高速公路脱手驾驶） [18][19] - 未来或集成激光雷达以提升城市自动驾驶安全性，可能增加成本但强化电动车安全保障 [19] - 法利强调福特品牌需谨慎对待新技术，激光雷达被视作安全关键组件 [17][18] 行业分化趋势 - 技术路线分歧体现安全性与成本的权衡：Waymo/福特选择多传感器冗余，特斯拉押注纯视觉降本 [4][5][19] - 监管复杂度影响扩张速度，特斯拉需应对加州严格审查，Waymo已通过多城市运营积累数据 [14][16] - 早期试乘反馈显示特斯拉Robotaxi操控性获分析师满分评价，但NHTSA正审查其异常驾驶事件 [13][14]

纪要涉及的行业和公司 - **行业**：自动驾驶行业 - **公司**：特斯拉、vivo、百度、小马智行、文远知行、Pony、小鹏、理想 纪要提到的核心观点和论据 1. **自动驾驶主流方案**：当前主流采用局部端到端两阶段模型，前端感知和预测利用 CNN 结合 LLM 增强环境理解，规划控制侧重基于规则的方法保障安全，旨在平衡复杂度与可靠性[1][2] 2. **特斯拉技术路径优劣势** - **优势**：响应速度快，车载系统响应及时；处理复杂场景能力强，一段式操作解决多模块联合问题表现出色[3] - **劣势**：训练过程复杂，监督难以构造；数据采集与标注困难，训练时比局部端到端方法面临更大挑战[3] 3. **国内 L4 级别自动驾驶系统优势**：在驾驶舒适性、复杂路况安全性及急弯场景路径规划方面优于特斯拉，国内公司通过多传感器融合提升感知能力，更适应国内复杂交通环境[1][6] 4. **L4 级别自动驾驶系统硬件需求** - **激光雷达**：是刚需，在夜间和恶劣天气下能有效识别物体形状，避免纯视觉方案的感知缺陷，但数据量庞大，对算力需求较高[1][9] - **芯片**：实现 L4 功能对芯片算力要求高，英伟达芯片性能和稳定性优异，国产芯片在尖峰性能、平均性能和生态支持上与英伟达有差距，但美国制裁推动国产替代，可显著降低成本，如地平线芯片可节省 80%成本[1][12] 5. **限制车队规模扩大的因素**：单车成本高（目前约 80 万，大规模量产需降至 30 万以内）、监管限制（只能部署在特定区域）、人力成本和基础设施建设不足（缺乏专业云控驾驶员及后台服务器支持）[16] 6. **政府相关政策和要求** - **Robotaxi 运营**：需先在特定区域测试收集数据，提供给政府获批准后开放区域运行[17] - **自动驾驶牌照发放**：政府每年限定牌照数量，申请者提交公用指标数据初步筛选，通过仿真软件模拟场景监控自动驾驶能力，结合两者结果决定发放对象，牌照数量逐渐递增[18] 7. **世界模型**：在自动驾驶中发挥重要作用，不同车企之间存在差异，整体框架包括动态障碍物重建和静态环境重建，但细节差距大，如小鹏、理想等采用 3D 高斯等高精度方法，其他企业可能采用游戏引擎方式模拟[20] 8. **L4 级别公司解决问题的方法**：通过大量测试和仿真技术解决常见问题，利用数据孪生构建仿真环境，发现并解决问题，更新算法并积累数据，降低人力成本，提高效率[2][14] 其他重要但是可能被忽略的内容 1. **PNC 未用更多模型驱动的原因**：训练和推理过程中的数据问题，自回归会使未见过的数据偏差累积，未见过的数据可能导致危险行为[4][5] 2. **政府仿真软件及评价指标**：以北京交管局为例，使用基于国外的通用平台软件添加各种随机场景评估，评价体系不复杂，国内厂家能做类似软件[19] 3. **生成数据与大语言模型的关系**：生成数据基于已训练好的大语言模型框架，可提供优质数据，减少对真实数据的依赖[23] 4. **人员招聘来源**：从百度、美国公司、Vivo 等企业挖掘高端人才，应届生主要来自清华、北航、北邮、中科大、中科院和浙大等高校[25] 5. **国内与海外引进人才对比**：国内人才数学基础扎实，项目执行和攻坚能力强；海外引进人才眼界高，有新奇想法，工作规范[26][27] 6. **自动驾驶领域未来技术迭代**：短期无太大技术变革，重点是将大语言模型融入自动驾驶系统，若实现将带来巨大飞跃[28]

特斯拉Robotaxi试运营启动 - 特斯拉于2025年6月22日在德克萨斯州奥斯汀启动Robotaxi试运营服务，初期部署10辆2025款Model Y车型，采用邀请制，运营范围限定在特定区域，运营时间为上午6点至午夜12点 [3] - 乘客支付固定费用4.20美元，车辆配备人类安全员，配备紧急中止开关 [3] - 受邀参与者反馈积极，包括减速带减速效果良好、停车平稳、夜间行驶稳定、处理狭窄施工路段和避让动物等场景表现优异 [3][6][9][11] 特斯拉Robotaxi技术表现与问题 - 部分场景出现技术问题：未对倒车卡车刹车导致险情、左转时短暂逆行、系统分配车辆接客困难、无视限速标志等 [11][12][15] - 有用户质疑车辆可能由后台人工操控，因在限速20英里区域以35英里时速行驶 [15] - 马斯克预测到2026年底美国将有数十万至超百万辆特斯拉自动驾驶汽车行驶 [11] 特斯拉Robotaxi商业模式与市场反应 - 特斯拉计划融合Uber和Airbnb模式，车主可通过共享闲置车辆获得收入，公司抽取佣金 [2] - 2025年Q1特斯拉电动汽车交付量暴跌13%，公司将Robotaxi定位为救星，预计2026年底显著改善财务状况 [20] - 官宣Robotaxi后特斯拉股价上涨9%至349美元，市值达1.03万亿美元，马斯克身价超3350亿美元 [20] 中国无人驾驶出租车发展 - 2025年被视为无人驾驶出租车商业化元年，中国已有超15个城市允许完全无人驾驶运营 [21] - 百度萝卜快跑2025年Q1提供超140万次出行服务，同比增长75%，累计服务超1100万次，业务扩展至迪拜、阿布扎比和香港 [21][22] - 滴滴与广汽埃安联合发布L4 Robotaxi车型，计划2025年底量产，2026年在广州、北京示范运营 [22] - 哈啰出行联合蚂蚁集团、宁德时代成立合资公司，注册资本12.88亿元，专注L4自动驾驶技术研发和商业化 [23] 自动驾驶技术路线对比 - 特斯拉采用纯视觉方案，依赖摄像头和FSD计算机，声称比Waymo方案"安全7倍，成本低7倍" [23] - Waymo和中国公司采用多传感器融合方案，配备激光雷达、雷达等实现环境感知 [24] - 全球Robotaxi市场处于关键转型期，技术成熟度、监管框架和公众信任仍是核心挑战 [24]

具身AI与多传感器融合感知 - 具身AI以物理实体为载体，通过动态环境实时感知实现自主决策和行动能力，是突破AI发展瓶颈、实现通用人工智能（AGI）的关键路径[3] - 多传感器融合感知（MSFP）对实现具身AI的稳健感知和准确决策能力至关重要，需融合视觉相机、毫米波雷达、激光雷达等多模态传感器数据[3] - 当前MSFP方法面临跨模态数据异质性、时空异步和传感器故障等固有挑战[4] 传感器数据与数据集 - 相机数据捕捉丰富外观特征但对光照敏感，激光雷达提供高精度3D点云但对天气敏感，毫米波雷达在恶劣天气性能良好[10] - KITTI数据集包含14,999张图像及相应点云，采集于德国卡尔斯鲁厄及附近城市[13] - nuScenes数据集在波士顿和新加坡采集，包含140万张相机图像、39万次LiDAR扫描和140万次雷达扫描[13] - Waymo Open数据集包括126万个3D边界框和118万个2D边界框，涵盖白天、夜间、黎明、黄昏和雨天场景[14] 感知任务 - 目标检测任务需准确定位和识别物体，2D检测输出类别和2D边界框，3D检测包括3D位置坐标、尺寸和航向角[16] - 语义分割任务将场景中的每个基本单元分类为语义类别[17] - 深度估计任务从传感器数据获取场景深度信息，为具身智能体提供3D几何理解[17] - 占用预测任务提供对3D空间的密集语义理解，通过离散化3D空间为体素预测占用状态和语义类别[17] 多模态融合方法 - 点级融合方法集成点云几何坐标信息与图像语义细节，如PointFusion、PointPainting等方法[23][24] - 体素级融合方法将LiDAR点云转换为规则网格，如CenterFusion、VPFNet等方法[25][26] - 区域级融合方法从2D图像和其他模态聚合特定区域信息，如AVOD、RoarNet等方法[28][29] - 多级融合方法从不同级别集成多模态信息，如MVX-Net、EPNet等方法[30][31] 多智能体融合方法 - 协作感知技术可集成多个智能体和基础设施的感知数据，解决遮挡和传感器故障问题[35] - CoBEVT通过稀疏Transformer生成BEV分割预测进行协作处理[35] - V2VNet基于图神经网络融合多辆车的中间特征表示[36] - When2Com框架学习构建通信组和通信时机，减少带宽使用[37] 时间序列融合方法 - 密集查询方法为高分辨率3D或BEV空间中的每个查询点分配固定位置，如BEVFormer、BEVFormer v2[40][41] - 稀疏查询方法因其效率、准确性和适用于稀疏感知任务而受欢迎，如StreamPETR、Sparse4D系列[42][43] - 混合查询方法结合密集和稀疏查询范式，如UniAD、FusionAD等方法[45][46] 多模态LLM融合方法 - 视觉-语言方法结合视觉和文本数据进行语义对齐，如X-Driver、Mpdrive等方法[50] - 视觉-LiDAR-语言方法集成视觉、LiDAR和语言数据进行3D空间理解，如DriveMLM、MAPLM等方法[51][52]

具身AI与多传感器融合感知的重要性 - 具身AI是以物理实体为载体，通过实时感知实现自主决策和行动能力的智能形式，在自动驾驶、机器人群体智能等领域有广泛应用，是突破AI发展瓶颈、实现通用人工智能（AGI）的关键路径 [2] - 传感器数据理解是连接物理世界与数字智能的核心环节，具身智能体需要融合视觉相机、毫米波雷达、激光雷达（LiDAR）、红外相机和IMU等多模态传感器数据以实现全景感知 [2] - 多传感器融合感知（MSFP）对实现具身AI的稳健感知和准确决策能力至关重要，例如视觉相机易受光照变化干扰，而激光雷达在雨雾天气性能会大幅衰减 [2] 现有研究的局限性 - 当前基于AI的MSFP方法在具身AI中面临跨模态数据的异质性使得特征空间难以统一的挑战 [3] - 不同传感器之间的时空异步可能导致融合误差，传感器故障（如镜头污染、信号遮挡）可能导致多模态信息的动态丢失 [3][4] - 现有综述大多面向单一任务或研究领域，如3D目标检测或自动驾驶，缺乏对多智能体融合、时间序列融合等MSFP方法多样性的考虑 [4] 传感器数据 - 相机数据可捕捉物体的颜色、形状和纹理等丰富外观特征，但对光照条件敏感，在夜间和恶劣天气下图像质量显著下降 [7] - 激光雷达（LiDAR）数据直接输出包含空间几何信息的高精度3D点云，在3D感知中具有独特优势，但对天气敏感且点云数据稀疏不均匀 [7] - 毫米波雷达数据在恶劣天气下性能良好，可直接测量物体速度，但点云更稀疏难以准确描述物体轮廓 [10] 数据集 - KITTI包含14,999张图像及相应点云，数据采集车辆配备两台灰度相机、两台彩色相机、一个Velodyne 64线LiDAR等设备 [13] - nuScenes包括700个训练场景、150个验证场景和150个测试场景，总计5.5小时，包含140万张相机图像、39万次LiDAR扫描 [13] - Waymo Open包括感知和运动数据集，感知数据集中的注释包括126万个3D边界框、118万个2D边界框 [14] 感知任务 - 目标检测是通过传感器获取的数据准确定位和识别各种类型的物体，在3D目标检测场景中需包括目标的3D位置坐标、尺寸信息和航向角 [16] - 语义分割任务旨在将场景中的每个基本单元分类为语义类别，分割模型需要为每个基本单元分配相应的语义标签或类别概率分布 [16] - 深度估计旨在从传感器数据中获取场景的深度信息，为具身智能体提供3D几何理解，对路径规划和决策控制等下游任务至关重要 [16] 多模态融合方法 - 点级融合方法实现LiDAR点云与图像数据在单个点级别的特征融合，通过集成点云的几何坐标信息与图像的语义细节提高多模态感知精度 [21] - 体素级融合方法将不规则的LiDAR点云转换为规则网格，在保留几何信息的同时实现高效处理，相机图像被集成到基于体素的方法中以获得更好的感知能力 [23] - 区域级融合方法侧重于从2D图像和其他模态聚合特定区域的信息，在模态之间的空间对齐更容易实现的场景中特别有效 [28] 多智能体融合方法 - 协作感知技术可以集成来自多个智能体和基础设施的感知数据，对解决遮挡和传感器故障问题至关重要 [34] - CoBEVT是第一个通用的多智能体多相机感知框架，通过稀疏Transformer生成BEV分割预测以进行协作处理 [34] - V2VNet引入了一个基于图神经网络的框架，用于融合来自多辆车的中间特征表示 [35] 时间序列融合 - 密集查询方法为高分辨率3D空间或BEV空间中的每个查询点分配固定的光栅化空间位置，BEVFormer通过可变形注意力机制实现多个相机视图中的自适应特征交互 [44] - 稀疏查询方法因其效率、准确性和适用于稀疏感知任务而在行业中越来越受欢迎，StreamPETR通过对象查询系统地在帧间传播长期信息 [47] - 混合查询方法结合密集和稀疏查询范式，以平衡计算效率和全面的场景理解，UniAD将感知、预测和规划集成在一个统一的框架中 [51] MM-LLM融合方法 - 视觉-语言方法结合视觉和文本数据进行语义对齐，X-Driver利用具有思维链推理和自回归建模的多模态大型语言模型实现卓越的闭环自动驾驶性能 [57] - 视觉-LiDAR-语言方法将点云特征与文本特征对齐，DriveMLM采用时间QFormer处理多视图图像，有效捕捉不同视角之间的时间动态和空间关系 [59] - MAPLM将3D LiDAR点云数据投影到BEV图像，并通过视觉编码器提取特征，使强大的视觉模型的使用成为可能 [60]

智能辅助驾驶技术路线 - 特斯拉坚持纯视觉方案的理论基础是全球道路交通体系本质围绕视觉感知能力构建 人工智能结合数字神经网络和摄像头是与现有道路系统最匹配的解决方案 [1] - 马斯克批评激光雷达技术 认为道路系统并非为从眼睛发射激光而设计 摄像头与激光雷达同时工作可能导致信息冲突和交通事故 [3] - 纯视觉方案最大优点是成本较低且贴近人眼逻辑 通过对摄像头持续优化可无限接近人类眼睛 [20] 第一性原理 - 第一性原理是系统中最基本的命题或假设 不能被违背或删除 核心思想是回归事物本质 剖析最基本原理构建新认知框架 [3] - 智能辅助驾驶的第一性原理应聚焦本质需求 以标准化能力推动普惠价值 实现从A点到B点的安全 舒适 高效 [4] - 手机行业演进史为汽车智能化提供启示 基带芯片以"稳定传输"为第一性原理 智能辅助驾驶应成为像基带一样可靠的基础设施 [4] 特斯拉技术发展历程 - 2014-2016年外部合作期 采用Mobileye EyeQ3芯片 算力0.25 TOPS 支持1个前视摄像头 1个毫米波雷达和12个超声波雷达 [6] - 2016-2019年自研过渡期 转向英伟达方案 算力10 TOPS 配备8个摄像头 1个毫米波雷达 12个超声波雷达 同时开始自研FSD芯片 [7] - 2019年进入全面自研期 推出HW3.0 配备两颗自研FSD芯片 算力144 TOPS 相比前代增长7倍多 [7][9] 特斯拉技术方案演进 - 引入BEV+Transformer算法栈 让视觉感知网络获得测速 测距能力 将2D画面拼接成360度全景俯视图 [13] - 升级占用网络 将车辆周围空间划分成小方格标记是否被物体占据 实现高分辨率三维感知与重建 [14] - 推出端到端方案 完全采用一张神经网络链接感知 规控和执行 2023年测试中运行速度比原方案更快 删除30万行人工代码 [16][17] 技术方案对比 - 纯视觉方案在信息丰富度 三维深度 测距精度 相对场景可靠性等方面弱于多传感器融合方案 但成本更低 [19] - 激光雷达在探测距离 精度和实时性方面有明显优势 但易受天气影响 可能发生多次反射导致信号失真 [20][21] - 多传感器融合方案需承担更高硬件成本 开发能融合多传感器数据的算法 并采用高算力芯片处理数据 [23]

凤凰网科技讯（作者/于雷）6月16日，特斯拉副总裁陶琳今日发布了马斯克近期对智能驾驶技术路线的 判断。马斯克明确表达了对当前主流多传感器融合技术路线的质疑态度，认为这种方案可能成为自动驾 驶安全的潜在威胁。 从技术发展趋势分析，特斯拉的纯视觉路线与行业主流观点形成了鲜明对比。目前大多数自动驾驶技术 供应商普遍采用激光雷达、毫米波雷达、超声波传感器与摄像头相结合的多传感器融合方案，认为这种 配置能够在不同环境条件下提供更加全面和可靠的感知能力。 业内专家对马斯克的观点存在分歧。支持者认为，过度复杂的传感器配置确实可能带来数据处理和决策 延迟问题，纯视觉方案在成本控制和技术迭代方面具有明显优势。批评者则担心，单一传感器类型在极 端天气或复杂光照条件下的可靠性仍有待验证。 特斯拉即将在得州推出的Robotaxi服务，将成为验证其技术路线可行性的关键试金石。如果该服务能够 在真实城市交通环境中实现安全稳定运行，将为整个自动驾驶行业的技术发展方向提供重要参考依据。 反之，如果出现安全问题，可能会进一步加剧行业对纯视觉方案可靠性的质疑。 马斯克从道路系统设计的根本逻辑出发，阐述了特斯拉坚持纯视觉方案的理论基础。他指出，全 ...