小米SU7取消侧向激光雷达，雷军与马斯克又想到一块去了？

在智能驾驶领域，感知硬件作为收集行车周围道路状况、障碍物分类工作的主要部件组，其部件分布方式与类型的改变都意味着某款车型在感知算法、算力方面产生了大改。正如现在大部分车企将高阶智能驾驶方案从三激光雷达减少至单激光雷达，在硬件减少的前提下需要用算法进行感知补全。在如今智能驾驶开始追求性价比的时代，减少多激光雷达带来的性能冗余已经成为主流。

在近期谍照中，小米SU7取消了在原本路试时配置的两颗侧向激光雷达，通过摄像头方案代替补盲激光雷达。这种方案的改变传出的信号大概率是小米会采用“重视觉轻激光雷达”的配置方案，除了前向通过激光雷达补充点云数据，其他位置都会用视觉+毫米波雷达组合实现感知功能。这或许意味着小米即将通过使用更先进的自动驾驶感知模型算法，帮助其实现快速铺开高速/城市NOA功能的目的。

小米取消侧向激光雷达，是更靠谱的选择？

在早期小米路测谍照中，小米SU7搭载了3颗激光雷达，除了车顶上1颗远距离激光雷达（大概率为禾赛AT128），两侧翼子板处都设置有一台补盲激光雷达。当时坊间都在猜测小米在其首款汽车上采用3激光雷达方案，类似于长安阿维塔11（参数丨图片）的激光雷达配置。

但近期曝光的小米SU7成车“证件照”中，翼子板处的设计出现了明显的修改，仅存一套摄像头部件。由此可以确定，小米SU7成车并没有搭载传说中的3激光雷达方案。而侧向激光雷达在10月份的路试谍照中还存在，小米在成车最后1-2个月选择放弃激光雷达方案，用视觉+毫米波雷达的组合实现了车辆侧向感知能力的补全。

出于成本因素考虑，小米SU7做出削减侧向补盲激光雷达的原因之一是激光雷达不菲的成本。但智能驾驶的决策主要基于感知部件对周围世界的感知，减少重要的感知部件造成盲区，对智能驾驶的安全性埋下隐患，单纯为了省成本不做感知补完明显不符合逻辑。

从技术角度来看，补盲激光雷达的主要作用在于补全视野盲区。阿维塔11的3颗激光雷达也是采用类似布局，侧向补盲激光雷达的作用就在于补充侧面障碍物识别。对应到驾驶场景，侧向补盲激光雷达能够帮用户扫描到侧向障碍物的位置与行动方向，从而解决“鬼探头”、“加塞”等场景。

但侧向补盲激光雷达同样优势与劣势明显，其优势在于不受环境光线变化影响、定位准确、漏检率低，但缺点集中在软件算法复杂、颜色识别能力弱、受极端天气影响较大。理想L7曾经爆出幽灵刹车问题，就凸显了激光雷达识别颜色能力弱的问题，将广告牌的人像辨认成真实的活人。

有网友曾经爆料自己的阿维塔11因为侧向感知未及时发现侧方电动车导致车辆事故，从实际使用方向上证明补盲激光摄像头并不能100%识别补盲。

小米这次采用的方案则是用2套视觉摄像头和毫米波雷达用作侧方感知，摄像头分别位于翼子板和B柱位置，翼子板处摄像头负责观测车辆后方视角，B柱摄像头用于拍摄车辆前半部分区域。翼子板处摄像头负责工作视角，可以参考之前小米公布的自动驾驶实验车型的视角数据，翼子板处的摄像头模块主要功能将会用于观测车辆与其他车辆之间的距离。

B柱摄像头虽然硬件参数未公布，但为了补全360度视角范围，大概率会采用大范围的广角摄像头。B柱摄像头的位置设计让我们很难不联想到特斯拉，特斯拉B柱摄像头视角方位偏向于车辆前方，增强车辆前半部分的区域视觉信息补充。由于小米SU7照片内并没有在后视镜区域加入鱼眼镜头，意味着小米可能在侧面只有2个感知设备，小米B柱摄像头采用视角偏向于前方设计也是有可能的。

在硬件方面，小米SU7取消侧向激光雷达之后，大概率会使用2套视觉摄像头感知侧方环境情况，用毫米波雷达感应障碍物速度，为AEB等功能的实现做保障。

用视觉方案替换激光雷达，预示小米做了什么变化？

小米用视觉方案替换激光雷达，其原因大概率是因为小米将自动驾驶算法从障碍物识别转为BEV+Occupancy占用网络。在障碍物识别网络中，激光雷达无法被替代的主要原因之一就是激光雷达能够获取大量的点云数据，这些点云数据组成了自动驾驶眼中的物理世界。

激光雷达点云数据会提取道路边缘线、车道线等信息，交通标志、各种类型的障碍物都会以不同形状的点云显示，障碍物识别需基于特征提取，符合特征库的障碍物即可被识别。基于雷达点云的障碍物识别算法，依旧有一个很明显的问题，就是对特征库以外的异性障碍物识别不佳。

而BEV+Occupancy占用网络的感知模式与通用障碍物识别网络的区别在于对世界感知的不同，BEV+Occupancy占用网络通过对视觉部件的利用，将现实世界数字化，障碍物与道路周边的元素都以不同的体素结构呈现。而障碍物识别网络主要是将障碍物进行体素化，来辅助车辆进行驾驶决策。由此可见，BEV+Occupancy占用网络具有更强的泛化能力，意味着车辆无需再识别障碍物的种类和边缘，车辆只需规避所有体素占据空间即可完成驾驶。

BEV+Occupancy占用网络相对于障碍物识别网络，最直观的变化就是能够减少更多的“幽灵刹车”类误触发现象，视觉方案能够更准确还原3D场景，减少激光雷达容易出现的误触发、漏检的问题。并且，BEV+Occupancy占用网络营造的三维结构信息附带更多的颜色信息，激光雷达识别颜色能力弱的问题也会更加凸显。

采用新的大模型算法对于小米的价值不仅仅是降低AEB误触发率，对于小米而言在新车上市之后如何追赶到一流智驾企业的水平才是问题。今年新势力车企都将城市NOA开城作为年度主要目标，理想、极越都寄托于利用BEV+Occupancy占用网络实现更快的城市NOA开城。

由于城市道路场景更加复杂，路口、变道多、行人多，不规则的路口更多，部分城市开城受阻源于对道路感知不清，易造成车辆决策犹豫。之前有网友吐槽小鹏XNGP在开城初期遇到双向10车道的大型路口时，智能驾驶AI会变得“不知所措”。BEV+Occupancy占用网络的高精度和丰富细节感知的优势，直接通过还原真实场景解决了感知车道问题。

回到小米方面，从硬件改动来看，小米大概率经历了一场算法层面的大改动。从偏向华为系的通用障碍物识别，转向特斯拉、理想、百度Apollo使用的BEV+Occupancy占用网络算法。小米的城市NOA开城思路会借算法突破，从更优化的算法获取精准的数据，辅助AI训练大模型。

结论：

小米这次选择BEV+Occupancy占用网络，几乎与特斯拉和理想进入到同样的算法阵营。现在坚守障碍物识别占用网络的好像只剩华为一家，但GOD网络训练机制导致需要用大量算力做障碍物识别，这恐怕也是华为不再激进宣传城市NOA进度的原因之一。有了小米的加入，明年的城市NOA开城大战会更加有意思了。