[首發于智駕最前沿微信公眾號]對于自動駕駛激光雷達的分類，有一個非常關鍵的參數，那就是“線”，之前和大家聊過自動駕駛激光雷達“線”的含義，對于激光雷達的線，“128線”“256線”之類的參數屢見不鮮，線數越高就意味著更強大的感知能力。那在自動駕駛中，搭載“線”越多的激光雷達就代表越好嗎？

先說結論，其實線數不過是激光雷達性能指標體系中的一個維度，它與測距精度、掃描架構、算法設計、電氣與熱管理、整車成本乃至法規合規性緊密耦合，遠非簡單的“多即好”。

所謂“線”，指的是激光雷達在垂直方向上排布的離散激光束數量。以機械旋轉激光雷達為例，發射模塊將若干束窄脈沖激光按照固定俯仰角打向外界，再借助旋轉機構在水平方向做360°掃描，于是每條束便在一圈內形成一條螺旋掃描軌跡。線數越多，意味著俯仰方向的離散角度越密集，點云在豎直方向的分辨率越高，俯仰視場（VerticalFieldofView，VFOV）通常也會隨之擴大。對于MEMS或棱鏡擺動式的固態激光雷達，雖然沒有機械旋轉機構，俯仰方向仍通過內部光學陣列排布固定角度的多束激光，線數概念同樣成立。因而，無論機械旋轉還是固態，線數的本質都是垂直角度抽樣密度，它決定了一幀點云中在豎直方向可捕獲的輪廓細節量級。

在感知算法層面，線數增加首先帶來的是單幀點云密度提升。點云密度直接影響障礙物形態還原能力，尤其對截面狹小或遠距離目標，點云密度的提升代表著可以探測到更多的細節。當俯仰離散角度縮小后，低矮路緣、倒地行人與散落雜物等原本位于“空洞”中的像素會被新激光束覆蓋，使卷積或Transformer網絡無需過度插值便能獲得連貫幾何信息。其次，VFOV擴展意味著同一時間窗內，傳感器能夠同時感知道路表面與高位結構，如匝道、立交橋底部或路口高懸的標志牌都可以感知到，從而減少盲區與漏檢風險。對于如城市NOA、Robotaxi運營平臺及高精地圖實時重定位場景中等高等級自動駕駛功能，高線數所帶來的細節不僅提升障礙物檢測精度，也降低空間語義分割誤差，進而增強整車在復雜三維環境中的縱橫向決策魯棒性。

對于感知系統來說，激光雷達線束的提升可以有效提升感知效果，但從整車系統視角審視，線數提升會牽一發而動全身。首先是硬件成本。無論采用分立管腳方案還是光子芯片集成，線數翻倍意味著發射陣列、接收器件、放大及解調電路同步擴容；高線數固態方案雖在尺寸上占優，卻需多模小型化封裝與復雜的光纖配向工藝，良率與一致性要求更嚴苛，因此在量產階段價格攀升顯著。其次是功耗與熱管理文同。更多激光束意味著更高脈沖重復頻率和峰值電流，器件發熱量隨之倍增，需要更大面積的散熱器或主動風扇；對于48?V前裝供電網絡而言，多顆高線數雷達同時工作或將逼近保險絲上限，觸發整車功耗調度問題。再者，數據帶寬也成瓶頸。當點云數量從每秒二十余萬飆升至百萬級，千兆以太網、車內PCIe總線、SoCI/O通道以及DDR帶寬皆可能淤塞；可見，不經篩選地把所有點云交給算法端處理，往往迫使主控計算平臺升級，從而進一步抬高整車BOM。

更隱性的代價發生在算法側。3D目標檢測與語義分割多采用稀疏卷積、體素投影抑或基于鄰域聚類的Transformer結構，其時間復雜度呈近線性增長；當輸入點數翻倍，推理時延與顯存開銷亦水漲船高。為了維持量產車普遍要求的100?ms級閉環延遲，工程師往往被迫在算法前端下采樣或隨機丟點，這無異于用軟件手段把硬件增加的線數“抵消”掉一部分，收益出現趨緩。

此外，多線數也會提高電磁與光學串擾風險。激光雷達通常工作在905?nm或1550?nm波段，當車隊中存在多臺同型號高線數雷達同時發射脈沖時，不同車輛之間的時間片沖突概率上升，若沒有隨機時分復用、頻分編碼或調制多樣化方案，感知結果易被誤觸發。角度分辨率亦非只由線數決定，水平掃描速度、脈沖發散角與探測距離耦合度同樣重要。若在豎直方向密采樣而忽視水平軸精度，高速場景中的遠距目標依舊可能出現點云稀疏。

將視角拉回功能需求，不同級別自動駕駛系統對線數的敏感度并不一致。對于側重橫向維度保持與縱向跟馳的高速L2場景，目標物以車輛、護欄為主，相對高度差小，32?線或64?線即可覆蓋±10°-15°的俯仰視場；此時進一步增加線數的經濟收益有限，系統工程團隊更關注功耗與成本。城市L3功能面對交通標志桿、行人、多層立交與低速動態目標組合，128?線及以上帶來的高密度點云能明顯降低漏檢率，然而如果攝像頭與毫米波雷達在融合架構中承擔了部分縱向與速度維度的感知責任，則可以用中高線數加多傳感器融合的方式平衡預算。至于Robotaxi及末端配送車型，因為其商業模型依賴長時段運營和遠程監管，對感知冗余與安全邊際要求極高，頂置兩到三顆128?線以上雷達在成本賬本里仍然合理。但同樣的方案一旦平移到私家車市場，消費者對售價及后期維護的敏感度會讓車企重新思考“堆料”的合理性。

針對稀疏到稠密的點云梯度，不同算法策略對輸入規模的容忍度差異巨大。基于體素化的稀疏卷積網絡通常在低密度區間就能達到瓶頸精度，往上加點云收益迅速遞減；而基于原始點云的完全圖網絡雖然對密度更敏感，但在工程實踐中往往因為顯存消耗與實時性約束被限速。近期流行的BEV（Bird’s?EyeView）投影方法把點云按高度層投影到二維平面，分辨率閾值約在每像素十余點。超過此閾，增加線數帶來的新特征大概率落入已有像素格，信息增量趨近零。這意味著在給定算力預算下，如何通過動態體素尺寸、自適應采樣與特定ROI精化策略把有限線數用在關鍵區域，比無差別堆砌線數來得劃算。

從產品生命周期看，線數提升也擴大了標定難度與維護成本。多通道系統需要更精細的外參標定，機械磨損或熱脹冷縮導致的微小位姿偏移會讓多線束之間產生內部錯位，需要更高頻次的在位自校。光學窗口污損、透鏡鍍膜衰減對高線數雷達尤為敏感，因為每束的發射功率相對低，為了保持同等信噪比，硬件常用提高脈沖重復率的方法彌補能量，進一步加劇熱設計壓力。高線數更意味著單位時間內激光脈沖次數增加，需要嚴格滿足IEC?60825眼安全標準；當同車多雷達工作時，累計輻射值的疊加也必須進入OEM的危險源評估清單。對于追求全球市場的車型，還要面對歐盟、北美與東亞不同的激光輻射限值與申報流程。

正因線數升級存在邊際收益遞減與系統代價飆升，行業開始轉向其他維度優化。波長升級是主流路線之一，1550?nm波段在眼安全閾值下能輸出更高峰值功率，于是在同等線數條件下達到更遠探測距離；同時1550?nm光束對大氣散射衰減更低，在雨霧環境下保持點云密度。另一條思路是采用頻率調制連續波（FMCW）架構，在單束中直接測得多普勒速度信息，使得中等線數雷達亦能通過聯合距離?速度特征過濾虛警。再有面陣Flash方案，以二維SPAD陣列一次曝光、一次采集完成整幅深度圖，用像素級并行取代線陣旋轉，避免了復雜的機械與散熱架構；目前點數雖不及高線機械雷達，但在低速泊車到城市L3區間已展現成本優勢。所有這些創新的共同目標，是在硬件投入、系統算力與感知精度之間尋找“最優亞穩態”，而不是簡單堆疊線數。

對于一款計劃三到五年生命周期的量產車型，如何確定合適的線數，需要一個從需求工程到成本工廠的閉環評估。第一步是功能拆解，明確高速巡航、城市NOA、自動泊車乃至L4短時無人駕駛等目標功能的優先級與安全等級。第二步評估整車算力與電子電氣架構，判斷現有ECU帶寬、功率儲備是否承接更高密度點云的傳輸與推理。第三步結合車體安裝位置與造型約束，頂置可360°環視，但對風阻與整車高度影響顯著；翼子板嵌入或前格柵隱藏則需更寬VFOV抵消遮擋。第四步做供應鏈與量產可行性分析，高線數固態方案往往處于爬坡階段，交付良率、備件成本與售后服務能力都需驗證。最后，以總擁有成本（TotalCostofOwnership）為基準，把硬件價格、軟件開發、標定調試、長期維護及云端數據存儲綜合折算，確保選定線數在商業模式中具備正向收益空間。

線數無疑是激光雷達最直觀、也最容易被市場營銷放大的參數。它確實能在感知上帶來更豐富的垂直信息，幫助算法捕捉微小目標與復雜結構。然而，在自動駕駛越來越走向量產落地的當下，必須把“點云精度”放進龐大的系統權衡矩陣：硬件成本、功率與熱設計、數據鏈路、算法時延、法規合規、維護運維乃至消費者支付意愿，沒有哪個因素可以被忽視。超過特定閾值之后，線數的邊際效益迅速下降，甚至可能引發功耗過載、算力瓶頸與法規風險等連鎖問題。

與其盲目堆料，不如把資源投入更高功率、更長波長、更智能的抗干擾調制，以及在算法側做自適應采樣和多傳感器深度融合。只有當硬件線數、系統算力與軟件算法達到動態平衡，激光雷達才能真正成為“自動駕駛第三只眼”而非昂貴負擔；也只有在這樣的平衡中，每一束激光才能物盡其用，讓車輛在真實道路上更安全、更高效地運行。

審核編輯 黃宇