下圖是特斯拉官方網(wǎng)站上查到的特斯拉車載傳感器配置，足夠詳細(xì)。

1. 攝像頭

特斯拉車輛標(biāo)配總共有 8 個攝像頭，后面是一個倒車攝像頭，前面是一個三目的總成件。兩側(cè)一邊還有兩個。

魚眼、正常和長焦

后視

中距攝像頭實景

關(guān)于不同的鏡頭是什么關(guān)系，引用了知乎上的一張圖，請大神看到后聯(lián)系我們。

側(cè)視，具體的說是側(cè)視安裝的位置，是有特色的。側(cè)后視裝在翼子板上，位置靠前；側(cè)前視裝在 B 柱，位置在側(cè)后視的安裝位置之后 1m。側(cè)前視和側(cè)后視相互重疊，這樣就保證了無盲區(qū)。這 4 個攝像頭就基本保證了 Tesla 的 L3 級別的功能：變道、合流、出高速。從實景照片中可以看出，相鄰左右車道確實是無死角的照顧到了。

側(cè)前視

側(cè)后視

側(cè)后視實景

側(cè)前視實景

2. 毫米波雷達(dá)

特斯拉的車上，毫米波雷達(dá)就裝了 1 個，160 米，按照這個探測距離，該雷達(dá)是個 77G 的。

特斯拉之前一直僅僅將毫米波定位為一個輔助的傳感器，結(jié)果撞了大卡車。筆者曾經(jīng)把特斯拉在 LinkedIn 上的人搜了一遍，看看他們是什么背景。結(jié)果，一大票人都是常青藤做視覺的 MS 或者 PHD，所以別怪人家把視覺玩的這么溜。

但是，但是，視覺總歸是二維的，八個攝像頭，同時處理的話，消耗的 GPU 資源不少。結(jié)果出事了。還出了不少事。下圖這個筆者認(rèn)為比較經(jīng)典：

武漢特斯拉自動駕駛撞翻一片護(hù)欄

人類都有可能被視覺欺騙，別說機器了。所以攝像頭這種通過計算來感知的手段要有，通過直接測量的手段來感知更是必不可少。毫米波雷達(dá)和激光雷達(dá)，個人認(rèn)為儀器的成分更多一點，是一個可靠的自動駕駛系統(tǒng)必不可少的。

3. 超聲波

對于特斯拉來說，在其他地方不起眼的超聲波，俺們也要好好用，畢竟測量型傳感器除了一個毫米波，就是這 12 個超聲波了。筆者曾經(jīng)和某大佬聊過自動駕駛使用超聲波的問題，他覺得超聲波精度不行，距離不行，無法用。恩，那能把超聲波用在自動駕駛上面的，確實是天才。筆者其實也蠻佩服。轉(zhuǎn)一個知乎上的科普貼：

陳光：無人駕駛技術(shù)入門（八）| 被嚴(yán)重低估的傳感器超聲波雷達(dá)

https://zhuanlan.zhihu.com/p/35177313

探測范圍 8 米的超聲波，找的到嗎？獻(xiàn)上鏈接，不敢保證 Tesla 用的就是這家的，但是肯定類似。筆者的朋友當(dāng)年把這個玩意用在無人機上做壁障，還蠻好用的。那個朋友也是個天才，希望他能在續(xù)集里上鏡，哈哈。

Ultrasonic Sensors and High Performance Proximity Sensors | MaxBotix

www.maxbotix.com

超聲波傳感器最大的問題是什么？學(xué)過通信的人應(yīng)該知道復(fù)用這個詞。所有超聲波探頭都工作在一個頻段，相互之間回波還有干擾，只能時分復(fù)用。時分復(fù)用啊，老大們，12 個探頭輪一圈，啥概念？幾秒過去了。計算 4 個 4 個一組，也很慢。慢，就是超聲波最大的問題。

第二個問題，就是長。一串超聲波，就像一串蘿卜。串在一根繩上。這根繩，連起來十幾米長。長有什么不好，嘿嘿，筆者當(dāng)年可是吃了大虧。肇慶某公司上海分舵一位大牛面試過筆者，說了句搞硬件就是提個指標(biāo)的嘛。哎，沒上車沒吃過虧啊。

第三個問題，溫濕度。超聲波對溫濕度極其敏感，要做一個詳細(xì)的標(biāo)定表，要不這個超聲波就不靈了。

還有一個，就是誤報問題，不想展開了。筆者只能說，簡簡單單一個超聲波，就可以折騰你個一兩年。所以，自動駕駛工程化是一條漫漫長路。等 ABCD，那可以洗洗睡了。

4. 視覺與毫米波的融合

特斯拉反應(yīng)很快，立馬就把毫米波用的妥妥的。知乎上有文章介紹關(guān)于激光雷達(dá)點云如何與圖像如何融合以及聯(lián)合標(biāo)定。各大創(chuàng)業(yè)公司也樂于 Show 點云和圖像的融合結(jié)果。

Coulson：視覺激光雷達(dá)信息融合與聯(lián)合標(biāo)定：

https://zhuanlan.zhihu.com/p/55825255

但是，能把毫米波和圖像結(jié)合起來，足可以見特斯拉的算法能力之強。要用好毫米波，首先要拿到原始數(shù)據(jù)。

毫米波的原始數(shù)據(jù)是一條曲線，橫軸是與天線陣面法向的夾角，縱軸是回波信號強度。有興趣的朋友可以找一套 TI 的開發(fā)套件來看看。這個波形，人是看不懂的，所以就有了一大票人專門依據(jù)這個毫米波波形做信號處理，來提取目標(biāo)，跟蹤目標(biāo)。

筆者看了特斯拉 Autopilot 的試駕視頻，可以說，特斯拉的毫米波雷達(dá)和視覺的融合是穩(wěn)定和到位的。

5. 定位

特斯拉用的定位模塊很簡單，UBLOX-M8L，都沒有上 M8P。筆者在這里再一次膜拜特斯拉。可是，特斯拉的定位真的很牛啊。下面這個視頻，主路在前方分成了主路和輔路，還都是高速。MODEL3 妥妥的提前切換到輔路上（6 分 10 秒開始），車主 High 翻了。這就是說，特斯拉妥妥的車道級定位。

Tesla Model 3 Autopilot on Navigation

這個定位是怎么實現(xiàn)的？筆者認(rèn)為有兩點：

車速較高，白天、環(huán)境開闊，M8L 的定位精度 CEP 在 1m 內(nèi)。筆者寫了個程序，邊開車記錄自己的堅果手機的定位軌跡，定位精度不差。

特斯拉用毫米波做了定位。馬路兩邊的金屬欄桿和路燈是比較好的特征，可以做出類似激光雷達(dá)的匹配定位，但精度會差。

https://techcrunch.com/2017/06/07/bosch-to-create-radar-road-signature-maps-for-high-accuracy-self-driving/

6. Tesla方案存在的問題

特斯拉的方案主要依靠視覺，所以 Tesla 的環(huán)境感知三維重建是基于二維的。二維轉(zhuǎn)換為三維，必然有信息丟失。筆者通過看視頻，發(fā)現(xiàn) Tesla 對遠(yuǎn)處的物體有誤識別的情況。特別是這種情況：一個行人，在晚上，穿著黑衣服，突然從路邊竄出來。毫米波看人本來就不行，超聲波又太近，視覺是兩眼一抹黑。別說各種視覺欺騙了。

橫向運動的兩個車，定位的不好

09:02 這兩個黃框不是人，誤識別了用

用Tesla Autopilot的眼睛游覽巴黎（高速篇）：

https://v.qq.com/x/page/l07925gsykb.html

基于視覺的方案，主要問題有：

不省時間。我在LinkedIn上搜到了 1000 個做 TESLA、Vision 相關(guān)的工程師，不全部都是現(xiàn)員工。不過也可以看出人手不少，開工資得多少錢啊。說明這個視覺的路線，一點都不好做。其他車廠要照著這個路子從 0 做，恩，準(zhǔn)備 2030 年量產(chǎn)吧。

不省錢。人力成本是一塊。硬件成本也不便宜，這么多攝像頭，需要GPU的算力支持。筆者剛買了塊 GTX1060，1700 RMB，這還只是消費級產(chǎn)品，市場的量也不小。如果是車規(guī)的 ECU，還要達(dá)到 ASIL-D，一點都不便宜。不過在激光雷達(dá)和 ECU 中間，我寧肯選 ECU，CMOS 工藝啊！激光雷達(dá)的核心器件是 III-V 族工藝。

綜合上述兩點，Tesla 適合交通參與者較單一、路面情況較簡單的結(jié)構(gòu)化道路。也就是高速和人車分流的園區(qū)。但是，量產(chǎn)車能在高速上實現(xiàn)自動駕駛（L2 級別），確實很贊！此外，特斯拉的最大優(yōu)勢在于量產(chǎn)的50萬輛AP車在路上跑，為其積累競爭對手無法獲得的海量實際運行數(shù)據(jù)。