特斯拉纯视觉与国产智驾：传感器不同，终点可能相同

最近我一直很好奇一件事：特斯拉经常强调“纯视觉”，而国内不少车型会把激光雷达、毫米波雷达和高精度定位写进宣传页。它们究竟是在解决同一个问题，还是各自负责不同的事情？

我原先也把它简单理解成“特斯拉靠摄像头，国产车靠雷达和 GPS”。查完资料以后，我发现这个说法不够准确。GPS 不是用来识别前车和行人的；国内智驾也不是只有一条技术路线。 真正的区别，是系统如何组合感知硬件、数据、模型和安全冗余。

本文讨论的是量产乘用车的驾驶辅助与自动驾驶技术路线，不构成购车建议。不同车型、年份、地区和软件版本的硬件能力并不完全相同；截至 2026 年 9 月，消费者日常接触到的大多数产品仍要求驾驶员持续承担责任。

先说结论

如果把智驾系统比作一个正在开车的人，可以先做一个不严谨但好理解的类比：

摄像头像眼睛，擅长识别颜色、文字、车道线、红绿灯和物体语义；
激光雷达像一把高速扫描的三维尺子，直接测量空间几何和距离；
毫米波雷达更像对速度敏感的测距器，擅长判断目标距离和相对速度；
GNSS/GPS 告诉车辆“我大概在地图的哪里”；
IMU、轮速计等则帮助车辆判断“我刚才怎么动了”。

特斯拉当前量产智驾的核心，是以摄像头和视觉神经网络作为环境感知的主要输入，再依靠大规模车队数据、训练基础设施和车端计算完成预测与规划。国内市场则同时存在多传感器融合、视觉优先以及向端到端模型演进的多条路线。

所以，这并不是“视觉与 GPS”的竞争，也不能简单理解为“谁装的传感器多谁就更先进”。传感器决定系统能获得什么信息，模型和工程能力决定这些信息能不能被稳定地使用。

摄像头、激光雷达、毫米波雷达、GNSS 与 IMU 在智驾系统中的职责

“纯视觉”不等于完全不用 GPS

这是我在查资料时最先修正的一个认识。

“纯视觉”通常是在描述车辆如何感知道路环境：系统主要通过摄像头理解车辆、行人、车道线、交通灯、道路边界和可行驶空间，而不是依赖激光雷达提供三维点云。它并不表示车辆会放弃导航地图、GPS/GNSS 或车身运动信号。

Tesla 的车主手册明确写到，导航系统通过 GPS 信号确定车辆位置，地图也用于规划路线；同时，FSD（Supervised）的说明强调它是需要驾驶员监督的功能，车辆会结合摄像头等输入完成驾驶任务。换句话说：

GPS/GNSS 回答“车在哪里、目的地往哪走”；
摄像头和其他环境传感器回答“周围有什么、现在能不能走”。

普通 GPS 的定位误差、遮挡和漂移都决定了它不能代替环境感知。即使高精度定位能够把车辆放到更精细的地图坐标上，它也不会直接告诉系统前方突然出现了一个行人。

五类传感器到底分别解决什么问题

传感器	擅长的信息	主要局限	在系统里的典型作用
摄像头	颜色、纹理、车道线、信号灯、文字和物体语义	受逆光、黑暗、污渍和恶劣天气影响；距离需要估计	目标识别、道路理解、可行驶空间判断
激光雷达	三维几何、距离、轮廓和空间结构	成本、布置、清洁和点云处理复杂；雨雪也会带来干扰	几何测量、障碍物检测、感知冗余
毫米波雷达	距离、方位和相对速度	对物体类别、边界和细节的表达不如视觉	前车测速、碰撞预警、一定条件下的环境补充
GNSS/GPS	车辆的全局位置和时间信息	隧道、楼宇遮挡和多路径反射会造成误差	导航、全局定位、与地图匹配
IMU/轮速计	加速度、角速度和车辆短时运动	会随时间积累误差	组合定位、短时姿态与运动估计

这些传感器不是简单的上下级关系。摄像头可以看到红灯是红色，却需要模型推断距离；激光雷达能精确描述一个三维物体，却未必单独知道它是塑料袋还是石块；毫米波雷达善于看速度，但无法独自完成复杂道路语义理解。

Waymo 在介绍其第五代自动驾驶系统时，就把摄像头、激光雷达和雷达描述为相互补充的传感器组合。多传感器方案的价值，不只是“看得更多”，也是在某一类传感器退化时保留另一种物理测量方式。

特斯拉为什么长期坚持视觉优先

从产品和商业角度看，特斯拉的选择并不难理解。

人类主要依靠双眼理解道路，说明视觉信息本身包含了驾驶所需的大量语义。摄像头便宜、体积小，已经广泛安装在量产车辆上。如果同一套相对统一的硬件可以随着模型和数据更新持续进化，软件能力就更容易覆盖庞大的车队。

Tesla 官方 AI 页面把能力拆成视觉与规划、推理硬件以及训练基础设施。它真正押注的并不是“摄像头比所有传感器都强”，而是下面这条链路：

量产车队采集真实场景
        ↓
发现失败案例与长尾问题
        ↓
数据筛选、自动标注与训练
        ↓
模型更新并回到车端
        ↓
继续积累新的困难场景

这条路线的优势很明确：

硬件成本和量产复杂度较低。 不需要为每辆车增加昂贵且布置复杂的传感器组合；
车队数据规模更容易形成闭环。 大量同构车辆可以持续提供真实道路样本；
能力提升更多来自软件。 同一硬件平台可以通过模型迭代获得新能力。

它的代价也同样明显。视觉并不会天然给出可靠的绝对距离，模型要从连续图像、车辆运动和历史信息中学习三维结构。在强逆光、黑夜、暴雨、镜头污损、异形障碍物和罕见施工场景里，系统必须用数据与模型能力覆盖非常长的尾部。

因此，“少装一种传感器”并不等于问题消失了。它只是把一部分硬件冗余，转换成了更高的数据、模型、算力和验证要求。

国内智驾并不是一条统一路线

把国内方案概括成“激光雷达加 GPS”同样会丢掉很多信息。

以华为为代表的多传感器融合

华为乾崑 ADS 的公开资料长期强调多传感器融合、端到端架构和安全冗余。不同合作车型的具体配置并不一致，但常见组合包括摄像头、激光雷达、毫米波雷达、超声波雷达以及组合定位。

这条路线的思路是：视觉负责语义，激光雷达提供三维几何，毫米波雷达补充距离和速度，再通过统一模型进行融合。它并不是用雷达替代摄像头，而是让多种信息相互校验。

优势是系统可以获得更直接的空间测量和更多物理冗余；代价则是硬件成本、传感器标定、时间同步、数据融合和售后维护都更复杂。如果不同传感器给出矛盾结果，系统还必须判断应该相信谁。

国内厂商也在向视觉优先演进

另一边，小鹏等厂商近年来持续强调“无高精地图”、端到端和 VLA（Vision-Language-Action，视觉—语言—动作）模型。小鹏在 2025 AI Day 同时展示了 VLA 2.0 与 Robotaxi 方向；2026 年 3 月又公布第二代 VLA 2.0 架构和量产部署计划，试图把视觉输入、语言语义和动作生成放进更统一的模型链路。

这说明国内技术路线正在快速交叉：

多传感器车型也在使用端到端模型；
配备激光雷达，不代表系统仍然依赖传统规则堆叠；
视觉优先，也不代表车辆完全不使用导航和车身状态信号；
同一家厂商，甚至可能为不同价位、车型和使用场景提供不同硬件配置。

Tesla 视觉优先路线与国内典型多传感器融合路线对比

两条路线各自的优势与代价

维度	视觉优先路线	多传感器融合路线
环境感知核心	摄像头与视觉模型	摄像头、激光雷达、毫米波雷达等融合
直接三维测量	更多依赖模型从时序视觉中估计	激光雷达可直接提供几何距离
硬件成本	通常更低，更利于大规模统一部署	通常更高，车型配置差异也更大
系统复杂度	硬件较简洁，但模型和数据压力更大	硬件、标定、同步和融合链路更复杂
冗余方式	更多依赖多摄像头、时序信息与模型能力	可以利用不同物理原理交叉校验
规模化关键	车队数据闭环、训练算力、车端推理	融合算法、供应链、成本控制与工程验证