车载激光雷达这几年在自动驾驶感知里的地位，已经有点“顶梁柱”的意思。它能直接输出厘米级精度的三维点云，相当于给系统配了一只“不依赖光线、只看距离的眼睛”。但真正到了量产和整车集成阶段，这批“眼睛”的表现远没有演示视频里那么稳定：点云会莫名少一块，雨雪天测距明显缩水，多台雷达同时工作还会互相干扰，更别提标定和成本这两道老难关。

这篇内容主要写给三类人：正在做感知算法开发的工程师、需要做传感器选型和整车集成的项目团队，以及想从全局理解激光雷达技术瓶颈的产品经理。我会把核心挑战拆成感知层和工程层两大类，然后从算法优化、多传感器融合、硬件演进三个方向给出可复用的解决思路，最后附一份实际项目中沉淀下来的排查清单。下面所有内容都建立在公开技术原理和常见项目实践的基础上，不针对任何特定厂商或商业版本，大家按自己的项目阶段取用就好。

1. 先从全局看：激光雷达在感知架构中的真实坐标

1.1 摄像头和毫米波雷达的“能力墙”在哪里

摄像头最大的问题是：它测深度是“算”出来的，不是“测”出来的。基于单目的深度估计算法依赖纹理、边缘、遮挡关系和先验尺寸，夜间、逆光、纯色车身、隧道出入口这些场景一登场，深度精度就会明显跳水。双目立体视觉能好一些，但基线长度限制了中远距离的有效视差，在车辆距离超过60米之后，深度分辨率会迅速下降，同时计算量也相当可观。我们曾在一段夜间高速上测试双目方案，前方静止货车在80米处的深度跳动能达到正负两米以上，这种误差放在AEB功能里是没法直接做安全判定的。

毫米波雷达的强项是测速和雨雾穿透，可它的空间分辨率实在有限。常规车载毫米波雷达的水平角分辨率大概在1度到3度之间，在100米外，一个目标横跨的角度可能只有零点几度，多个目标一旦靠得近，反射点就会粘连成一团。更麻烦的是，它很难给出目标的精确外轮廓，行人和护栏、路牌和金属围挡在点迹特征上区分度很低，误报和漏报常年处于此消彼长的状态。

激光雷达的补位逻辑非常直接：用激光主动测距，每一束激光回来就是一个精确的距离和角度，直接生成三维坐标。它不需要光照，不需要纹理，不会被颜色欺骗，几何精度在几十米范围内可以做到正负几厘米。所以，感知架构里一旦有了激光雷达，车辆的位置估计、目标尺寸测量、可行驶区域边界提取都有了可靠的“几何锚点”。它不是要取代谁，而是把整个感知系统从“概率推测”往“物理测量”方向拉了一把。

1.2 主流技术路线对比与选型逻辑

目前市面上车载激光雷达的技术路线呈现出“百花齐放、各有短板”的局面。选型时最忌讳的就是只看单个指标的峰值，比如只看测距标称200米，却忽略了在目标反射率只有10%的情况下实际测距可能只有一半。我习惯把主流路线整理成一张对照表，评估时逐项打勾。

从整车视角看，选型逻辑其实很清晰：先定义你要覆盖的典型场景和功能等级。以高速巡航为主的功能，远距离测距和低虚警率优先，MEMS或转镜式的半固态方案往往更合适；以城市复杂路口为主的功能，近场盲区的覆盖、垂直视场角、点云密度更重要，甚至需要补一个Flash或短距激光雷达专门做车身周边感知。不少项目一开始追求“参数越强越好”，把最贵的机械旋转式产品放在车顶，结果系统集成时发现功耗、风阻、清洗和法规都成了问题，这个教训我见过不只一次。

2. 感知层的四座山：远、杂、坏、扰

2.1 远距离目标点太少，特征根本立不住

激光雷达的角分辨率是有限的，主流车载产品大概在0.05度到0.2度之间。以0.1度角分辨率、水平扫描视场120度、每秒出几十万点的产品为例，一辆4.5米长、1.8米高的货车停在100米外，横向占的角度大约为2.6度，折算下来只有26个横向扫描线；如果目标在150米外，横向角度只剩1.7度，点云数可能衰减到原来的六到七成。对那些垂直视场角分布不均匀的产品来说，远端目标可能只有十几甚至几个有效点。

点太少带来的直接后果是下游检测算法不稳定。传统聚类算法在点云稀疏时容易把一辆车拆成两个目标，或者把靠近的两个目标并成一个；基于深度学习的检测网络在训练时如果对远距离样本覆盖不足，推理时就会出现检测框抖动、尺寸判定偏大偏小交替出现的情况。更让人头疼的是，远距离目标一旦处于运动状态，稀疏点云加上时序抖动，会让速度估计的噪声被成倍放大。

优化经验上，我的建议是两条腿走路。一方面在硬件选型时就明确“最小可检测目标规则”，比如要求某个距离上目标点云数不低于N点，把它写进选型评估表，而不是只写一个美丽的标称测距值。另一方面在算法侧给远距离目标单独建一个检测分支，允许它使用更松的聚类阈值、更长的历史帧匹配窗口，同时在跟踪时用长时记忆来补偿单帧点云的抖动。

2.2 雨雾尘雪环境下的信号衰减与噪声

激光在大气中传播会遇到两类麻烦：一是折射和散射造成的能量衰减，二是雨滴、雪花、尘埃颗粒直接反射回来的噪声点。实测数据通常显示，中雨条件下激光雷达的有效探测距离可能下降20%到40%，大雾天气下降更严重，甚至可能缩水一半以上。对1550纳米波段的激光雷达来说，大气衰减相对小一些，在雨雾中的表现普遍好于905纳米波段，但器件成本和供应链成熟度也相应更高。

环境颗粒物造成的噪声点主要分布在中近距离，形态上表现为孤立点或一小簇一小簇的“雾状点”。这些噪声点如果进入目标聚类环节，真实目标会被“染色”，边界被噪声撑大；如果进入可行驶区域分割环节，地面上的雨滴反光还会被误判成小凸起物。我们曾在一场暴雨里跑测试，车辆前方的点云密集得几乎像一层“雪幕”，如果不做预处理，车辆检测置信度会直线下降。

应对方案分三层。第一层是硬件端多回波技术，利用同一激光束的多次回波来判断目标表面还是小颗粒，通常取“最后一个显著回波”作为有效测距；第二层是算法端做一个基于距离和密度的动态噪点滤除，对近处和远处的阈值分别设置；第三层是任务端，在雨雾天气下适当降低对激光雷达的置信度权重，让毫米波雷达和超声波传感器承担更多近距离环境感知责任。这套“硬件加软件加系统冗余”的组合，是我们在恶劣天气测试里验证下来最稳妥的做法。

2.3 玻璃、强反射和水膜：长尾场景里的“鬼影”问题

城市道路上的长尾场景对激光雷达极不友好。前车后挡风玻璃会透射激光，导致目标后沿测距异常偏后，目标轮廓被拉长；深色车身或哑光涂装反射率低，有效回波只剩一两个，检测框尺寸忽大忽小；金属护栏、反光标识、雨后积水路面会造成镜面反射和多次回波，单束激光打到湿滑路面上可能产生虚假的地面点，也可以导致镜面反射引起的“鬼影”目标出现在错误位置。

“鬼影”问题尤其实战。有一次我们在封闭园区里测试，前方是一辆白色厢式货车，货车旁边立着一块大面积金属围挡，激光雷达在货车左侧约两米处稳定输出一个“静止行人”目标。后来复盘发现，是货车侧面反射的激光打到金属围挡后又二次反射回接收器，形成了虚假点云，且这个假目标在连续帧里保持稳定，跟踪器根本没法自动消除它。类似这种情况下，单纯靠检测网络很难彻底解决，必须引入多传感器的一致性校验：摄像头看不到这个“行人”，毫米波也没有多普勒回波，那就优先怀疑是鬼影目标。

这类长尾问题的根治思路有三个方向：一是多回波信息和反射强度信息联合使用，对反射强度异常高或出现多次回波时距离跳变过大的点做标记；二是建立场景语义知识库，对已知的金属围挡、玻璃幕墙区域做持久性地图标记，在融合阶段降低该区域的不确定性权重；三是在整车层面接受“传感器盲区”的现实，通过冗余传感器相互校验来兜底。

2.4 多台激光雷达互相干扰，误检怎么都压不住

当车上装了多台激光雷达，或者道路上有多辆配备激光雷达的车辆同时行驶时，一台雷达发射的激光束可能被另一台雷达的接收器捕获，形成“串扰”。串扰点云通常表现为一条直线状或弧形分布的高亮度假点带，在某些角度上密集出现，严重时会让检测网络在空旷路面上产生不存在的“墙面”或“目标群”。

互干扰本质上是个信号识别问题。由于激光脉冲的编码方式简单，接收端很难区分“这个回波是我的发射信号还是别人家的”，尤其在同类产品大规模部署时，问题会更明显。算法端可以做时间域或空间域的滤波，但这种处理在大规模干扰下有些吃力，比较有效的思路还是在硬件层面增强抗干扰能力。

FMCW体制在这方面的优势从原理上就体现出来了。它通过调制连续波频率，接收端必须与发射信号做相干解调，不同激光雷达使用不同的调制方式或频率特征，天然就能区分信号来源。在下一代产品选型时，如果项目对多车场景的可靠性要求较高，不妨认真考虑FMCW方案。对现有TOF产品，一个比较实用的临时手段是在点云预处理环节做“线状聚簇检测”，把连续直线分布的高强度点簇直接剔除，同时把单帧扫描时刻随机扰动一下，降低被其他雷达周期性信号捕获的概率。

3. 工程落地层面的硬骨头：成本、标定、功耗与可靠性

3.1 成本博弈：从“奢侈品”到“平价传感器”的必经之路

激光雷达早期用在Robotaxi上时，单台成本动辄数万美元，这个价格放在量产乘用车里完全不可接受。近些年成本下降很快，部分半固态产品已经进入千元人民币级别，但这个价格对整车物料清单来说仍不算便宜，尤其当L2+功能需要一台主雷达加两到三台补盲雷达时，传感器总成本会迅速吃掉整车利润。

降本的路径不外乎三条：核心器件国产化替代、工艺路线转向半导体化、以及用量规模摊薄成本。核心器件包括激光器、探测器芯片、扫描振镜和数据转换芯片，这几类器件的良率和一致性直接决定成本底线。工艺转向半导体化是更根本的路径，把几百个激光通道集成到一颗芯片上，利用晶圆级工艺批量生产，成本曲线会线性下降。我们在评估供应商时看到的趋势是，哪家能在芯片级集成上走得更远，哪家就更有可能在下一代产品上取得成本优势。

但这里有个容易踩的坑：当成本压缩太猛，点云质量也会跟着缩水。比如探测器灵敏度降低会导致远端点密度下降，激光器功率降低会影响雨天表现。选型时一定要把成本优化建立在“满足最低性能指标”的前提上，不要为了省几百块钱把核心功能拉低到不可用的水平。

3.2 标定与安装：精度是“装”出来的，不是“调”出来的

激光雷达的安装位置、倾斜角、与其他传感器的相对外参，每一个环节都会直接影响下游感知效果。外参标定不准，点云与图像投影对不上，融合算法就会出现“同一个目标在两个传感器里相距半米”的矛盾；外参随时间漂移，初期标定再好也会逐渐退化。

安装位置的选择需要综合考虑风阻、车身造型、清洗维护和感知视野。车顶方案视野最好，但影响整车造型且清洗不便；前保险杠方案集成度高，但视场角被压低，近距离盲区变大；两侧翼子板补盲雷达则要面对振动和碰撞维修问题。实际项目里，我们往往需要通过仿真和实车测试在几套安装方案之间反复迭代，没有一劳永逸的选择。

标定流程上，我推荐在整车下线时做一次“静态外参标定”，用标定间的靶标同时获取激光雷达、摄像头、毫米波雷达的相对位姿，然后用基于点面匹配和边缘对齐的优化算法求最优外参。车辆使用一段时间后，由于螺丝松动、热胀冷缩、轻微碰撞，外参会缓慢漂移。最好设计一个自检机制：利用SLAM和道路特征周期性回算外参的一致性，一旦偏差超阈值就提醒重新标定。这套机制在运营车队的故障率统计里，效果相当显著。

3.3 功耗、散热与车规可靠性的协同设计

激光雷达在发射激光的瞬间会形成较高的峰值功率，持续运转时平均功耗从十几瓦到几十瓦不等。在纯电动车上，激光雷达虽然不占功耗大头，但它的散热需求非常棘手：激光器对温度敏感，温度过高会导致波长漂移和输出功率下降，最终表现为测距性能衰减。我们曾在一台测试车上连续跑高温耐久工况，环境温度约35度，车内设备间温度超过50度，三台激光雷达的探测距离在一天内下降了8%。后来优化了散热风道和安装位置，问题才解决。

车规可靠性是另一道关卡。激光雷达要经历高低温冲击、振动、盐雾、电磁兼容等一系列测试，任何一项不达标都无法进入量产车型。机械旋转式产品在长期振动下会出现电机磨损和编码器误差，半固态产品的转镜和微振镜也需要反复寿命验证。选型时不能只关注静态性能，供应商的耐久测试数据、故障率报告和失效模式分析往往比产品手册更有参考价值。

从整车架构角度，比较建议将激光雷达作为独立功能单元接入自动驾驶控制器，而不是简单走传统的CAN信号。这样可以获得足够的带宽传输点云数据，同时便于在控制器侧做时间戳同步和诊断管理。供电回路要做过流保护和滤波处理，避免电机启停和高压部件切换时出现电压尖峰把激光雷达电路打挂。这些细节看起来不起眼，但在长里程测试中，电气问题往往比软件问题更容易成为“隐藏杀手”。

4. 优化路径一：算法侧的“减法”与“加法”

4.1 点云预处理和地面分割是基本功

很多人把算法优化重点放在检测网络结构上，却忽略了点云预处理这个高性价比环节。原始点云里通常混杂着大量离群点、空中噪点和地面点，不对它们做处理，后续聚类和目标检测都会事倍功半。

点云预处理建议按“四步走”：第一步，裁减无效区域，根据安装位置把车顶、车身内部、盲区范围的点云直接剪掉；第二步，时空联合去噪，利用相邻帧的一致性判断某点是否为瞬时噪声；第三步，地面分割，可以选择平面拟合加区域增长的方式，把地面点和障碍物点分开，为可行驶区域检测提供输入；第四步，点云配准与运动补偿，利用车辆自身的运动模型把这一帧的点云补偿到同一坐标系，减少运动畸变。

地面分割尤其要小心，不能只用一个固定平面模型。车辆上下坡、过减速带时，地面平面会倾转，如果模型更新太慢，会把坡面当成障碍物，或者把真障碍物当成地面点滤掉。建议采用多平面模型的思路，或者用一个基于网格的凹凸性分割算法，让它对地形变化更鲁棒。这些预处理模块的调参虽然枯燥，但对最终检测精度的提升往往比换个更大的网络还明显。

4.2 检测模型的轻量化与跟踪策略

在点云检测模型选择上，当前实践效果较好的是基于鸟瞰图（BEV）的卷积网络和基于稀疏体素的点卷积网络。前者把点云投影到二维栅格，利用成熟的二维卷积结构处理，计算效率和实现难度都比较友好；后者保留了原始三维信息，检测精度上限更高，但工程复杂度也更大。对量产项目而言，除非硬件算力非常充裕，否则我倾向于优先选BEV方案，把算力留给后续的模型迭代。

轻量化改造的常用手段包括：使用深度可分离卷积替换标准卷积、压缩特征层通道数、用知识蒸馏让小模型学习大模型的行为。我们做过一组实验，在保持检测召回率基本不变的情况下，通过上述手段把模型的推理耗时从40毫秒压到22毫秒，功耗下降约四成。不过需要提醒的是，模型压缩往往会让远距离小目标的检测能力变弱，实践中要保持一档“高精度模型”用于夜间或恶劣天气下的降级模式，与轻量模型按场景切换。

跟踪层的高频处理手段仍然是“检测后关联”：目标检测结果通过匈牙利算法与历史轨迹匹配，再用卡尔曼滤波器或扩展卡尔曼滤波器做状态平滑和速度估计。关键技巧在于给不同距离、不同类型的目标设置不同的关联门控阈值——远处的目标允许更大的位置波动，靠近的目标用更严格的阈值防止误匹配。时序信息用好了，很多单帧检测的抖动都能被磨平。

4.3 算力分配与延迟控制的平衡

感知链路的时延预算非常紧张。从激光雷达发出激光到点云数据包到达控制器，再到预处理、检测、融合、决策输出，整个过程在量产项目中通常被要求在100毫秒以内。点云的数据量很大，传输和解析本身就是一部分延迟，如果再在算法上贪多求大，时延就会被突破。

实践经验里的有效做法是分层处理：近场区域使用全分辨率点云做高精度检测，远场区域先降采样做快速粗检，再用目标框区域内的原始点云做精细确认；对静止场景的低风险区域，可以降低检测频率，把算力集中在动态目标上。这种动态分配的策略，通常能让感知系统在有限算力条件下获得更优的响应速度和可靠性。

5. 优化路径二：系统级的“组合拳”——多传感器融合

5.1 激光雷达与摄像头：几何与语义的互补

激光雷达提供精确的几何位置，摄像头提供丰富的语义信息。理想的融合方式是让两者发挥各自优势：用点云来估计目标的距离、尺寸、速度方向，用图像来判断目标类型、颜色、状态属性以及交通信号灯和路面标识。

实现层面要区分“前融合”和“后融合”。前融合是指在原始数据层面把点云和图像像素投影到同一坐标系，然后输入同一个检测网络；这种方式信息损失最小，但对传感器外参标定精度和时间同步要求极高。后融合是各自检测完再做目标级融合；工程上稳定很多，但在数据关联出错时容易产生“双目标”或“漏目标”。在量产项目里，业界普遍采用“分步式融合”作为折中：先在图像上做2D检测，把目标框投影到点云空间选出对应点云簇，再做3D特征提取。这样可以利用成熟的2D检测模型，又能获得3D精确定位，工程实现难度适中，效果稳定。

融合的另一个关键点是时间同步。激光雷达和摄像头各自有自己的采样时钟，如果把不同时刻的数据当作同一时刻使用，车辆运动状态和滚动快门的差异就会导致投影错位。务必在系统设计阶段就规划好时间同步机制：常见的做法是控制器给所有传感器打时间戳，以激光雷达帧时间为基准，对图像帧做线性插值或使用最近邻匹配，再在融合模块内部做空间对齐。

5.2 与毫米波雷达的“恶劣天气兜底”

毫米波雷达在雨雪雾天几乎不受影响，多普勒测速能力也远超激光雷达。车载系统中，毫米波雷达最适合扮演“全天候保障”的角色：当激光雷达因天气或故障性能衰减时，毫米波雷达仍然能提供目标的存在性和速度信息。

但毫米波雷达的低分辨率也意味着它会输出很多“可能目标”，尤其在桥梁、护栏、路侧金属物体密集的路段，虚假目标数量会激增。融合逻辑上不能“有目标就信”，而应该做多级确认：毫米波目标只有在以下两种情况至少满足其一才进入最终目标列表，一是与视觉检测或激光雷达检测形成一致性匹配，二是在连续多帧的同一位置持续出现且速度估计合理。这本质上是一个“一次触发、二次确认”的策略，能在不大幅牺牲真目标召回率的前提下，把虚警降到一个可以接受的水平。

5.3 融合架构的分层设计与冲突消解

多传感器融合架构在工程上需要区分“目标级融合”和“决策级融合”。目标级融合输出统一的目标列表，包括位置、速度、朝向、类型、置信度和生命周期；决策级融合是每个传感器单独出决策，再进行投票或加权。前者适合需要精确运动和几何信息的规控模块，后者在实现上更简单，但信息损失更大，不太适合L3以上级别的复杂场景。

目标级融合的关键难点是“冲突消解”。典型场景：激光雷达检测到前方障碍物，摄像头在相同位置没有检测到任何目标，毫米波也没有回波。这时候怎么办？建议遵循“空间几何优先、语义置信其次”的消解原则——只要激光雷达的几何特征足够清晰，并且与其他近邻目标没有明显重叠，就优先保留激光雷达结果，同时降低该目标的全局置信度。反过来，如果摄像头清晰看到了一个行人，激光雷达却没有点云支撑，就要分情况看：是行人太远点云太稀疏，还是行人身穿强吸收材料导致回波不足。经验法则是对“平面型目标”（如行人）适当降低对点云点数的硬性要求，用图像语义作为主导，几何位置用激光雷达粗略估算即可。

6. 优化路径三：硬件演进与长远技术方向

6.1 固态化、芯片化与垂直集成

未来车载激光雷达的竞争，很大程度上是半导体工艺的竞争。传统的分立器件组装方案，无论如何优化物料，都存在性能、体积和成本之间的硬约束。芯片化路线把这些器件集成到单颗光子集成芯片上，用晶圆级工艺批量制造，单位成本会大幅下降，可靠性也会因为焊点和机械结构减少而显著提升。

固态化的另一个好处是抗振动和寿命表现更好。没有机械旋转部件，雷达寿命的上限不再取决于轴承和电机的磨损，而是取决于激光器和探测器本身的退化速度。从系统角度看，这会直接改善整车的维护保养成本，尤其对运营车队来说意义重大。

供应商评估时，不妨重点关注三个维度：激光器阵列的通道数和一致性、探测器阵列的灵敏度与动态范围、以及前端信号处理芯片的算法可配置性。这一代产品首先要在硬件上把“点云质量”做扎实，然后在后续迭代中通过OTA让算法在同一硬件上发挥更大潜力。

6.2 FMCW带来的速度信息红利

FMCW调频连续波技术近年来受到越来越多的关注。与TOF体制相比，它最大的优势是每个探测点都能直接给出径向速度，这是从原理层面解决“运动目标测速不准”问题的最根本手段。传统TOF激光雷达测速度依靠点云的帧间差分，一旦点云抖动或目标部分遮蔽，速度估计就会失真；FMCW则不同，它测的是回波信号的频率漂移，直接反映了目标相对雷达的径向速度分量，精度和鲁棒性都高出一截。

FMCW对多雷达互干扰问题的免疫能力也很突出。因为相干探测要求接收信号与本地参考光严格匹配，不同雷达的调制参数只要有差异，就不会形成有效干扰。这使它天然适合多车、多雷达部署的场景。

当然，目前FMCW技术还面临光源相干长度要求高、成本偏高和供应链不够完善的挑战。短期内的规模化应用可能还偏向高端车型和特定运营场景。但考虑到未来自动驾驶对测速可靠性和抗干扰能力的刚性需求，我有理由认为FMCW会在下一代产品中占据一个重要位置。

6.3 感知单元集成化与车载生态协同

硬件优化不能只看雷达本体，还要看它如何融入整车感知生态。现在的趋势是把激光雷达、摄像头、甚至毫米波雷达的感知处理能力下沉到传感器端，让传感器不只输出原始点云或图像，还能输出“目标假设数据”和“检测结果”，这就是所谓“智能传感器”的方向。对整车来说，这能减轻中央控制器的算力负担，提升感知系统的可扩展性。

传感器端集成化还会减少线束数量和数据传输压力。一个包含激光雷达加摄像头的集成感知单元，只需要一根高速数据线连接域控制器，数据和供电集中管理，对整车线束布局和故障排查都更友好。不过集成的代价是单点故障风险增大：如果一个单元整体失效，可能同时丧失两种感知能力。因此系统设计时仍然需要保留一定的冗余架构，不能把所有鸡蛋放在一个篮子里。

同样值得注意的是激光雷达与底盘、车身控制系统的协同。激光雷达数据可以用来做路面预瞄：提前识别减速带、坑洼和坡道，让悬挂控制器主动调节阻尼；也可以与高精地图匹配，实现车辆横向定位辅助。这些跨控制器协同会让激光雷达的价值从单纯感知延伸到整车控制层面，是车载激光雷达应用范围的另一块蓝海。

7. 实操复盘：常见问题速查与避坑心得

7.1 实车测试中的高频问题与排查思路

下面这份问题速查表，是我们在多个测试项目里反复遇到过的典型情况，建议大家保存下来，遇到类似现象时按图索骥。

排查时有一个通用原则：一次只改一个变量。很多团队遇到检测不准，又调标定又换模型又更新预处理参数，结果问题反而越调越乱。正确的做法是先回放点云看原始数据质量，再逐步加处理环节，找出问题到底出在哪一层。

7.2 一套可复用的激光雷达验证评估流程

评估一台激光雷达或一套感知方案是否满足要求，不能只看测试场里的几次跑圈。我建议按四层流程来做。

第一层是静态测试：固定点位扫描标靶和真实物体，检验测距精度、点云密度、噪声水平、反射率影响，分别在室内和外场各做一组。第二层是动态道路测试：覆盖城市、高速、隧道、桥梁、雨天、夜间、强逆光等组合场景，重点记录恶劣天气下的测距衰减和算法表现。第三层是长里程耐久测试：连续运行数百小时，观察点云质量漂移、故障率和散热表现。第四层是失效注入测试：人为制造传感器离线、外参漂移、数据延迟、时间戳丢失等异常，验证系统冗余和退化策略是否有效。

这套流程做下来通常要一到两个月，但收获是实打实的：几乎每一个在量产阶段才会暴露的“隐形问题”，都能够在测试阶段提前暴露和解决。不要觉得测试周期长而跳过任何一层，尤其是失效注入测试，它直接关系到系统在真实极端场景里的安全底线。

7.3 个人沉淀的几条经验

最后分享几条我在多个项目中反复印证的经验。

第一，激光雷达算法和硬件永远是耦合的。硬件换一个型号，参数和预处理方案基本都要重新调一遍。所以选型时不要只看纸面性能和价格，还要看供应商的技术支持深度和后续算法适配能力。

第二，不要过度迷信点云“越密越好”。更密的点云意味着更大的数据量和算力消耗，在很多场景下点云密度翻倍并不会带来检测精度翻倍。关键是找到“满足目标检测需求”的密度阈值，然后留出一定的余量。

第三，标定和同步这两项基础工作，值得在最开始投入最多的精力。很多后期查找的“玄学问题”，追根溯源都是外参标定偏了一两度、时间戳差了几十毫秒。把这些基础设施做扎实，上层算法发挥的空间会大很多。

车载激光雷达远谈不上技术终局，但它在复杂环境感知中的价值已经得到验证。现阶段谁能把“核心挑战”变成“工程细节”、把成本压到可量产区间、把算法和硬件协同做到极致，谁就更有可能在下一阶段的智能驾驶竞争中拿到先手。希望这篇复盘能帮更多人少走一些弯路，也欢迎在实践中有独到经验的朋友带着新的案例来交流，大家互相补位，才是这个领域往前走的不二法门。