过去，激光雷达主要提供目标的距离和三维空间结构信息，却不擅长直接提供颜色与纹理。
摄像头则能够捕捉丰富的视觉细节，识别红绿灯、车道线和交通标志。但普通单目图像本身并不直接包含目标的绝对距离，系统还需要通过视觉几何、深度估计或结合其他传感器信息，进一步判断目标的空间位置。
如今，这种分工正在出现新的变化。
2026年4月，禾赛发布第五代6D全彩激光雷达芯片平台毕加索SPAD-SoC，将RGB彩色感知与ToF测距在芯片层面融合，使输出的三维点云原生携带颜色信息。基于这一平台升级的ETX系列激光雷达最高支持4320线全彩感知。
激光雷达开始同时获取颜色和空间信息后，一个问题随之而来，如果它既能测距，又能提供颜色信息，摄像头还有什么不可替代的价值？
01全彩激光雷达究竟改变了什么？
想要理解全彩激光雷达，需要先弄清楚传统摄像头与激光雷达之间的差异。
摄像头采集的是二维图像。
系统可以从图像中提取颜色、纹理和形状等特征，判断前方可能是车辆、行人还是交通标志。但要准确获取目标的三维位置，系统还需要利用视觉几何、深度估计或其他传感器提供的信息。
激光雷达则通过测量激光往返时间等方式获取距离，再将测量结果转换为空间坐标，形成三维点云。它能够直接提供目标的距离和空间结构信息，但传统激光雷达点云通常不包含原生的RGB颜色信息。
这就让两者实现了互补，但两种传感器采集的数据来自不同的硬件。系统需要通过空间标定、时间同步和数据配准等处理，将图像中的像素与点云中的三维点对应起来。
图片源自：网络
标定误差、采样时间差，以及目标运动造成的位置变化，都可能影响这种对应关系。
如车辆前方有一个路锥。摄像头能够捕捉它的颜色和外观，激光雷达能够测量它的距离与空间位置。但如果图像与点云没有准确对齐，系统就可能难以准确判断图像中识别出的路锥，对应点云中的哪些位置。
禾赛推出的6D全彩激光雷达，改变的正是颜色信息与空间信息的获取方式。
按照禾赛公布的技术方案，毕加索将彩色感光与ToF测距集成在同一颗芯片上，使输出的每个点同时携带RGB颜色信息与XYZ空间坐标。
在禾赛这项技术的定义中，6D指三维空间坐标XYZ与三通道颜色RGB的组合，并不是车辆运动学中常说的六自由度。
也就是说，对于该传感器自身输出的彩色三维数据，系统不必再完全依赖独立摄像头图像与激光雷达点云之间的后续配准，就能建立颜色与空间位置的对应关系。
不过，芯片级融合并不意味着整个智驾系统从此不需要标定，也不代表所有感知误差都会消失。
如果车辆仍然使用其他摄像头或传感器，跨传感器融合所需的标定与数据关联工作依然可能存在。芯片级融合主要改变的是该传感器内部颜色与深度信息的获取和对应方式。
02 激光雷达有了颜色摄像头就能被替代吗？
从功能上看，全彩激光雷达能够同时提供颜色和三维空间信息，的确可以让原本需要通过不同传感器数据建立的部分对应关系，在数据产生阶段就得到解决。
对于红绿灯、车道线、施工标志等道路要素，如果颜色与三维位置能够准确对应，就有助于系统综合判断目标的类别、位置和空间关系。
但这也不是说传感器可以仅凭颜色就完成对所有道路要素的识别，具体效果仍然取决于感知算法、数据质量和实际环境。
对于远距离的小目标，这种信息对应关系也更有价值。
图片源自：网络
如远处的路锥在图像中可能只占据少量像素，而激光雷达能否获得足够的空间采样点，还取决于目标距离、反射特性、探测性能和传感器分辨率。
全彩三维数据能够同时提供颜色与空间位置，为目标识别提供更多信息，但最终能否提高识别率，还需要通过实际场景测试验证。
更重要的是，能够提供颜色信息，不等于具备与摄像头完全相同的成像能力。
摄像头的优势不只是识别颜色。高分辨率图像能够保留丰富的纹理、边缘、细小文字和局部外观信息。
对于交通标志上的细小文字、信号灯的局部细节、道路标线的纹理，以及复杂场景中的细粒度语义识别，高分辨率摄像头仍然具有重要价值。
全彩激光雷达能否在这些任务中达到相近水平，仍需结合具体产品的成像与感知性能进行验证。
除此之外，两种传感器面对环境变化时的表现也不同。
摄像头的成像容易受到强光、逆光和低照度等条件影响。激光雷达通过主动发射激光测距，在获取距离信息时不完全依赖环境光，但雨雾造成的激光衰减、目标反射特性等因素仍可能影响测距表现。
图片源自：网络
对于全彩激光雷达，颜色信息的获取也需要考虑实际照明和感光条件，不能仅凭主动测距能力，就认定其在所有复杂光照环境下都优于摄像头。
因此，全彩激光雷达的出现，很难直接取代摄像头。更准确地说，它让激光雷达能够提供更丰富的感知信息，也让颜色与空间位置之间的对应关系有机会在数据产生阶段就得到解决。
未来是否能够减少摄像头数量，还要看具体的感知需求、传感器性能、系统冗余设计与整车验证结果，不能仅凭全彩这一项能力下结论。
03 智驾传感器正从看得见走向看得懂
过去几年，激光雷达行业的重要竞争方向之一，是提高测距能力、增加点云密度、扩大探测范围，让系统获得更丰富的三维空间信息。
如今，随着智驾模型不断发展，传感器提供的数据是否容易被模型利用、不同信息能否准确对应，也开始成为值得关注的技术方向。
对于智驾系统来说，采集到更多数据，并不等于可以获得更多有效信息。
如果图像中的目标与三维空间中的目标无法准确对应，系统就需要投入额外的计算和处理来解决数据关联问题。
这种问题不仅影响车辆实时感知，也会影响训练数据的生产。
有些研发人员希望利用真实道路数据训练模型，既需要知道场景中出现了什么目标，也需要知道目标位于什么位置、与其他交通参与者有什么空间关系。
传统多源数据处理涉及时间同步、外参标定、数据配准和三维标注。原生RGB-D数据有望减少其中部分处理环节，为数据标注和模型训练提供更直接的输入。
禾赛的6D全彩激光雷达，也将应用方向延伸到了物理AI和机器人领域。
对机器人而言，识别一个物体只是任务的一部分，系统还需要理解它的位置、形状，以及自身与物体之间的空间关系。
不过，原生RGB-D数据并不是说所有标注都能自动完成，模型仍然需要学习目标语义、空间关系和具体任务所需的行为能力。
从这个角度看，全彩激光雷达的价值不只是让点云拥有更多颜色，而是尝试让颜色与三维空间信息从采集之初就建立更直接的联系。
#自动驾驶 #激光雷达 #全彩激光雷达
原文标题 : 激光雷达开始看颜色了，摄像头还有什么用？
（来源：维科网）
相关推荐
-
苹果AI智能眼镜发布或推迟6个月 摄像头配置方案未定
苹果备受期待的AI智能眼镜将推迟亮相。近日，据外媒透露，苹果原定于今年年底前发布的AI眼镜（代号N50），发布时间已推迟约6个月，预计将在2027年6月的WWDC上正式发布，并于同年年底上市。AI智能
-
纯视觉自动驾驶如何在夜晚感知场景？
在聊今天的话题前，先申明下，对于纯视觉自动驾驶来说，夜晚确实是一个极具挑战的场景，今天仅从技术实现上来讨论纯视觉自动驾驶在夜间感知场景的可能性。 很多老司机应该都会有感觉，那就是在黑夜里开车会感到吃力
-
你家门口的摄像头，终于从“傻子录像”进化成“福尔摩斯”了
来源 |?家电派（ jiadpai ） 作者 |?小小 你有没有过这种经历？ 家里装了智能门铃和摄像头，本来图个安心，结果用起来才发现，这玩意儿就是个“录影带成精”。 快递被偷了，想翻录像？好，你蹲在
-
自动驾驶摄像头像素如何影响算力？
之前和大家聊过一个话题，那就是激光雷达线束对算力的影响（相关阅读：为什么高线束激光雷达反而更省算力？）。摄像头作为自动驾驶非常关键的另一个感知硬件，其像素大小是否会影响算力消耗？ 其实从早期的1.2兆
-
自动驾驶汽车如何依靠摄像头判断距离？
车载摄像头在自动驾驶中，就像是“看见世界”的眼睛，其主要任务是把外界的光学信息转换成计算机能理解的像素数据，再通过一系列算法，从这些像素中提炼出“有什么物体、在什么位置、如何运动、可能想做什么”这类高
-
自动驾驶如何实现激光雷达和摄像头的时间同步？
对于自动驾驶汽车来说，“看”世界的方式不只有一种，一般情况下，会有多个传感器用来感知交通环境，常见的传感器有激光雷达（LiDAR）、摄像头、毫米波雷达、惯性测量单元（IMU）等等。这些传感器各自以不同
-
极端光照条件如何影响自动驾驶摄像头？
车载摄像头作为自动驾驶系统非常重要的一个感知硬件，提供了类似人类“眼睛”的功能，使车辆可以看清道路、行人、信号灯及周围障碍物。在理想状态下，车载摄像头可以获得非常清晰的图像信息，但真实交通环境非常复杂
-
自动驾驶摄像头要如何做标定？
有些时候，我们在用一些手机拍照，手机拍出来的画面与真实世界看起来会不太一样，直接会有些弯曲，物体看起来距离也会更远，之所以会出现这个问题，是因为镜头有畸变、焦距和光心位置不够准确等原因导致的。这一问题
-
纯视觉自动驾驶会像人眼一样"近视”吗?
在自动驾驶领域，纯视觉路线逐渐获得了一部分从业者和研究者的认可与支持。随着双目乃至三目摄像头方案的应用，通过视差计算、结构约束和算法建模，摄像头已经具备了一定程度的深度感知能力，使其在自动驾驶感知系统
-
自动驾驶既然有双目摄像头了为什么还要三目摄像头？
在自动驾驶领域，纯视觉方案一直受到不少人的认可。双目摄像头由于模拟了人眼的工作方式，能够通过视差计算还原三维信息，在距离判断和空间感知上具有天然优势，因此被广泛应用于纯视觉系统中。 但在实地落地时，有
